Финансовые коэффициенты на основе отчёта о движении денежных средств

Анализ финансовой отчётности на Python

Rohan Chatterjee

Risk Modeler

Загрузка данных в формате JSON

Реальные данные не всегда хранятся в таблицах
Иногда они представлены в формате JSON ("JavaScript Object Notation")
Компании могут публиковать финансовую отчётность в формате JSON
Загрузить JSON-файлы в Python можно с помощью pandas

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

На изображении показаны первые 5 строк загруженных данных отчёта о движении денежных средств.

Коэффициент денежного потока к чистой прибыли

Доля денежного потока от операционной деятельности относительно чистой прибыли
Операционная деятельность — это основная деятельность компании
Высокое значение коэффициента означает, что компания генерирует значительную долю денежных средств за счёт операционной деятельности

Формула:

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

Коэффициент операционного денежного потока

Доля денежного потока от операционной деятельности относительно текущих обязательств
Показывает, сколько раз компания может погасить краткосрочные обязательства за счёт денежных средств от основной деятельности
Коэффициент выше единицы означает, что компания генерирует достаточно денежных средств для покрытия краткосрочных обязательств

Формула:

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

Заполнение пропущенных значений

В реальных данных часто встречаются пропущенные значения
Числитель коэффициента может быть доступен, а знаменатель — отсутствовать, или наоборот
Решение: заполнить пропуски данными других компаний

Заполнение пропущенных значений

В DataFrame dataset некоторые значения столбца «Total Current Liabilities» отсутствуют и обозначены как NaN

На изображении показаны первые строки отчёта о движении денежных средств, где в столбце суммарных обязательств присутствуют пропущенные значения.

Пропущенные текущие обязательства компании можно восстановить на основе имеющихся значений по этой же компании

Заполнение пропущенных значений

Пропущенные значения заполняются средним по компании:

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

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

После заполнения dataset выглядит так:

На изображении показаны первые строки отчёта о движении денежных средств с пропущенными значениями в столбце суммарных обязательств. Добавлен столбец с заполненными значениями текущих обязательств.

Для консервативной оценки используйте перцентили

Заполнение пропущенных значений с помощью перцентилей

Замена пропущенного значения 70-м перцентилем даёт более консервативную оценку.
Расчёт коэффициентов на основе консервативной оценки предпочтителен при использовании в принятии решений.
Заполнение пропущенных значений 70-м перцентилем, сгруппированным по 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)

Давайте потренируемся!

Анализ финансовой отчётности на Python