Finansiella nyckeltal från kassaflödesanalysen

Analysera finansiella rapporter i Python

Rohan Chatterjee

Risk Modeler

Läsa in JSON-data

Data i verkligheten kommer inte alltid i kalkylblad
Ibland levereras den i JSON-format ("JavaScript Object Notation")
Företag kan dela finansiell information i JSON
Vi kan läsa JSON-filer till Python med pandas

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

Den här bilden visar de 5 översta raderna i kassaflödesdata som laddades in.

Kassaflöde i förhållande till nettoresultat

Andelen kassaflöde från rörelseverksamheten i förhållande till nettoresultatet
Rörelseaktiviteter är företagets kärnverksamhet
Ett högt nyckeltal innebär att företaget genererar en stor del av sitt kassaflöde från rörelseverksamheten

Formel:

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

Rörelsekassaflödets nyckeltal

Andelen kassaflöde från rörelseverksamheten i förhållande till kortfristiga skulder
Mäter hur många gånger företaget kan betala sina kortfristiga åtaganden med kassaflödet från kärnverksamheten
Ett nyckeltal över ett innebär att företaget genererar mer kassaflöde än vad som krävs för att möta de kortfristiga åtagandena

Formel:

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

Imputera saknade värden

Verkliga data innehåller ofta saknade värden
Täljaren i ett nyckeltal kan finnas, men nämnaren saknas – eller tvärtom
Lösning: imputera saknade värden med data från andra företag

Imputera saknade värden

I DataFrame:en dataset saknas vissa värden i "Total Current Liabilities", markerade med NaN

Den här bilden visar de översta raderna i en kassaflödesanalys där vissa poster i kolumnen för totala skulder saknar värden.

Saknade kortfristiga skulder för ett företag kan imputeras med tillgängliga värden för samma företag

Imputera saknade värden

Vi fyller i saknade värden med medelvärdet av befintliga värden per företag:

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

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

Efter imputering ser dataset ut så här:

Den här bilden visar de översta raderna i en kassaflödesanalys där vissa poster i kolumnen för totala skulder saknar värden. En extra kolumn med imputerade kortfristiga skulder har lagts till.

Använd percentiler för ett mer konservativt resultat

Imputera saknade värden med percentiler

Att imputera ett saknat värde med det 70:e percentilens sämsta icke-saknade värde ger en mer konservativ imputering.
Det kan vara mer försiktigt att beräkna nyckeltal med den mer konservativa imputeringen om nyckeltalet ska användas i beslutsfattande.
Imputering med 70:e percentilen, grupperad 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)

Nu kör vi en övning!

Analysera finansiella rapporter i Python