在业绩密集披露、市场情绪反复的阶段很多做数据分析的同学都会遇到同一个问题财报数据拿到了估值指标也算了但面对一堆数字就是讲不出“贵还是便宜”的逻辑。其实估值这件事本质上是一套可以量化、可以复现的计算流程。本文结合财报季数据处理的实际场景聊聊如何用 Python 完成从财务报表获取、估值指标计算到可视化分析的一整套实操方案。1. 背景与核心概念1.1 估值分析到底在算什么估值分析是投资研究中最基础也最常用的工作之一。简单来说估值就是回答一个问题一家公司当前的价格相对于它赚到的钱、拥有的资产、或者未来的增长潜力到底是贵了还是便宜了。这个问题的答案从来不是绝对的。同样是 30 倍市盈率放在高速增长的软件公司和增长停滞的传统制造业公司身上含义完全不同。所以估值分析的核心不是“记住哪个数字是合理的”而是掌握一套可复用的计算框架能够结合行业特征、公司阶段和宏观环境去做对比。在财报季这个时间窗口估值分析的工作量会明显增加。原因在于财报数据集中释放分析师和投资者需要在短时间内处理大量报表用统一的口径计算指标然后横向对比同行业公司、纵向对比历史区间。这种场景非常适合用 Python 来做流程化处理。1.2 常用估值指标及其含义在实操中以下指标是出场频率最高的。市盈率PE等于股价除以每股收益或者用总市值除以净利润。它衡量的是“为每 1 元利润支付多少价格”。市盈率分为静态市盈率、滚动市盈率和动态市盈率区别在于分母用的是上一年度净利润、最近四个季度净利润还是预测净利润。财报季通常更关注滚动市盈率因为它包含了最新一期财报的数据。市净率PB等于股价除以每股净资产衡量“为每 1 元净资产支付多少价格”。对于银行、保险、地产这类资产驱动型企业市净率比市盈率更有参考价值。PEG 指标是在市盈率基础上引入增长率计算公式是市盈率除以盈利增长率。PEG 的引入是为了修正“高增长公司天然高市盈率”带来的误判用增长去消化估值。股息率等于每股分红除以股价反映的是持有期内通过分红获得的回报率。对于现金流稳定的成熟企业股息率是估值的重要锚点。这四个指标各有盲区PE 无法衡量亏损企业PB 对轻资产公司意义有限PEG 依赖预测增长率的准确性股息率忽略了成长性本身的价值。所以实际分析中通常需要组合使用。1.3 为什么用 Python 做估值分析手工计算估值指标最大的问题是口径不一致和效率低。不同平台的数据源、不同人对“净利润”的取法都会导致结果差异。Python 的优势在于可以把数据获取、清洗、计算、可视化全部固化为一套流程。比如同一份财报数据你可以用脚本同时计算 PE、PB、PEG 和股息率然后输出对比表格。换一只股票、换一个季度只需要改代码中的参数完全不用重来一遍。对于研究多只股票、多个周期的场景Python 的批处理能力非常实用。2. 环境准备与版本说明2.1 运行环境要求本文的代码以 Python 3.8 为基础推荐使用 conda 或 venv 创建独立环境避免依赖冲突。python -m venv fin_env source fin_env/bin/activate # Windows 下执行 fin_env\Scripts\activate2.2 依赖库安装数据获取使用 akshare这是国产开源财经数据接口库覆盖 A 股和港美股的部分公开数据无需申请 token。数据处理使用 pandas数值计算使用 numpy可视化使用 matplotlib。另外为了处理中文显示需要额外配置字体。pip install akshare pandas numpy matplotlib2.3 版本说明需要说明的是akshare 的接口变动比较频繁不同版本的方法名和返回字段可能存在差异。本文以 1.x 常见接口为例演示完整的处理思路。如果你安装的版本接口有调整重点理解数据清洗和指标计算的逻辑数据字段名可以在 akshare 官方文档中按版本查询。3. 核心语法与原理拆解3.1 财务数据获取理解财务摘要接口akshare 提供了多层次的财务数据接口。做估值分析时最常用的是一组财务摘要接口能够获取到净利润、净资产、每股收益等关键字段。import akshare as ak # 获取指定股票最近的财务摘要示例代码需按实际版本调整参数 # df ak.stock_financial_abstract(symbol600519)这段代码获取到的数据通常是以报告期为索引的宽表每一行代表一个报告期每一列代表一个财务指标。实际使用中需要注意以下几点第一数据的单位。有的接口返回的单位是元有的是万元需要先统一换算否则后续计算指标时量级会出错。第二字段口径。比如“净利润”可能有“归母净利润”和“净利润”两种口径。计算 PE 时分子市值是包含少数股东权益的分母如果用归母净利润计算出来的 PE 会偏高。因此要么统一用净利润要么统一用归母净利润并记录自己的选择。第三数据缺失。次新股、B 股、部分境外上市公司的数据可能不完整需要先做缺失值检查。下面是完整的获取与预览代码。import akshare as ak import pandas as pd pd.set_option(display.max_columns, None) pd.set_option(display.width, 200) try: # 获取财务摘要数据 df ak.stock_financial_abstract(symbol600519) print(数据形状, df.shape) print(前两行数据) print(df.head(2).T) except Exception as e: print(接口调用失败, e)3.2 市值数据获取理解股本与价格的结合计算 PE 和 PB 的分子是总市值。总市值等于总股本乘以当前股价。市值的获取有两种途径一种是直接使用接口返回的市值字段一种是用股本和股价自行计算。# 获取个股信息通常包含总市值、流通市值等字段 # stock_individual_info_em 是东方财富接口字段较稳定 info ak.stock_individual_info_em(symbol600519)这个接口返回的是键值对结构通常包含股票代码、股票简称、总股本、流通股本、总市值、流通市值等字段。使用时可以转换为字典方便取值。info_dict dict(zip(info[item], info[value])) total_market_cap float(info_dict[总市值]) print(总市值, total_market_cap)3.3 指标计算的边界条件处理估值指标计算看起来只是除法但实际工程中边界条件非常多。净利润为 0 或为负时PE 没有意义。要么显示为空要么标记为“亏损”不能直接丢弃。净资产为 0 或为负时PB 没有意义常见于资不抵债的公司。每股收益的数值极小时PE 会异常放大需要考虑是否数据单位错误。股本变动增发、回购会影响市值进而影响所有以市值为基础的指标。因此在实际编码中要养成一个习惯先判断分母是否合法再执行除法最后对结果做合理性检查。def safe_divide(numerator, denominator): if denominator is None or abs(denominator) 1e-9: return None return numerator / denominator3.4 技术指标的常见误区关于估值指标有几个高频误区必须澄清。第一不要混用不同时点的市值和净利润。严格来说计算 PE 时分子和分母应尽量接近同一时点。虽然实践中常用“当前市值 / 最新年报净利润”的简化算法但跨期混用会带来误差尤其是在股价大幅波动或业绩急剧变化的阶段。第二不要盲目跨行业比较。不同行业的商业模式差异极大PE 和 PB 的合理区间完全不同。同行业内比较才有意义。第三不要忽略会计口径差异。净利润有扣非净利润和包含非经常性损益的净利润之分两者可能差异巨大。地产、金融等行业的利润确认规则复杂直接用报表数值做指标可能得出失真结论。4. 完整实战案例下面以一个完整案例串联整个流程。场景设定为有一批股票代码需要在财报季统一计算估值指标并输出对比表格和可视化图表。4.1 创建项目结构estimator/ ├── data/ # 缓存数据 ├── output/ # 输出结果 ├── main.py # 主脚本 └── valuation.py # 估值计算模块4.2 编写估值计算模块首先在valuation.py中封装数据获取和指标计算函数。# 文件路径estimator/valuation.py import akshare as ak import pandas as pd def get_financial_summary(symbol): 获取财务摘要数据并转换为以报告期为索引的 DataFrame。 df ak.stock_financial_abstract(symbolsymbol) # 将第一列设置为索引通常是报告期 first_col df.columns[0] df df.set_index(first_col) return df def get_market_data(symbol): 获取总市值、总股本等市场数据。 info ak.stock_individual_info_em(symbolsymbol) info_dict dict(zip(info[item], info[value])) return info_dict def calculate_valuation_metrics(symbol, report_datesNone): 计算指定股票在全部报告期的估值指标。 返回包含净利润、净资产、市值、PE、PB 的 DataFrame。 summary get_financial_summary(symbol) market get_market_data(symbol) total_market_cap float(market[总市值]) total_share float(market[总股本]) # 假设财务摘要中有这几个字段实际使用时需根据接口输出调整 result pd.DataFrame(indexsummary.index) result[净利润] pd.to_numeric(summary[净利润], errorscoerce) result[净资产] pd.to_numeric(summary[净资产], errorscoerce) result[每股收益] pd.to_numeric(summary[每股收益], errorscoerce) # 市值可以按报告期调整也可以使用当前市值。这里演示使用当前市值。 result[当前总市值] total_market_cap # 计算 PE result[PE] result.apply( lambda row: total_market_cap / row[净利润] if row[净利润] and row[净利润] 0 else None, axis1, ) # 计算 PB result[PB] result.apply( lambda row: total_market_cap / row[净资产] if row[净资产] and row[净资产] 0 else None, axis1, ) return result这段代码中的关键点是errorscoerce它可以把财报接口中返回的字符串型数字统一转换为数值类型无法转换的置为 NaN。4.3 编写主脚本主脚本main.py负责调用模块、缓存数据并输出结果。# 文件路径estimator/main.py import os import pandas as pd from valuation import calculate_valuation_metrics # 示例股票池实际使用时可替换为其他代码 stock_pool [600519, 000858, 300750] results {} for symbol in stock_pool: print(f正在处理{symbol}) try: df calculate_valuation_metrics(symbol) # 只保留最近 8 个报告期 df df.head(8) results[symbol] df # 将数据缓存为 CSV os.makedirs(data, exist_okTrue) df.to_csv(fdata/{symbol}_metrics.csv, encodingutf-8-sig) except Exception as e: print(f处理 {symbol} 失败{e}) # 汇总最近一个报告期数据 summary [] for symbol, df in results.items(): if not df.empty: latest df.iloc[0] summary.append( { 股票代码: symbol, 报告期: df.index[0], 净利润: latest[净利润], PE: latest[PE], PB: latest[PB], } ) summary_df pd.DataFrame(summary) summary_df.to_csv(output/valuation_summary.csv, indexFalse, encodingutf-8-sig) print(估值汇总表已输出到 output/valuation_summary.csv)4.4 运行与验证在项目根目录执行python main.py正常输出的结果中每个股票的处理过程会打印在控制台。最终生成的valuation_summary.csv可以使用 Excel 直接打开查看。4.5 可视化对比为了直观对比多只股票的估值水平可以绘制柱状图。这里以 PE 对比图为例。# 文件路径estimator/plot_pe.py import pandas as pd import matplotlib.pyplot as plt plt.rcParams[font.sans-serif] [SimHei, Arial Unicode MS] plt.rcParams[axes.unicode_minus] False summary_df pd.read_csv(output/valuation_summary.csv) fig, ax plt.subplots(figsize(10, 6)) colors [#4C72B0 if v summary_df[PE].min() else #DD8452 for v in summary_df[PE]] ax.bar(summary_df[股票代码], summary_df[PE], colorcolors) ax.set_title(当前报告期 PE 对比) ax.set_ylabel(市盈率) ax.axhline(0, colorblack, linewidth0.8) for i, v in enumerate(summary_df[PE]): if pd.notna(v): ax.text(i, v 0.5, f{v:.1f}, hacenter) plt.tight_layout() plt.savefig(output/pe_compare.png, dpi150) print(图表已保存至 output/pe_compare.png)4.6 结果说明通过上面的流程你可以得到至少两个层次的输出第一层是单只股票在不同报告期的 PE、PB 数据可以用来观察估值的时间序列变化判断当前估值处于历史高位还是低位。第二层是同一时期多只股票的横截面对比可以用来做行业内的估值分位排序。需要注意这里的案例是简化演示实际研究中还需要加入行业分类、盈利预测、分红记录等更多维度的数据。5. 常见问题与排查思路5.1 接口返回字段不对akshare 的不同版本、不同接口返回的字段名称存在差异。如果代码运行时报 KeyError优先打印接口返回的字段列表。df ak.stock_financial_abstract(symbol600519) print(df.columns.tolist())根据实际字段名称调整代码中的列名即可。5.2 数据库表结构梳理没有这里不需要数据库表结构但要注意财务数据的单位问题。很多财务接口返回的数据单位为“万元”而市值接口返回的可能是“元”直接相除会导致结果偏差巨大。解决方案是统一除以 10000 或者统一乘以 10000确保分子分母单位一致。5.3 非交易日的市值波动这个问题在批量处理中经常出现。如果不同股票的市值取到的时间点不一致比如某只股票停牌市值停留在停牌前的价格会导致横向对比失真。处理思路是在数据获取时记录市值的时间戳如果发现某只股票的市值时间明显滞后可以视为数据异常在汇总表中标注或剔除。5.4 接口被限流或超时akshare 底层依赖公开网页接口访问频率过高时可能触发反爬机制。解决方案有两个方向一是控制请求频率在循环中增加time.sleep(1)二是将结果缓存到本地第二次运行时直接读取缓存文件减少请求次数。5.5 一个完整的排查流程清单问题现象常见原因解决思路KeyError: 某字段不存在接口字段名变更打印 columns 列表核对PE 数值异常巨大净利润单位或口径不一致检查单位和是否使用归母口径数据列全部为 NaN接口返回为字符串格式增加 errorscoerce 并检查原始数据与财经网站指标不一致指标时点或口径不同确认使用滚动年报还是最新报告期接口超时请求频繁或网络问题增加重试机制使用本地缓存图片中文乱码缺少中文字体配置设置 rcParams 字体改用系统已有字体6. 最佳实践与工程建议6.1 指标口径统一建议在代码中定义一个枚举或者常量类把所有估值指标的计算口径固定下来。比如“PE 当前总市值 / 最近一期报告期净利润年化值”就把它写进配置而不是散落在多个函数里。这能避免后续维护时出现同一字段两种计算逻辑的问题。6.2 数据缓存与增量更新财务数据不是高频变化的数据对同一只股票在同一天内多次调用接口是浪费资源。建议第一次获取后保存到本地后续优先读缓存支持通过参数强制刷新。这样既减少接口压力也方便离线调试。import os import pandas as pd def load_or_fetch(symbol, fetch_func, cache_dirdata): os.makedirs(cache_dir, exist_okTrue) cache_path os.path.join(cache_dir, f{symbol}.csv) if os.path.exists(cache_path): return pd.read_csv(cache_path) df fetch_func(symbol) df.to_csv(cache_path, indexFalse, encodingutf-8-sig) return df6.3 异常处理与边界保护在企业层面做估值分析数据质量直接影响决策质量。建议做到计算指标时使用防护函数杜绝除零错误对无效数据保留 NaN 而不是填充 0防止“假数据”污染结果在报表中标记数据时点和口径方便追溯。6.4 关于未来函数与数据穿越这个问题在量化分析中特别重要。如果在历史回测中使用了当前时刻的总市值去计算历史 PE就会引入未来信息导致回测结果过度乐观。正确的做法是回测时使用当时时点的市值数据即“时点市值 当时股价 × 当时总股本”。如果你的数据源无法提供历史市值至少要意识到这个问题并在结论中说明偏差来源。6.5 合规与风险提示估值分析是研究工具不是投资建议。在输出报告、代码、图表时建议明确标注数据时间、数据来源和计算口径。报告中的结论要强调概率思维避免绝对化表述。7. 总结与学习路线通过这篇文章的实战流程你可以掌握几个核心能力使用 Python 批量获取财务摘要和市场数据统一口径计算 PE、PB 等估值指标处理财报数据中的单位、缺失值和异常值问题用图表对比多只股票的估值水平。下一步建议从三个方向继续深入。第一个方向是扩充指标维度。在现有基础上加入 PEG、股息率、市现率等指标形成更完整的估值体系。第二个方向是引入时间序列分析。把单只股票的 PE 历史分位数计算出来判断当前估值处于历史什么位置这比单纯看绝对数值更有参考意义。第三个方向是搭建自己的估值数据中台。把数据获取、清洗、计算、展示封装成标准服务支持命令行参数和定时任务让估值分析从“手动跑脚本”变成“自动化流水线”。最后补充一点估值分析本质上是在处理不确定性任何指标都只是对过去的描述和对未来的近似。写代码时保持严谨看结果时保持理性这才是做数据分析最稳妥的态度。如果本文对你有帮助可以收藏备用后续遇到财报季批量计算估值指标时直接对照文章思路实现即可。