Ratios financiers à partir de l'état des flux de trésorerie

Analyser les états financiers avec Python

Rohan Chatterjee

Risk Modeler

Lire des données JSON

Les données « dans la nature » ne sont pas toujours dans des chiffriers
Parfois, elles sont au format JSON (« JavaScript Object Notation »)
Les entreprises peuvent diffuser leurs états financiers en JSON
On peut lire des fichiers JSON dans Python avec pandas

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

Cette image montre les 5 premières lignes des données de l'état des flux de trésorerie chargées.

Ratio flux d'exploitation / bénéfice net

Proportion des flux de trésorerie d'exploitation par rapport au bénéfice net
Les activités d'exploitation sont les activités de base de l'entreprise
Un ratio élevé indique qu'une grande part de la trésorerie provient des activités d'exploitation

Formule :

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

Ratio de trésorerie d'exploitation

Proportion des flux de trésorerie d'exploitation par rapport aux passifs à court terme
Mesure le nombre de fois où l'entreprise peut régler ses obligations à court terme avec la trésorerie issue des activités de base
Un ratio supérieur à 1 indique une trésorerie suffisante pour couvrir les obligations à court terme

Formule :

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

Imputation des valeurs manquantes

Les données « dans la nature » ont souvent des valeurs manquantes
On peut avoir le numérateur d'un ratio, mais pas son dénominateur, ou l'inverse
Solution : imputer les valeurs manquantes avec des données d'autres entreprises

Imputation des valeurs manquantes

Dans le DataFrame dataset ci‑dessous, certaines valeurs de « Total des passifs à court terme » sont manquantes, indiquées par NaN

Cette image montre les premières lignes d'un état des flux de trésorerie où certaines valeurs de la colonne total des passifs sont manquantes.

On peut imputer les passifs à court terme manquants d'une entreprise avec ses valeurs non manquantes

Imputation des valeurs manquantes

On remplit les valeurs manquantes par la moyenne des valeurs non manquantes de chaque entreprise :

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

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

Après imputation, dataset devient :

Cette image montre les premières lignes d'un état des flux de trésorerie avec des valeurs manquantes dans la colonne total des passifs. Une autre colonne, total des passifs à court terme imputés, contient les valeurs imputées.

Utiliser des percentiles pour être conservateur

Imputation avec des percentiles

Imputer une valeur manquante avec son 70e centile des pires valeurs non manquantes donne une estimation plus prudente.
Calculer les ratios avec cette imputation plus conservatrice peut être plus avisé si le ratio sert à la prise de décision.
Imputer au 70e centile, groupé par 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)

Passons à la pratique !

Analyser les états financiers avec Python