Financiële ratio’s uit het kasstroomoverzicht

Financiële overzichten analyseren in Python

Rohan Chatterjee

Risk Modeler

JSON-data inlezen

Data uit de praktijk staat niet altijd in spreadsheets
Soms komt het in JSON (JavaScript Object Notation)
Bedrijven kunnen hun financiële overzichten delen in JSON
We kunnen JSON inlezen in Python met pandas

cash_flow = pd.read_json("cash_flow_statement.json")
print(cash_flow.head())

Deze afbeelding toont de bovenste 5 rijen van de geladen kasstroomgegevens.

Kasstroom/ nettowinst-ratio

Aandeel kasstroom uit operationele activiteiten t.o.v. nettowinst
Operationele activiteiten zijn de kernactiviteiten van het bedrijf
Hoge ratio betekent dat veel cash uit operationele activiteiten komt

Formule:

$$\dfrac{\text{Cash flow from operating activities}}{\text{Net income}}$$

Operating cash flow-ratio

Aandeel kasstroom uit operationele activiteiten t.o.v. kortlopende schulden
Meet hoe vaak kortlopende verplichtingen kunnen worden betaald uit kasstroom van de kernactiviteiten
Een ratio > 1 betekent voldoende kasstroom om kortlopende verplichtingen te dekken

Formule:

$$\dfrac{\text{Cash flow from operating activities}}{\text{Current liabilities}}$$

Ontbrekende waarden imputeren

Data “in het wild” heeft vaak ontbrekende waarden
Soms is de teller van een ratio beschikbaar, maar de noemer niet (of andersom)
Oplossing: imputeer ontbrekende data met data van andere bedrijven

Ontbrekende waarden imputeren

In de DataFrame dataset ontbreken sommige waarden van "Total Current Liabilities", aangeduid met NaN

Deze afbeelding toont de bovenste rijen van een kasstroomoverzicht waar in de kolom total liabilities enkele waarden ontbreken.

Ontbrekende kortlopende schulden voor een bedrijf kun je imputeren met beschikbare waarden van datzelfde bedrijf

Ontbrekende waarden imputeren

We vullen ontbrekende waarden met het gemiddelde van de niet-ontbrekende waarden per bedrijf:

imputation = dataset.groupby("company")["Total Current Liabilities"].transform("mean")

dataset["Imputed Total Current Liabilities"] = dataset["Total Current Liabilities"].fillna(imputation)

Na imputatie ziet dataset er zo uit:

Deze afbeelding toont de bovenste rijen van een kasstroomoverzicht met ontbrekende waarden in total liabilities. Er is een extra kolom imputed total current liabilities waar de missende waarden zijn ingevuld.

Neem percentielen voor een conservatieve schatting

Imputeren met percentielen

Imputeren met de 70e percentiel van de ongunstige niet-ontbrekende waarden geeft een meer conservatieve schatting.
Ratio’s met zo’n conservatieve imputatie zijn vaak verstandiger voor besluitvorming.
Imputeren met het 70e percentiel, gegroepeerd per company:

imputation = dataset.groupby("company")["Total Current Liabilities"]\
    .transform(lambda x: np.nanquantile(x, 0.7))

dataset["Imputed Total Current Liabilities"] = dataset["Total Current Liabilities"]\
    .fillna(imputation)

Laten we oefenen!

Financiële overzichten analyseren in Python