利用Python和简化方法进行高效的基本面股票分析，在瞬息万变的股票市场中占据优势。本文将深入探讨如何运用Python及自定义模块（例如yfinance3）构建自动化工具，实现股票基本面分析。我们将逐步拆解代码，并阐明每个部分如何有效地收集和处理股票数据。
项目核心功能:
- 从CSV文件加载和处理多个股票代码。
- 使用自定义yfinance3模块获取每个股票的基本面数据。
- 将股票数据保存和加载为JSON文件，方便重复使用。
- 执行关键财务指标计算。
- 以清晰、结构化的方式呈现数据分析结果。
项目结构:
. ├── data/ │ ├── datasets/ │ └── sources/ │ └── index/ │ └── stocklist.csv └── main.py
代码详解:
立即学习“Python免费学习笔记（深入）”；
- 目录和文件初始化:
data_path = './data/datasets' csv_base_path = './data/sources/index/'
这些路径指定了存储包含股票代码的CSV文件的位置，以及处理后数据的保存位置。
- 处理CSV输入:
if not os.path.exists(csv_base_path):
st.error(f"directory not found: {csv_base_path}")
else:
csv_files = [file for file in os.listdir(csv_base_path) if file.endswith('.csv')]
selected_csv = st.selectbox("choose a csv file:", csv_files)
这段代码检查目录是否存在，并使用可用的CSV文件填充下拉菜单，允许用户选择包含股票代码的文件。
- 数据下载和存储:
for symbol in symbols:
file_name = os.path.join(folder_path, f'{symbol}.json')
if os.path.exists(file_name):
existing_files += 1
continue
try:
data = yfinance3(symbol)
with open(file_name, 'w') as file:
json.dump(data.info, file)
new_downloads += 1
except exception as e:
st.error(f"error processing {symbol}: {e}")
这段代码迭代股票代码，使用yfinance3模块下载数据，并以JSON格式保存。它跟踪现有文件、新下载的文件，并报告错误。
- 数据加载和处理:
def load_data(json_data):
data['symbol'].append(json_data.get('symbol', np.nan))
data['name'].append(json_data.get('longname', np.nan))
data['industry'].append(json_data.get('industry', np.nan))
...
load_data函数从JSON文件中提取关键财务指标，例如：
- 预期每股收益 (EPS)
- 市净率 (PB)
- 自由现金流收益率 (FCFY)
- 52周价格区间
提取的数据将添加到结构化的字典中。
- 创建DataFrame和处理缺失值:
df = pd.DataFrame(data) df_exceptions = df[df.isna().any(axis=1)] df = df.dropna().reset_index(drop=True)
这段代码从提取的数据创建Pandas DataFrame，删除包含缺失值的行（并记录这些异常情况以供用户审查）。
- 计算52周价格区间:
df['52w range'] = ((df['price'] - df['52w low']) / (df['52w high'] - df['52w low'])) * 100
此计算有助于评估股票在其52周交易区间中的位置。
- 显示和保存处理后的数据:
st.write("### Processed Data", df)
output_file = os.path.join(folder_path, 'processed_data.csv')
df.to_csv(output_file, index=False)
st.success(f"Processed data saved to {output_file}")
处理后的数据以清晰的方式显示，并保存为CSV文件，方便日后参考。
示例输出:
潜在的改进方向：
- 股票筛选: 基于ROE、PEG比率等关键指标进行筛选。
- 数据可视化: 绘制关键指标的历史趋势图。
- 回测策略: 使用基本面数据作为回测股票策略的输入。
- 实时更新: 自动化每日更新财务数据。
结论:
本项目提供了一种强大且简便的方法，利用Python和简化技术进行股票基本面分析。它能自动化数据收集、处理和展示，帮助投资者做出更明智的投资决策。
欢迎提出改进建议或添加新功能！
