Wskaźniki finansowe z rachunku przepływów pieniężnych

Analiza sprawozdań finansowych w Pythonie

Rohan Chatterjee

Risk Modeler

Wczytywanie danych JSON

Dane z rzeczywistości nie zawsze mają postać arkuszy kalkulacyjnych
Czasem są dostępne w formacie JSON („JavaScript Object Notation")
Spółki mogą udostępniać dane finansowe w formacie JSON
Pliki JSON można wczytać do Pythona za pomocą pandas

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

Obraz przedstawia 5 pierwszych wierszy wczytanych danych rachunku przepływów pieniężnych.

Wskaźnik przepływów pieniężnych do zysku netto

Udział przepływów pieniężnych z działalności operacyjnej w zysku netto
Działalność operacyjna stanowi podstawową działalność przedsiębiorstwa
Wysoki wskaźnik oznacza, że znaczna część gotówki pochodzi z działalności operacyjnej

Wzór:

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

Wskaźnik operacyjnych przepływów pieniężnych

Udział przepływów pieniężnych z działalności operacyjnej w zobowiązaniach bieżących
Miara zdolności do spłaty zobowiązań krótkoterminowych z gotówki generowanej przez podstawową działalność
Wskaźnik powyżej jedności oznacza, że spółka generuje wystarczającą gotówkę na pokrycie zobowiązań krótkoterminowych

Wzór:

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

Uzupełnianie brakujących wartości

Dane rzeczywiste często zawierają brakujące wartości
Licznik wskaźnika może być dostępny, ale mianownik może być brakujący – i odwrotnie
Rozwiązanie: uzupełnienie brakujących danych na podstawie danych innych spółek

Uzupełnianie brakujących wartości

W DataFrame o nazwie dataset niektóre wartości „Total Current Liabilities" są brakujące – oznaczone jako NaN

Obraz przedstawia pierwsze wiersze rachunku przepływów pieniężnych, gdzie w kolumnie zobowiązań bieżących widoczne są brakujące wartości.

Brakujące zobowiązania bieżące można uzupełnić na podstawie dostępnych wartości dla danej spółki

Uzupełnianie brakujących wartości

Brakujące wartości uzupełniamy średnią z dostępnych wartości dla danej spółki:

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

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

Po uzupełnieniu dataset wygląda następująco:

Obraz przedstawia pierwsze wiersze rachunku przepływów pieniężnych z brakującymi wartościami w kolumnie zobowiązań bieżących oraz dodatkową kolumną z uzupełnionymi wartościami.

Aby być zachowawczym, można użyć percentyli

Uzupełnianie brakujących wartości percentylami

Uzupełnienie brakującej wartości 70. percentylem najgorszych wartości dostępnych daje bardziej zachowawczy wynik.
Obliczanie wskaźników na podstawie zachowawczego uzupełnienia może być bardziej ostrożne przy podejmowaniu decyzji.
Uzupełnianie brakujących wartości 70. percentylem, grupując po 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)

Czas na ćwiczenia!

Analiza sprawozdań finansowych w Pythonie