自己動手統計台積電金融數據
July 14th, 2022
金融數據 台積電 TSM 2330
適用對象
對象：投資者與研究者
工具：excel, python + pandas
excel：基本使用
python：必須有基本基礎
資料來源
本範例所有資料來源全部透過公開資料收集，透過整理處理過後無法100%確定完全無誤，所有的投資務必依照自己的風險與事實判斷，所有數據僅供參考使用。
數據說明
1. 交易數據：交易量以股為單位。
symbol,exchange,interval,datetime,open,high,low,close,volume,turnover,transaction,open_interest
2330,twse,d,2022-07-08 00:00:00,470.0,470.5,461.5,467.0,39134398,0,46039,0
2330,twse,d,2022-07-07 00:00:00,442.0,459.0,438.5,457.5,50984110,0,56227,0
2330,twse,d,2022-07-06 00:00:00,442.0,447.5,435.0,435.5,42156925,0,59018,0
2330,twse,d,2022-07-05 00:00:00,449.5,451.5,433.0,446.0,55469884,0,70715,0
2. 財務報表數據
將三大財務報表報整理成為一個總報表，在每季財務報表中，已經轉換成當季數據，可以個別判斷或統計各項數據。例如營業收入第三季財務數據是一到三季總和，將第三季數據減去第二季數據，就可以得到第三季實際營業收入數據。
quarter,營業收入,營業成本,營業毛利,營業費用,推銷費用,管理費用,研究發展費用,營業利益,營業外收入及支出,稅前淨利,淨利,合併淨利,毛利率,所得稅費用,合併淨利率,母公司淨利,非母公司淨利,每股盈餘,現金及約當現金,應付帳款,應收帳款,存貨,流動資產,資產總計,合約負債,流動負債,負債總計,資本公積,法定盈餘公積,特別盈餘公積,保留盈餘,普通股股本,股本,普通股數,權益總計,負債及權益總計,現金CF,營業活動,折舊費用,攤銷費用,合約負債增減,融資活動,已付股利,投資活動,廠房及設備投資活動,淨現金流,淨值,現金股利,datetime,start,end,year,ns
2012Q1,105614831000.0,55210347000.0,50404484000.0,14915291000.0,1100435000.0,4657004000.0,9157852000.0,35117313000.0,555741000.0,35673054000.0,33382936000.0,31080988000.0,0.4772481622396385,2290118000.0,0.2942862068301752,33491634000.0,-108698000.0,1.29,143472277000.0,10530487000.0,45830288000.0,24840582000.0,224392169000.0,779550815000.0,0,122074950000.0,149622170000.0,55471662000.0,102399995000.0,6433874000.0,320464327000.0,259162226000.0,259162226000.0,25916222600.0,629928645000.0,,170819939000.0,56101634000.0,27477221000.0,528186000.0,0,20596856000.0,0.0,-47757582000.0,-48570613000.0,27347662000.0,24.30634489919839,-0.0,2012-01-01,2012-01-01,2012-03-31,2012,1325347200000000000
2012Q2,128186331000.0,65579011000.0,62607320000.0,15538069000.0,1104741000.0,4364938000.0,10068390000.0,46872088000.0,-915157000.0,45956931000.0,41799616000.0,44248125000.0,0.4884087056052801,4157315000.0,0.3451859855478663,41843339000.0,-43723000.0,1.61,178440559000.0,14126994000.0,60610432000.0,30780466000.0,284584019000.0,890590164000.0,0,218355100000.0,262652910000.0,55596476000.0,115820123000.0,7606224000.0,318050632000.0,259207094000.0,259207094000.0,25920709400.0,627937254000.0,,178440559000.0,68667099000.0,31900131000.0,560700000.0,0,-4508096000.0,0.0,-57279337000.0,-59467478000.0,7620620000.0,24.22531128719803,-0.0,2012-04-01,2012-04-01,2012-06-30,2012,1333209600000000000
2012Q3,141499253000.0,72344501000.0,69154752000.0,16370354000.0,1234982000.0,4478517000.0,10656855000.0,52797978000.0,964363000.0,53762341000.0,49422294000.0,47121878000.0,0.488728742617461,4340047000.0,0.333018563709308,49379633000.0,42661000.0,1.9,138738113000.0,13773108000.0,64386937000.0,33249045000.0,249575097000.0,885771436000.0,0,125952667000.0,210684119000.0,55630425000.0,115820123000.0,7606224000.0,367430265000.0,259220476000.0,259220476000.0,25922047600.0,675087317000.0,,138738113000.0,75395863000.0,34124335000.0,553718000.0,0,-39313949000.0,-77748668000.0,-74510237000.0,-78333589000.0,-39702446000.0,26.04297806319899,2.999325871155333,2012-07-01,2012-07-01,2012-09-30,2012,1341072000000000000
產生各項統計數據
有了兩個重要數據接下來就來產生各種統計數據，大家可以透過 excel 統計出以下數據，但是這次我要採用 python 程式語言 + pandas 來協助統計數據，把 pandas 想像成程式語言世界的 excel， excel 裡面可以呈現出來的表格，在 pandas 都可以產生數據，更加複雜的技術指標透過 python + pandas 都可以完成。
pandas 入門課
匯入csv檔案
bardf = pd.read_csv("bars.csv")
bardf['datetime'] = pd.to_datetime(bardf['datetime']) # 轉換成日期格式
bardf.index = bardf['datetime'] # 設定index
print(bardf.head())
datetime, symbol, exchange, interval, datetime, open, high, low, close, volume....這些是列項目名稱，使用方法為 bardf['volume'] 或是 bardf.volume 。這就像在 excel 裡面選取 volume 裡面所有資料。第一個 datetime 就是 index，使用方法為 bardf.index。
symbol exchange interval datetime open high low close volume turnover transaction open_interest
datetime
2022-07-08 2330 twse d 2022-07-08 470.0 470.5 461.5 467.0 39134398 0.0 46039 0
2022-07-07 2330 twse d 2022-07-07 442.0 459.0 438.5 457.5 50984110 0.0 56227 0
2022-07-06 2330 twse d 2022-07-06 442.0 447.5 435.0 435.5 42156925 0.0 59018 0
2022-07-05 2330 twse d 2022-07-05 449.5 451.5 433.0 446.0 55469884 0.0 70715 0
2022-07-04 2330 twse d 2022-07-04 443.0 451.5 440.0 440.0 61206245 0.0 96760 0
各項指標
- 五日線5SMA, 月線20SMA, 季線60SMA
bardf['5sma'] = bardf['close'].rolling(window=5).mean()
bardf['20sma'] = bardf['close'].rolling(window=20).mean()
bardf['60sma'] = bardf['close'].rolling(window=60).mean()
- 每日漲跌幅
方法一
bardf['change'] = bardf['close'].pct_change() # pct_change() 計算每日變化比例
方法二
day = bardf['close'].shift(1) # 將收盤價往後移位一日, 就是前一日收盤價
bardf['change2'] = (day - bardf['close'])/day
# 檢查數據
v = (bardf['change'] == bardf['change2']) # 判斷兩列表格是否相等, 結果會產生 True,False 表格列
r = v[0:].all() # 表格列取出所有數據`[0:]`, 再用.all()判斷, 表格列要全部是 True 結果才會是 True
print(r)
參考資料
更多技術分析指標 pandas_ta
每季統計數據
findf = pd.read_csv("quarter.csv")
findf.index = findf['quarter']
sel = ['quarter','start','end', '營業收入','營業成本','營業毛利']
print(findf[sel].head())
因為資料有過多的欄位，不好閱讀挑選幾個想要顯示的欄位後，將它print出來
quarter start end 營業收入 營業成本 營業毛利
quarter
2012Q1 2012Q1 2012-01-01 2012-03-31 1.056148e+11 5.521035e+10 5.040448e+10
2012Q2 2012Q2 2012-04-01 2012-06-30 1.281863e+11 6.557901e+10 6.260732e+10
2012Q3 2012Q3 2012-07-01 2012-09-30 1.414993e+11 7.234450e+10 6.915475e+10
2012Q4 2012Q4 2012-10-01 2012-12-31 1.314448e+11 6.944924e+10 6.199558e+10
2013Q1 2013Q1 2013-01-01 2013-03-31 1.327550e+11 7.198873e+10 6.076627e+10
簡單的財報計算
營業毛利 GrossProfit
findf['營業毛利'] = findf['營業收入'] - findf['營業成本']
推銷管理費用 = 推銷費用 + 管理費用
營業費用 = 研究發展費用 + 推銷管理費用
findf['推銷管理費用'] = findf['推銷費用'] + findf['管理費用']
findf['營業費用'] = findf['研究發展費用'] + findf['推銷管理費用']
營業利益 = 營業收入 - 營業成本 - 營業費用
findf['營業利益'] = findf['營業收入'] - findf['營業成本'] - findf['營業費用']
近12月數據
每股盈餘 TTM
findf['每股盈餘_TTM'] = findf['每股盈餘'].rolling(window=4).sum()
股價本益比, 股價淨值比
# demo1.py
fin = findf.iloc[-1] # 取出最新一季報表
s = datetime(fin.start.year, fin.start.month, fin.start.day)
e = datetime(fin.end.year, fin.end.month, fin.end.day)
mark = (
(bardf.datetime >= s) &
(bardf.datetime <= e )
)
n = bardf[mark]
pe = n['open']/fin['每股盈餘_TTM']
pe_max = n['high']/fin['每股盈餘_TTM']
pe_min = n['low']/fin['每股盈餘_TTM']
pb = n['open']/fin['淨值']
pb_max = n['high']/fin['淨值']
pb_min = n['low']/fin['淨值']
print("季別", fin.quarter , "統計交易日", n.shape[0], s.strftime("%Y%m%d"), "~", e.strftime("%Y%m%d"))
print("本益比平均數", pe.mean(), "本益比最大值", pe_max.max(), "本益比最小值", pe_min.min())
print("淨值比平均數", pb.mean(), "淨值比最大值", pb_max.max(), "淨值比最小值", pb_min.min())
產生出來統計數據
季別 2022Q1 統計交易日 56 20220101 ~ 20220331
本益比平均數 24.32053009883199 本益比最大值 27.044025157232706 本益比最小值 21.816037735849058
淨值比平均數 6.911294833680723 淨值比最大值 7.685244959364204 淨值比最小值 6.199579872742927
基於以上的算式將它寫成一個 function 這樣就可以利用它算出每季的數據。
#demo2.py
def statistics_pepb(df, bardf):
"""
每天盈餘本益比統計
2. 每季3,6,9,12月
統計區間一
統計週期: 2022Q1
資料日期: 2022-01-01 ~ 2022-03-31
統計區間二
統計週期: 2022Q1
資料日期: 2022-04-01 ~ 2022-06-31
2022Q1 前四期eps總和算出 2022Q2 下季的本益比，
產生的數據會有較大的不準確性，當公司獲利成長轉衰退
時，等於用較高的eps來算出衰退時候的數據。
1. 年度
統計週期: 2021
資料日期: 2021-01-01 ~ 2021-12-31
用 2021 EPS 計算 2021 本益比
計算出來的數據不連貫, 跨年的時候數據變化過大
"""
for idx, row in df.iterrows():
dps = '現金股利'
eps = '每股盈餘_TTM'
book = '淨值'
month = 1
s = datetime(row.start.year, row.start.month, row.start.day)
e = datetime(row.end.year, row.end.month, row.end.day)
mark = (
(bardf.datetime >= s) &
(bardf.datetime <= e )
)
n = bardf[mark]
count = n.shape[0]
if count == 0:
continue
# 股價變化
_o = n.open.iloc[0]
_h = n.high.max()
_l = n.low.min()
_c = n.close.iloc[-1]
# 本益比淨值比
_pe = n.close/row[eps]
_pe_max = n.high/row[eps]
_pe_min = n.low/row[eps]
_pb = n.close/row[book]
_pb_max = n.high/row[book]
_pb_min = n.low/row[book]
_pe = _pe[_pe>0]
sel = df.start == s
df.loc[sel, '本益比平均數'] = _pe.mean()
df.loc[sel, '本益比最大值'] = _pe_max.max()
df.loc[sel, '本益比最小值'] = _pe_min.min()
df.loc[sel, '淨值比平均數'] = _pb.mean()
df.loc[sel, '淨值比最大值'] = _pb_max.max()
df.loc[sel, '淨值比最小值'] = _pb_min.min()
df.loc[sel, 'open'] = _o
df.loc[sel, 'high'] = _h
df.loc[sel, 'low'] = _l
df.loc[sel, 'close'] = _c
statistics_pepb(findf, bardf)
print(findf[['本益比平均數', '本益比最小值', '淨值比平均數', 'high', 'low']].head(12))
以下就是透過上列 function 計算產生的台積電每季的數據
本益比最小值 本益比平均數 淨值比平均數 high low
quarter
2012Q1 NaN NaN 3.26 86.50 74.60
2012Q2 NaN NaN 3.41 89.80 76.10
2012Q3 NaN NaN 3.14 89.80 73.80
2012Q4 13.16 14.35 3.30 99.40 84.50
2013Q1 14.58 15.32 3.44 109.50 97.10
2013Q2 13.83 15.21 3.73 116.50 97.50
2013Q3 12.99 14.25 3.28 110.00 92.90
2013Q4 13.77 14.48 3.22 111.50 100.00
2014Q1 13.26 14.31 3.31 118.50 100.50
2014Q2 14.72 15.43 3.59 127.00 116.00
2014Q3 13.49 14.22 3.40 138.00 119.00
2014Q4 11.59 13.02 3.28 142.00 118.00
2015Q1 11.42 12.69 3.33 155.00 130.00
2015Q2 11.37 11.94 3.53 153.50 138.00
2015Q3 9.29 10.83 2.95 142.50 112.50
2015Q4 10.96 11.81 2.96 145.00 129.50
2016Q1 11.58 13.07 2.98 163.00 130.50
2016Q2 12.99 14.16 3.38 166.00 143.00
2016Q3 13.57 14.82 3.54 187.50 160.50
2016Q4 13.81 14.33 3.45 193.00 178.00
2017Q1 13.00 13.55 3.32 195.00 179.00
2017Q2 13.78 14.97 3.91 218.50 186.50
2017Q3 15.49 16.18 3.89 223.00 205.50
2017Q4 16.52 17.69 3.99 245.00 218.50
2018Q1 17.17 18.58 3.99 266.00 228.50
2018Q2 15.51 16.93 3.99 249.00 210.00
2018Q3 15.77 18.06 4.02 268.00 213.00
2018Q4 15.81 16.97 3.55 264.00 214.00
2019Q1 16.59 18.44 3.42 248.50 206.50
2019Q2 18.56 20.22 4.13 270.00 227.00
2019Q3 18.91 20.17 4.18 272.50 240.00
2019Q4 20.50 23.15 4.93 345.00 273.00
2020Q1 15.23 20.23 4.84 346.00 235.50
2020Q2 15.38 17.04 4.51 327.00 270.00
2020Q3 16.57 21.69 5.96 466.50 314.00
2020Q4 21.43 23.99 6.71 530.00 428.00
2021Q1 25.32 29.13 8.11 679.00 528.00
2021Q2 24.24 27.70 7.70 619.00 518.00
2021Q3 24.93 26.85 7.40 638.00 551.00
2021Q4 24.34 26.01 7.15 623.00 560.00
2022Q1 21.82 24.32 6.91 688.00 555.00
接下來我們將數據轉換成圖示，plotting.plots 這個 function 目的要簡化產生圖表流程，將 bar dataframe 和圖表 dataframe 帶入就可以產生圖表。
#demo3.py
#執行後開啟demo3.html
charts = []
s = round(findf['本益比最大值']*findf['每股盈餘_TTM'],1)
s.name = 'value'
c = pd.DataFrame(s)
c['chart'] = 'line' # line or bar
c['label'] = 'Max' # label
c['isOverlap'] = True # 是否重疊在股價的圖表上
c['overlap'] = 'main' # 重疊的圖表名稱, 內定值為`main`
c['showPoint'] = False # 是否顯示y軸上數值
charts.append(c)
s = round(findf['本益比最小值']*findf['每股盈餘_TTM'],1)
s.name = 'value'
c = pd.DataFrame(s)
c['chart'] = 'line'
c['label'] = 'Min'
c['isOverlap'] = True
c['overlap'] = 'main'
c['showPoint'] = False
charts.append(c)
s = round(findf['每股盈餘_TTM'],2)
s.name = 'value'
c = pd.DataFrame(s)
c['chart'] = 'bar'
c['label'] = 'EPS TTM'
c['isOverlap'] = False
c['overlap'] = ''
c['showPoint'] = False
charts.append(c)
chart = plotting.plots(findf, charts)
chart.render('demo3.html')
每月統計數據
統計每月數據跟每季數據的流程有些不一樣，每季統計數據是採用當季財務報表數據，去選取當季的交易數據，最後匯入當季財報數據中。
至於每月統計數據由每日交易數據與財務報表數據來產生每日本益比，第二步將每日數據轉成每月數據，最後再用統計週期數據與每日交易數據，依照統計週期算出本益比。
一、bar + 財務報表 => 計算本益比 => 將資料寫入 bar
def statistics_bar(bardf, findf , statistics_type=1):
"""
bar + 財務報表 => 計算本益比 => 將資料寫入 bar
每天盈餘本益比統計
2. 每季3,6,9,12月
統計區間一
統計週期: 2022Q1
資料日期: 2022-01-01 ~ 2022-03-31
統計區間二
統計週期: 2022Q1
資料日期: 2022-04-01 ~ 2022-06-31
2022Q1 前四期eps總和算出 2022Q2 下季的本益比，
產生的數據會有較大的不準確性，當公司獲利成長轉衰退
時，等於用較高的eps來算出衰退時候的數據。
1. 年度
統計週期: 2021
資料日期: 2021-01-01 ~ 2021-12-31
用 2021 EPS 計算 2021 本益比
計算出來的數據不連貫, 跨年的時候數據變化過大
"""
for idx, row in findf.iterrows():
dps = '現金股利'
eps = '每股盈餘_TTM'
book = '淨值'
if np.isnan(row[eps]):
continue
#
year = row.datetime.year
month = row.datetime.month
# day= 10
quarter = 3
sdt = datetime(year, month, 1)
if month+quarter > 12:
month = 1
year=year+1
else:
month+=quarter
edt = datetime(year, month, 1)
if statistics_type == 2:
sdt = datetime(year, month, 1)
if month+quarter > 12:
month = 1
year = year+1
else:
month+=quarter
edt = datetime(year, month, 1)
mark = (
(bardf['datetime'] >= sdt) &
(bardf['datetime'] < edt )
)
n = bardf[mark]
count = n.shape[0]
if count == 0:
continue
_pe = n.close/row[eps]
_pe_max = n.high/row[eps]
_pe_min = n.low/row[eps]
_pb = n.close/row[book]
_pb_max = n.high/row[book]
_pb_min = n.low/row[book]
_yield = n.close/row[dps]
_pe = _pe[_pe>0]
# bardf.loc[_yield.index, '殖利率'] = _yield
bardf.loc[_pb.index, '淨值比'] = _pb
bardf.loc[_pb.index, '淨值比最大值'] = _pb_max
bardf.loc[_pb.index, '淨值比最小值'] = _pb_min
bardf.loc[_pb.index, '淨值'] = row[book]
bardf.loc[n.index, '每股盈餘_TTM'] = row[eps]
if _pe.shape[0] == 0:
bardf.loc[n.index, '本益比'] = np.nan
bardf.loc[n.index, '本益比最大值'] = np.nan
bardf.loc[n.index, '本益比最小值'] = np.nan
else:
bardf.loc[_pe.index, '本益比'] = _pe
bardf.loc[_pe.index, '本益比最大值'] = _pe_max
bardf.loc[_pe.index, '本益比最小值'] = _pe_min
二、 bar => 轉換 => 每月統計數據
def get_period(bar, period="1W"):
# bar => 轉換 => 每月統計數據
# period = 1W週/1M月/1Q季統計
bar = bar.sort_index()
s = bar.datetime.iloc[0]
e = bar.datetime.iloc[-1]
year = e.year
month = e.month+1
if e.month+1>12:
year+=1
month=1
e = datetime(year, month, 1)
drs = pd.date_range(f'{s.year}-{s.month}-1',f'{e.year}-{e.month}-{e.day}', freq=period)
o = pd.DataFrame()
for dt in drs.tolist():
if period == '1W':
s = datetime(dt.year, dt.month, dt.day) - timedelta(days=6)
e = datetime(dt.year, dt.month, dt.day)
elif period == '1M':
s = datetime(dt.year, dt.month, 1)
e = datetime(dt.year, dt.month, dt.day)
mark = (bar.datetime >= s) & (bar.datetime <= e )
n = bar[mark]
if n.shape[0] == 0:
continue
data = {
'datetime': s,
'start': s,
'end': e,
'price': n.close.mean(),
'open': n.open.iloc[0],
'high': n.high.max(),
'low': n.low.min(),
'close': n.close.iloc[-1],
'volume': n.volume.sum(),
'每股盈餘_TTM': n['每股盈餘_TTM'].iloc[-1]
}
t = pd.DataFrame([data])
o = o.append(t)
o.index = o.start
return o
三、統計數據 + 每日數據(bar) => 時間週期計算數據 => 統計數據結果
def statisitics_period(statdf, bardf, period="1W"):
# 統計數據 + 每日數據(bar) => 時間週期計算數據 => 統計數據結果
# period=1W週/1M月/1Q季統計
s = statdf.datetime.iloc[0]
e = statdf.datetime.iloc[-1]
tdf = pd.date_range(f'{s.year}-{s.month}-1',f'{e.year}-{e.month}-1', freq=period)
o = pd.DataFrame()
for dt in tdf.tolist():
if period == '1W':
s = datetime(dt.year, dt.month, dt.day) - timedelta(days=6)
e = datetime(dt.year, dt.month, dt.day)
elif period == '1M':
s = datetime(dt.year, dt.month, 1)
e = datetime(dt.year, dt.month, dt.day)
elif period == '1Q':
s = datetime(dt.year, dt.month-2, 1)
e = datetime(dt.year, dt.month, dt.day)
mark = (statdf.datetime >= s) & (statdf.datetime <= e)
n = statdf[mark]
if n.shape[0] == 0:
continue
mark = (bardf.datetime >= s) & (bardf.datetime <= e)
_bardf = bardf[mark]
if _bardf.shape[0] == 0:
continue
barrow = _bardf.iloc[-1]
# 本益比淨值比
_pe = _bardf.close/barrow['每股盈餘_TTM']
_pe_max = _bardf.high/barrow['每股盈餘_TTM']
_pe_min = _bardf.low/barrow['每股盈餘_TTM']
_pb = _bardf.close/barrow['淨值']
_pb_max = _bardf.high/barrow['淨值']
_pb_min = _bardf.low/barrow['淨值']
_pe = _pe[_pe>0]
# 統計數據結果
sel = (statdf.start >= s) & (statdf.start <= e)
statdf.loc[sel, '本益比平均數'] = _pe.mean()
statdf.loc[sel, '本益比最大值'] = _pe_max.max()
statdf.loc[sel, '本益比最小值'] = _pe_min.min()
statdf.loc[sel, '淨值比平均數'] = _pb.mean()
statdf.loc[sel, '淨值比最大值'] = _pb_max.max()
statdf.loc[sel, '淨值比最小值'] = _pb_min.min()
return statdf
在demo4.py範例中採用季區間，最後就會看到下圖
當我看到這張圖表時，感覺好像河流圖，河流圖也是用月做統計，馬上把財報狗的河流圖拿來比對。
台積電本益比幾倍才合理？
統計本益比的合理倍數，想到了採用年平均或是n年平均值或者是每日平均值等等，想到的公式非常的多，先用每日平均值來統計，並且也把每股盈餘加入比較，也算算YoY等數據，要算最近12個月的每股盈餘，把進四季的盈餘加總，這是毫無疑問的答案，但是要算 YoY 就有兩種，第一種跟上一季的近12月比較，或是跟同季前一年度近12月比較。
# demo5.py
# 每季YoY數據
sel = ['每股盈餘_TTM','每股盈餘_TTM_YoY', '本益比平均數_TTM', '本益比平均數_TTM_YoY','每股盈餘_AVG_3YEAR','每股盈餘_AVG_5YEAR']
cols = ['每股盈餘','__YoY__','本益比平均數','__YoY__','每股盈餘 AVG 3YEAR','5YEAR']
qdf['每股盈餘_TTM_YoY'] = qdf['每股盈餘_TTM'].pct_change()
qdf['本益比平均數_TTM'] = qdf['本益比平均數'].rolling(window=4).mean()
qdf['本益比平均數_TTM_YoY'] = qdf['本益比平均數_TTM'].pct_change()
n = qdf[sel]
n['每股盈餘_TTM_YoY'] = n['每股盈餘_TTM_YoY']*100
n['本益比平均數_TTM_YoY'] = n['本益比平均數_TTM_YoY']*100
n.columns = cols
count = n.shape[0]
print(n[count-21:count])
# 前12月YoY數據
qdf['每股盈餘_TTM_YoY'] = (qdf['每股盈餘_TTM']-qdf['每股盈餘_TTM'].shift(4))/qdf['每股盈餘_TTM'].shift(4)
qdf['本益比平均數_TTM'] = qdf['本益比平均數'].rolling(window=4).mean()
qdf['本益比平均數_TTM_YoY'] = qdf['本益比平均數_TTM'].pct_change()
sel = ['每股盈餘_TTM','每股盈餘_TTM_YoY', '本益比平均數_TTM', '本益比平均數_TTM_YoY']
mark = (qdf.Q == qdf.Q.iloc[-1])
n = qdf[mark][sel]
n['每股盈餘_TTM_YoY'] = n['每股盈餘_TTM_YoY']*100
n['本益比平均數_TTM_YoY'] = n['本益比平均數_TTM_YoY']*100
n.columns = ['每股盈餘','__YoY__','本益比平均數','__YoY__']
count = n.shape[0]
print(n[count-6:count])
上半部是用季YoY，下半部前一個季度YoY
欄位說明
EPS:AVG 3YEAR= EPS平均值（三年）
5YEAR = EPS平均值（五年）
__TTM = EPS平均值（近四季）
__YoY = EPS每季YoY/前12月YoY
PE:最小值 = 本益比最小值（季度）
AVG TTM = 本益比平均值（近四季）
__YoY = 本益比每季YoY/前12月YoY
EPS:AVG 3YEAR 5YEAR __TTM __YoY PE:最小值 AVG TTM __YoY
quarter
2017Q1 12.14 10.13 13.77 6.83 13.00 14.22 0.86
2017Q2 12.23 10.32 13.53 -1.74 13.78 14.42 1.42
2017Q3 12.40 10.64 13.27 -1.92 15.49 14.76 2.37
2017Q4 12.65 11.08 13.23 -0.30 16.52 15.60 5.70
2018Q1 12.78 11.46 13.31 0.60 17.17 16.86 8.06
2018Q2 12.69 11.62 13.54 1.73 15.51 17.35 2.90
2018Q3 12.87 11.91 13.51 -0.22 15.77 17.82 2.71
2018Q4 13.22 12.33 13.54 0.22 15.81 17.64 -1.01
2019Q1 13.18 12.44 12.45 -8.05 16.59 17.60 -0.20
2019Q2 13.10 12.49 12.23 -1.77 18.56 18.42 4.68
2019Q3 13.16 12.68 12.69 3.76 18.91 18.95 2.86
2019Q4 13.36 12.96 13.32 4.96 20.50 20.49 8.15
2020Q1 13.74 13.25 15.46 16.07 15.23 20.94 2.18
2020Q2 14.44 13.57 17.55 13.52 15.38 20.15 -3.79
2020Q3 15.05 14.05 18.95 7.98 16.57 20.53 1.89
2020Q4 15.61 14.59 19.97 5.38 21.43 20.74 1.03
2021Q1 16.25 15.17 20.85 4.41 25.32 22.96 10.73
2021Q2 17.05 15.64 21.37 2.49 24.24 25.63 11.60
2021Q3 17.91 16.10 22.10 3.42 24.93 26.92 5.04
2021Q4 18.77 16.61 23.01 4.12 24.34 27.42 1.88
2022Q1 20.58 17.50 25.44 10.56 NaN NaN 0.00
EPS:AVG 3YEAR 5YEAR __TTM __YoY PE:最小值 AVG TTM __YoY
quarter
2017Q1 12.14 10.13 13.77 22.18 13.00 14.22 19.34
2018Q1 12.78 11.46 13.31 -3.34 17.17 16.86 18.59
2019Q1 13.18 12.44 12.45 -6.46 16.59 17.60 4.41
2020Q1 13.74 13.25 15.46 24.18 15.23 20.94 18.97
2021Q1 16.25 15.17 20.85 34.86 25.32 22.96 9.66
2022Q1 20.58 17.50 25.44 22.01 NaN NaN NaN
至於要如何估算出合理的本益比，本益比平均數是採用每天收盤價除近12個月每股盈餘總和算出本益比的平均值，假如用最高價與最低價來當分子，算出來的數值跟收盤價相差不多，所以每日本益比平均數就採用收盤價計算即可。這有一個小盲點，以台積電來看當行情好的時候，因為一季約60交易日，本益比平均數會變得比較小，反之空頭的時候在 2020Q1 近四季本益比平均值 20.94，最小值 15.23，也無法看到極端情況下的本益比數值。
2020Q1 15.23 20.23 # 最小值, 每日平均(當季)
2020Q1 15.23 20.94 # 最小值, 每日平均(近四季)
依照目前每季數據來看，要再統計出不同的本益比數據也是太多種，但是哪一種比較有參考性質呢？
**
統計本益比倍數次數**
這時候想到了換另一個方式來取本益比，我將每日收盤價的本益比無條件捨取法，只取整數倍數，最後統計哪一個倍數是最多交易日
# demo6.py
bardf['PE'] = [ math.floor(v) if str(v) != 'nan' else 'nan' for v in bardf['本益比'].tolist()]
operations = {'PE':'count'}
t = bardf.groupby('PE').agg(operations)
t.columns = ['days']
t = t.drop('nan', axis=0)
t = t.reset_index()
print(t)
PE days
0 9 2
1 10 35
2 11 124
3 12 119
4 13 255
5 14 369
6 15 267
7 16 205
8 17 135
9 18 116
10 19 110
11 20 74
12 21 59
13 22 85
14 23 48
15 24 37
16 25 69
17 26 94
18 27 46
19 28 50
20 29 13
21 30 8
22 31 5
23 32 1
2012Q3到2022Q1，市場給出的13-16約較合理，最極端的情況下32倍只有一個交易日，買到32倍遇到估值修正，回檔的幅度就會非常的大，大幅度的回檔心理承受的壓力可不小。這個數據結果比較簡單明瞭這是個不錯的統計方式。
常用名詞
TTM 近12個月數據
程式碼與數據
本篇著重在數據的產生方式，相關數據與程式碼都公開在 github，只要準備相同的數據就可以產生統計結果。
範例下傳:https://github.com/6u3m/statistics-2330/archive/refs/tags/1.zip
必要數據
每日交易:日期,開盤,最高價,最低價,收盤價 (bar.csv)
財務報表:每季EPS (quarter.csv)
後記
本篇的起源是要透過數據找出就合理的本益比，嘗試著想像本益比河流圖是用了哪些數據產生出來的，當用使用月統計出數據繪出圖表時，發現它其實就是月線加上本益比，而本益比倍數該如何取得，這來來回回有太多種可能信，最後想到用每日交易的本益比還估算，對我來說這是一個簡單又方便的統計數據。
下一篇介紹對於統計出來後的數據，用什麼角度觀察數據。
2022-07-15 by 6u3m
Subscribe to 6u3m
Receive the latest updates directly to your inbox.
Verification
This entry has been permanently stored onchain and signed by its creator.
Arweave Transaction
LgatYacwn9IcEjS…hG2YDnslsHXWUas
Author Address
0xeFb9cf19e57aad8…84Ed95797aef11e
Content Digest
3Hl9LWAK6DXu3AE…wQtkic8h_M4Hsho