各位同学，欢迎来到《商业大数据分析与应用》的全新章节。
今天，我们将深入探讨商业分析和投资决策中的一个至关重要的领域——现金流分析。
Profit is an opinion, cash is a fact.
这句话是理解本章所有内容的第一块基石。
一家公司可能在账面上看起来盈利丰厚，但如果无法产生健康的现金流，它依然可能陷入困境。
本章我们将学习如何运用Python和Tushare财经数据接口，系统地分析企业的现金流状况。
最终目标是：为一家企业绘制出精准的’现金流画像’，并将其与同行业竞争者进行横向对比。
我们将从五个核心指标入手，层层递进，像侦探一样探寻企业价值的真相。
通过本章的学习，你将能够：
Python 进行数据获取、处理、计算和可视化。在开始分析前，我们必须理解三大财务报表是如何相互关联的。
理解这两个概念是理解现金流分析的钥匙。
现在，我们来看第一个，也是最重要的指标：盈利质量的’试金石’。
Definition 1 盈利质量 (Quality of Earnings) 盈利质量是指公司财报中利润的真实性、稳定性和可持续性。高质量的盈利应主要由可持续的主营业务驱动，并且有充足的现金流作为支撑。
\[ \Large{ \text{盈利质量比率} = \frac{\text{经营活动产生的现金流量净额 (NCFO)}}{\text{净利润 (Net Income)}} } \]
这个比率直接对比了’赚到的钱’和’账面上的利润’。
| 比率值 | 含义 | 信号 |
|---|---|---|
| > 1 | 每1元利润，有超过1元的现金流入支撑 | 非常健康 |
| ≈ 1 | 利润基本都转化为现金 | 健康 |
| < 1 | 部分利润未转化为现金（如应收账款） | 需关注 |
| << 1 或为负 | 利润’含金量’低，可能存在风险 | 危险信号 |
接下来，我们以A股市场的知名企业——贵州茅台为例，利用Python来计算并分析其2019年至2023年这五年的盈利质量。
首先，导入必要的Python库，并初始化Tushare Pro接口。
Tushare是一个提供丰富财经数据的Python库，非常适合进行量化分析。
import pandas as pd
import tushare as ts
import numpy as np
import time
import matplotlib.pyplot as plt
# 设置matplotlib正常显示中文和负号
plt.rcParams['axes.unicode_minus'] = False
plt.rcParams['font.sans-serif'] = ['SimHei']
# 输入你的Tushare Pro API Token
# 同学们可以去Tushare官网注册获取自己的Token
pro = ts.pro_api('ba1646815a79a63470552889a69f957f5544bef01d3f082159bf8474')我们定义要分析的时间范围，并使用循环从Tushare获取贵州茅台每年的现金流量表数据。
我们需要的字段是’经营活动产生的现金流量净额’ (n_cashflow_act)。
金融数据API有时可能会返回重复的数据行。一个好的编程习惯是在获取数据后进行去重处理。
drop_duplicates()方法会移除重复的行，ignore_index=True会重新生成一个干净的索引。
同样地，我们从利润表中获取同期的’净利润’ (n_income) 数据。
现在我们有两份数据：df1 包含现金流，df2 包含净利润。我们需要将它们合并到一个DataFrame中以便计算。
pd.concat函数可以拼接数据框，axis=1表示按列（横向）拼接。
数据准备就绪，我们就可以计算核心指标了。
我们新建一列ratio1，存放计算结果，并使用round()函数保留两位小数。
最终得到的数据表如下：
import pandas as pd
import tushare as ts
import numpy as np
import time
pro = ts.pro_api('ba1646815a79a63470552889a69f957f5544bef01d3f082159bf8474')
years = ['20191231', '20201231', '20211231', '20221231', '20231231']
df1 = pd.DataFrame()
for i in years:
df1 = df1.append(pro.cashflow(ts_code='600519.SH', period=i, fields='ts_code,n_cashflow_act,end_date'),ignore_index=True)
df1 = df1.drop_duplicates(ignore_index=True)
df2 = pd.DataFrame()
for i in ['20191231', '20201231', '20211231', '20221231', '20231231']:
df2 = df2.append(pro.income(ts_code='600519.SH', period=i, fields='ts_code,n_income,end_date'), ignore_index=True)
df2 = df2.drop_duplicates(ignore_index=True)
df = pd.concat([df1, df2['n_income']], axis=1)
df['ratio1'] = round(df['n_cashflow_act'] / df['n_income'], 2)
dfratio1列直观地展示了二者的比率。
为了更直观地理解数据趋势，我们将使用matplotlib库进行可视化。
import matplotlib.pyplot as plt
plt.rcParams['axes.unicode_minus'] = False
plt.rcParams['font.sans-serif'] = ['SimHei']
df['n_cashflow_act_mean'] = np.mean(df['n_cashflow_act'])
df['n_income_mean'] = np.mean(df['n_income'])
plt.figure(figsize=(10, 6))
plt.plot(years,df['n_cashflow_act'],label='经营活动现金流量净额', marker='o')
plt.plot(years,df['n_income'],label='净利润', marker='o')
plt.plot(years,df['n_cashflow_act_mean'],linestyle='--',label = '经营活动现金流量净额均值')
plt.plot(years,df['n_income_mean'],linestyle='--',label = '净利润均值')
plt.legend(loc = 'upper left')
plt.title('贵州茅台NCFO与净利润趋势图 (2019-2023)', fontsize=16)
plt.ylabel('金额 (百亿)', fontsize=12)
plt.xlabel('年份', fontsize=12)
plt.grid(axis='y', linestyle='--', alpha=0.7)
plt.show()从趋势图中可以发现：
我们直接将ratio1指标绘制成条形图，更直观地观察其每年的波动。
plt.figure(figsize=(10, 6))
bars = plt.bar(years, df['ratio1'])
plt.axhline(1.0, color='red', linestyle='--', label='比率=1参考线')
plt.title('贵州茅台NCFO/净利润比率 (2019-2023)', fontsize=16)
plt.ylabel('比率值', fontsize=12)
plt.xlabel('年份', fontsize=12)
plt.legend()
for bar in bars:
yval = bar.get_height()
plt.text(bar.get_x() + bar.get_width()/2.0, yval, f'{yval:.2f}', va='bottom', ha='center')
plt.show()该图清晰地显示：
贵州茅台的案例告诉我们：
一家顶级公司的财务数据，往往能清晰地展现出其强大的经营能力和健康的财务状况。
我们的分析方法，成功地验证了这一点。
探讨完利润的质量，我们现在把目光投向利润的源头——收入。
这个比率是衡量企业营业收入质量的核心指标。
同样基于权责发生制，企业只要提供了商品或服务，就可以确认收入。
但这引出了一个问题：
账面上的高收入，背后是真的’财源滚滚’，还是堆积如山的’白条’（应收账款）？
\[ \Large{ \text{收入质量比率} = \frac{\text{销售商品、提供劳务收到的现金}}{\text{营业收入}} } \]
c_fr_sale_sg，是实实在在收回的现金。revenue，是按会计准则确认的收入。我们继续以贵州茅台为例，看看这家公司的收入质量如何。
我们采用与上一节类似的方法，分别从现金流量表和利润表中获取所需数据，然后合并计算比率。
years = ['20191231', '20201231', '20211231', '20221231', '20231231']
df3 = pd.DataFrame()
for i in years:
df3 = df3.append(pro.cashflow(ts_code='600519.SH', period=i, fields='ts_code,c_fr_sale_sg,end_date'),
ignore_index=True)
df3 = df3.drop_duplicates(keep='last', ignore_index=True)
df4 = pd.DataFrame()
for i in ['20191231', '20201231', '20211231', '20221231', '20231231']:
df4 = df4.append(pro.income(ts_code='600519.SH', period=i, fields='ts_code,revenue,end_date'), ignore_index=True)
df4 = df4.drop_duplicates(ignore_index=True)
df_2 = pd.concat([df3, df4['revenue']], axis=1)
df_2['ratio2'] = round(df_2['c_fr_sale_sg'] / df_2['revenue'], 2)
df_2从表格结果可以看到：
ratio2都大于1.1。我们同样将这两个核心数据进行可视化对比。
df_2['c_fr_sale_sg_mean'] = np.mean(df_2['c_fr_sale_sg'])
df_2['revenue_mean'] = np.mean(df_2['revenue'])
plt.figure(figsize=(10, 6))
plt.plot(years, df_2['c_fr_sale_sg'],label='销售商品、提供劳务收到的现金', marker='o')
plt.plot(years,df_2['revenue'],label='营业收入', marker='o')
plt.plot(years,df_2['c_fr_sale_sg_mean'],linestyle='--',label = '销售收现均值')
plt.plot(years,df_2['revenue_mean'],linestyle='--',label = '营业收入均值')
plt.legend(loc = 'upper left',fontsize=12)
plt.title('贵州茅台销售收现与营业收入趋势图 (2019-2023)', fontsize=16)
plt.ylabel('金额 (百亿)', fontsize=12)
plt.xlabel('年份', fontsize=12)
plt.grid(axis='y', linestyle='--', alpha=0.7)
plt.show()这张图再次有力地证明了我们的判断。
代表’销售收现’的蓝色线始终稳稳地压在代表’营业收入’的橙色线之上，显示出极高的收入质量。
我们再将比率ratio2单独用条形图展示。
plt.figure(figsize=(10, 6))
bars = plt.bar(years, df_2['ratio2'])
plt.axhline(1.0, color='red', linestyle='--', label='比率=1参考线')
plt.title('贵州茅台收入质量比率 (2019-2023)', fontsize=16)
plt.ylabel('比率值', fontsize=12)
plt.xlabel('年份', fontsize=12)
plt.legend()
for bar in bars:
yval = bar.get_height()
plt.text(bar.get_x() + bar.get_width()/2.0, yval, f'{yval:.2f}', va='bottom', ha='center')
plt.show()从图中可以看出，比率非常稳定，且始终在1.1以上。
我们已经学习了如何分析贵州茅台这样的优质范例。
现在，我们来看一个不同行业的公司——苏宁易购，应用我们学到的知识进行对比分析。
我们重复之前的步骤，对苏宁易购进行盈利质量分析。
import pandas as pd
import tushare as ts
import numpy as np
import time
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus']=False
pro = ts.pro_api('ba1646815a79a63470552889a69f957f5544bef01d3f082159bf8474')
years = ['20191231', '20201231', '20211231', '20221231', '20231231']
df1 = pd.DataFrame()
for i in years:
df1 = df1.append(pro.cashflow(ts_code='002024.SZ', period=i, fields='ts_code,n_cashflow_act,end_date'),ignore_index=True)
df1 = df1.drop_duplicates(ignore_index=True)
df2 = pd.DataFrame()
for i in ['20191231', '20201231', '20211231', '20221231', '20231231']:
df2 = df2.append(pro.income(ts_code='002024.SZ', period=i, fields='ts_code,n_income,end_date'), ignore_index=True)
df2 = df2.drop_duplicates(ignore_index=True)
df = pd.concat([df1, df2['n_income']], axis=1)
df['ratio1'] = round(df['n_cashflow_act'] / df['n_income'], 2)
df['n_cashflow_act_mean'] = np.mean(df['n_cashflow_act'])
df['n_income_mean'] = np.mean(df['n_income'])
plt.figure(figsize=(10,6))
plt.plot(years,df['n_cashflow_act'],label='经营活动现金流量净额', marker='o')
plt.plot(years,df['n_income'],label='净利润', marker='o')
plt.plot(years,df['n_cashflow_act_mean'],linestyle='--',label = '经营活动现金流量净额均值')
plt.plot(years,df['n_income_mean'],linestyle='--',label = '净利润均值')
plt.title('苏宁易购NCFO与净利润趋势图 (2019-2023)', fontsize=16)
plt.ylabel('金额', fontsize=12)
plt.xlabel('年份', fontsize=12)
plt.grid(axis='y', linestyle='--', alpha=0.7)
plt.legend(loc = 'best')
plt.show()评估了盈利和收入质量后，我们需要进一步考察其财务的稳健性，即偿债能力和风险水平。
我们直接比较企业账上的’活钱’和需要支付利息的’债务’。
st_borr)lt_borr)bond_payable)我们来检验一下贵州茅台的财务风险状况。
我们从现金流量表获取’期末现金’，从资产负债表获取三项有息负债。
df5 = pd.DataFrame()
for i in years:
df5 = df5.append(pro.cashflow(ts_code='600519.SH', period=i, fields='ts_code,c_cash_equ_end_period,end_date'), ignore_index=True)
df5 = df5.drop_duplicates(ignore_index=True)
df6 = pd.DataFrame()
for i in years:
df6 = df6.append(pro.balancesheet(ts_code='600519.SH', period=i, fields='ts_code,st_borr,lt_borr,bond_payable,end_date'), ignore_index=True)
df6 = df6.drop_duplicates(ignore_index=True)
df_3 = pd.concat([df5, df6[['st_borr', 'lt_borr', 'bond_payable']]], axis=1)
df_3 = df_3.fillna(0)
df_3['sum'] = df_3['st_borr'] + df_3['lt_borr'] + df_3['bond_payable']
df_3结果令人印象深刻：
通过可视化图表可以更清晰地看到这一点。
df_3['sum_mean'] = np.mean(df_3['sum'])
df_3['c_cash_equ_end_period_mean'] = np.mean(df_3['c_cash_equ_end_period'])
plt.figure(figsize=(10, 6))
plt.plot(years, df_3['c_cash_equ_end_period'],label='期末现金及现金等价物余额', marker='o')
plt.plot(years,df_3['c_cash_equ_end_period_mean'],linestyle='--',label = '期末现金余额均值')
plt.plot(years, df_3['sum'],label='有息负债总和', marker='x')
plt.plot(years,df_3['sum_mean'],linestyle='--',label = '有息负债均值')
plt.legend(loc = 'best')
plt.title('贵州茅台现金与有息负债对比 (2019-2023)', fontsize=16)
plt.ylabel('金额 (百亿)', fontsize=12)
plt.xlabel('年份', fontsize=12)
plt.grid(axis='y', linestyle='--', alpha=0.7)
plt.show()零售行业通常需要大量资金支持库存和扩张，我们来看苏宁易购的情况。
df5 = pd.DataFrame()
for i in years:
df5 = df5.append(pro.cashflow(ts_code='002024.SZ', period=i, fields='ts_code,c_cash_equ_end_period,end_date'), ignore_index=True)
df5 = df5.drop_duplicates(ignore_index=True)
df6 = pd.DataFrame()
for i in years:
df6 = df6.append(pro.balancesheet(ts_code='002024.SZ', period=i, fields='ts_code,st_borr,lt_borr,bond_payable,end_date'), ignore_index=True)
df6 = df6.drop_duplicates(ignore_index=True)
df_3 = pd.concat([df5, df6[['st_borr', 'lt_borr', 'bond_payable']]], axis=1)
df_3 = df_3.fillna(0)
df_3['sum'] = df_3['st_borr'] + df_3['lt_borr'] + df_3['bond_payable']
df_3['sum_mean'] = np.mean(df_3['sum'])
df_3['c_cash_equ_end_period_mean'] = np.mean(df_3['c_cash_equ_end_period'])
plt.figure(figsize=(10, 6))
plt.plot(years, df_3['c_cash_equ_end_period'],label='期末现金及现金等价物余额', marker='o')
plt.plot(years, df_3['sum'],label='有息负债总和', marker='o')
plt.legend(loc = 'best')
plt.title('苏宁易购现金与有息负债对比 (2019-2023)', fontsize=16)
plt.ylabel('金额', fontsize=12)
plt.xlabel('年份', fontsize=12)
plt.grid(axis='y', linestyle='--', alpha=0.7)
plt.show()自由现金流 (FCF) 是公司价值评估中最重要的概念之一，尤其是在使用贴现现金流（DCF）模型时。
通俗地讲，自由现金流就是企业在’养活自己’并为’未来发展’投入必要资金后，真正剩下的、可以自由支配的钱。
这些’自由的钱’可以用来：
它是企业为所有资本供应者（股东和债权人）创造的真实价值。
我们采用一个简化的实用公式： \[ \large{\text{FCF} = \text{经营活动现金流净额} - \text{投资活动现金流出}} \]
在Tushare字段中，对应为： FCF = n_cashflow_act - stot_out_inv_act
我们来计算贵州茅台的自由现金流。
我们需要从现金流量表中同时获取n_cashflow_act和stot_out_inv_act。
从计算结果看，贵州茅台每年的自由现金流都为非常可观的正数。
这说明其强大的经营现金流在覆盖了所有投资需求后仍有大量剩余。
将自由现金流的变化趋势绘制成图表。
df_fc['自由现金流_mean'] = np.mean(df_fc['自由现金流'])
plt.figure(figsize=(10, 6))
plt.plot(years, df_fc['自由现金流'],label='自由现金流', marker='o')
plt.plot(years,df_fc['自由现金流_mean'],linestyle='--',label = '自由现金流均值')
plt.legend(loc = 'upper left')
plt.title('贵州茅台自由现金流趋势图 (2019-2023)', fontsize=16)
plt.ylabel('金额 (百亿)', fontsize=12)
plt.xlabel('年份', fontsize=12)
plt.grid(axis='y', linestyle='--', alpha=0.7)
plt.show()重资产的零售企业，投资活动会消耗大量现金。我们来分析其自由现金流。
df_fc = pd.DataFrame()
for i in years:
df_fc = df_fc.append(pro.cashflow(ts_code='002024.SZ', period=i, fields='ts_code,n_cashflow_act,stot_out_inv_act,end_date'), ignore_index=True)
df_fc = df_fc.drop_duplicates()
df_fc['自由现金流'] = df_fc['n_cashflow_act'] - df_fc['stot_out_inv_act']
df_fc['自由现金流_mean'] = np.mean(df_fc['自由现金流'])
plt.figure(figsize=(10, 6))
plt.plot(years, df_fc['自由现金流'],label='自由现金流', marker='o')
plt.plot(years,df_fc['自由现金流_mean'],linestyle='--',label = '自由现金流均值')
plt.axhline(0, color='red', linestyle='--')
plt.legend(loc = 'upper left')
plt.title('苏宁易购自由现金流趋势图 (2019-2023)', fontsize=16)
plt.ylabel('金额', fontsize=12)
plt.xlabel('年份', fontsize=12)
plt.grid(axis='y', linestyle='--', alpha=0.7)
plt.show()现在，我们将进入一个更综合、更有趣的分析层面——为企业绘制’现金流画像’。
现金流量表由三部分构成：
这三项现金流的净额有正有负，它们的组合能够像一幅素描，勾勒出企业当前所处的发展阶段。
我们用 + 表示流入，- 表示流出，可以得到8种企业类型。
| 类型 | 经营 | 投资 | 筹资 | 解读 |
|---|---|---|---|---|
| 奶牛型 | + | - | - | 最佳：主业强劲，持续投资，并回报股东/还债 |
| 蛮牛型 | + | - | + | 成长型：主业良好，大规模投资，并外部融资支持扩张 |
| 老母鸡型 | + | + | - | 成熟型：主业稳定，变卖资产，并回报股东/还债 |
| 妖精型 | + | + | + | 需警惕：经营良好，但同时卖资产又融资，动机不明 |
| 赌徒型 | - | - | + | 极高风险：主业亏损，烧钱投资，依赖融资续命 |
| 骗吃骗喝型 | - | + | + | 危险：主业不振，靠卖资产和融资为生 |
| 混吃等死型 | - | + | - | 困境：主业不振，卖资产还债 |
| 大出血型 | - | - | - | 濒危：所有活动都在失血 |
+: 主营业务能创造大量现金。-: 用赚来的钱进行再投资，扩大生产。-: 有余力偿还债务或向股东分红。+: 主营业务良好。-: 大规模投资扩张。+: 经营现金流不足以支持庞大的投资，需要外部融资。我们来为贵州茅台绘制2019至2023年的年度现金流画像。
我们需要获取三项活动的现金流量净额。
df_profile = pd.DataFrame()
for i in years:
df_profile = df_profile.append(pro.cashflow(ts_code='600519.SH', period=i,fields='ts_code,n_cashflow_act,n_cash_flows_fnc_act,n_cashflow_inv_act,end_date'), ignore_index=True)
df_profile = df_profile.drop_duplicates(ignore_index=True)
df_profile = df_profile.rename(columns={'n_cashflow_act': '经营活动现金流', 'n_cashflow_inv_act': '投资活动现金流', 'n_cash_flows_fnc_act': '筹资活动现金流'})
df_profile从原始数据可以清晰看到：
经营活动现金流: 始终为正投资活动现金流: 始终为负筹资活动现金流: 始终为负我们通过代码自动判断每年的画像类型。
for num in range(len(df_profile)):
year_str = '20' + str(num + 19)
profile_str = ""
analysis_str = ""
if df_profile['经营活动现金流'][num] > 0:
if df_profile['投资活动现金流'][num] > 0 and df_profile['筹资活动现金流'][num] > 0:
profile_str = '妖精型 (+,+,+)'
analysis_str = '需警惕其融资和变卖资产的动机。'
elif df_profile['投资活动现金流'][num] > 0 and df_profile['筹资活动现金流'][num] < 0:
profile_str = '老母鸡型 (+,+,-)'
analysis_str = '成熟型企业，不再扩张，持续回报。'
elif df_profile['投资活动现金流'][num] < 0 and df_profile['筹资活动现金流'][num] > 0:
profile_str = '蛮牛型 (+,-,+)'
analysis_str = '高速扩张的成长型企业。'
elif df_profile['投资活动现金流'][num] < 0 and df_profile['筹资活动现金流'][num] < 0:
profile_str = '奶牛型 (+,-,-)'
analysis_str = '最优质的成长型企业，自我造血能力强。'
else:
profile_str = '经营现金流为负'
analysis_str = '主业造血能力不足，需要警惕。'
print(f"{year_str}年度: {profile_str} - {analysis_str}")我们再来看苏宁易购的画像，洞察其战略重点和财务状况。
df_profile_su = pd.DataFrame()
for i in years:
df_profile_su = df_profile_su.append(pro.cashflow(ts_code='002024.SZ', period=i, fields='ts_code,n_cashflow_act,n_cash_flows_fnc_act,n_cashflow_inv_act,end_date'), ignore_index=True)
df_profile_su = df_profile_su.drop_duplicates(ignore_index=True)
df_profile_su = df_profile_su.rename(columns={'n_cashflow_act': '经营活动现金流', 'n_cashflow_inv_act': '投资活动现金流', 'n_cash_flows_fnc_act': '筹资活动现金流'})
df_profile_sufor num in range(len(df_profile_su)):
year_str = '20' + str(num + 19)
profile_str = ""
analysis_str = ""
if df_profile_su['经营活动现金流'][num] > 0:
if df_profile_su['投资活动现金流'][num] > 0 and df_profile_su['筹资活动现金流'][num] > 0:
profile_str = '妖精型 (+,+,+)'
elif df_profile_su['投资活动现金流'][num] > 0 and df_profile_su['筹资活动现金流'][num] < 0:
profile_str = '老母鸡型 (+,+,-)'
elif df_profile_su['投资活动现金流'][num] < 0 and df_profile_su['筹资活动现金流'][num] > 0:
profile_str = '蛮牛型 (+,-,+)'
elif df_profile_su['投资活动现金流'][num] < 0 and df_profile_su['筹资活动现金流'][num] < 0:
profile_str = '奶牛型 (+,-,-)'
else:
if df_profile_su['投资活动现金流'][num] > 0 and df_profile_su['筹资活动现金流'][num] > 0:
profile_str = '骗吃骗喝型 (-,+,+)'
elif df_profile_su['投资活动现金流'][num] > 0 and df_profile_su['筹资活动现金流'][num] < 0:
profile_str = '混吃等死型 (-,+,-)'
elif df_profile_su['投资活动现金流'][num] < 0 and df_profile_su['筹资活动现金流'][num] > 0:
profile_str = '赌徒型 (-,-,+)'
elif df_profile_su['投资活动现金流'][num] < 0 and df_profile_su['筹资活动现金流'][num] < 0:
profile_str = '大出血型 (-,-,-)'
print(f"{year_str}年度: {profile_str}")苏宁易购的画像在不同类型间切换，且多次出现经营现金流为负的情况，反映了其经营的波动性和挑战。
对单个企业进行纵向分析固然重要，但横向对比才能真正评估其市场地位和竞争力。
其核心目的在于：
我们将综合运用前面学到的所有指标，对A股白酒行业的所有上市公司进行一次全面的横向对比分析。
首先，我们从Tushare获取所有A股上市公司名单，然后筛选出industry字段为’白酒’的公司。
接下来，我们循环遍历白酒公司列表，获取每家公司最新的财务数据，并计算我们需要的五个指标。
这是一个综合性的数据处理过程。
code_sheet1 = pro.stock_basic(exchange='SSE')
code_sheet2 = pro.stock_basic(exchange='SZSE')
code_sheet = pd.concat([code_sheet1, code_sheet2])
code_bj = code_sheet[code_sheet['industry'] == '白酒']
df1=pd.DataFrame()
df2=pd.DataFrame()
for i in range(len(code_bj)):
try:
df1 = df1.append(pro.cashflow(ts_code=code_bj.iloc[i]['ts_code'],period='20231231',fields='ts_code,n_cashflow_act,stot_out_inv_act,c_fr_sale_sg,c_cash_equ_end_period,end_date,n_cashflow_inv_act,n_cash_flows_fnc_act'),ignore_index=True)
df2 = df2.append(pro.income(ts_code=code_bj.iloc[i]['ts_code'],period='20231231',fields='ts_code,n_income,revenue,end_date'),ignore_index=True)
except:
continue
df1=df1.drop_duplicates(ignore_index=True)
df2=df2.drop_duplicates(ignore_index=True)
df=pd.concat([df1,df2[['n_income','revenue']]],axis=1)
merged_df = pd.merge(df, code_bj[['ts_code', 'name']], on='ts_code', how='left')
merged_df['ratio1'] = round(merged_df['n_cashflow_act']/merged_df['n_income'],2)
merged_df.replace([np.inf, -np.inf], np.nan, inplace=True)
merged_df.dropna(subset=['ratio1'], inplace=True)
plt.figure(figsize = (16,8))
plt.bar(merged_df['name'], merged_df['ratio1'])
plt.axhline(1.0, color='red', linestyle='--')
plt.xticks(rotation=45, ha='right')
plt.title('2023年白酒行业盈利质量 (NCFO/NI) 对比', fontsize=16)
plt.ylabel('比率值', fontsize=12)
plt.grid(axis='y', linestyle='--', alpha=0.7)
plt.show()大部分白酒公司的盈利质量都很好，比率普遍在1附近或以上。
merged_df['ratio2'] = round(merged_df['c_fr_sale_sg']/merged_df['revenue'],2)
merged_df.replace([np.inf, -np.inf], np.nan, inplace=True)
merged_df.dropna(subset=['ratio2'], inplace=True)
plt.figure(figsize = (16,8))
plt.bar(merged_df['name'], merged_df['ratio2'])
plt.axhline(1.0, color='red', linestyle='--')
plt.xticks(rotation=45, ha='right')
plt.title('2023年白酒行业收入质量 (销售收现/营收) 对比', fontsize=16)
plt.ylabel('比率值', fontsize=12)
plt.grid(axis='y', linestyle='--', alpha=0.7)
plt.show()白酒行业普遍具有强大的议价能力，多数公司的收入质量比率都大于1，体现了’先款后货’的商业模式。
merged_df['自由现金流']=merged_df['n_cashflow_act']-merged_df['stot_out_inv_act']
merged_df.dropna(subset=['自由现金流'], inplace=True)
merged_df_sorted = merged_df.sort_values('自由现金流', ascending=False)
plt.figure(figsize = (16,8))
plt.bar(merged_df_sorted['name'], merged_df_sorted['自由现金流'])
plt.xticks(rotation=45, ha='right')
plt.title('2023年白酒行业自由现金流对比', fontsize=16)
plt.ylabel('金额', fontsize=12)
plt.grid(axis='y', linestyle='--', alpha=0.7)
plt.show()行业龙头（贵州茅台、五粮液等）创造了绝大部分的自由现金流，马太效应明显。
df = merged_df.rename(columns={'n_cashflow_act': '经营活动现金流', 'n_cashflow_inv_act': '投资活动现金流', 'n_cash_flows_fnc_act': '筹资活动现金流'})
print('2023年白酒行业现金流画像:')
for comp in range(len(df)):
profile_str = '未知'
if df['经营活动现金流'][comp] > 0:
if df['投资活动现金流'][comp] < 0 and df['筹资活动现金流'][comp] < 0:
profile_str = '奶牛型 (+,-,-)'
elif df['投资活动现金流'][comp] < 0 and df['筹资活动现金流'][comp] > 0:
profile_str = '蛮牛型 (+,-,+)'
elif df['投资活动现金流'][comp] > 0 and df['筹资活动现金流'][comp] < 0:
profile_str = '老母鸡型 (+,+,-)'
elif df['投资活动现金流'][comp] > 0 and df['筹资活动现金流'][comp] > 0:
profile_str = '妖精型 (+,+,+)'
else:
profile_str = '经营现金流为负'
print(df['name'][comp] + ': ' + profile_str)大部分头部白酒企业都呈现出’奶牛型’或’老母鸡型’的优质画像。
我们回顾本章学习的五个核心分析工具：
利润是观点，现金是事实。
通过本章的学习，我们掌握了如何透过复杂的会计报表，抓住现金这条主线，去伪存真，看清一家企业的真实经营状况和内在价值。
Q & A