中文 | English

Financial-Factors

基于财报与行情数据的财务因子研究与计算笔记。本仓库以沪深 300 成分股为示例，包含从财报数据计算各类财务因子、因子增量/全量计算流程、以及因子脚本与测试框架的整理。

仓库内容

• 财报因子v1.ipynb ~ 财报因子v4.ipynb：财报因子计算的迭代版本，包含因子计算逻辑与注意事项。
• 财务因子v0.ipynb：早期版本的财务因子计算探索。
• 脚本因子代码测试框架.ipynb：因子脚本与测试用例的模板框架。
• Name-Table.ipynb：财务字段与字典说明整理。
• Financial Analysis Framework.png：财务分析框架示意图。
• 参考论文：The Journal of Finance - June 1992 - FAMA - The Cross‐Section of Expected Stock Returns.pdf、Do-investors-overvalue-firms-with-bloated-balance-sheets.pdf

主要特性

• 财报因子计算：从资产负债表、利润表、现金流等数据提取并计算常见财务因子。
• 增量与全量计算：财报因子v4.ipynb整合了增量计算模块与全量计算模块。
• 数据处理细节：处理季度累计值、公告日期、缺失值、对齐顺序等问题。
• 脚本化与测试：提供因子脚本与测试框架模板，便于扩展与验证。

环境依赖

该仓库主要以 Jupyter Notebook 形式组织，依赖常见的 Python 数据分析库与行情/财务数据接口，典型依赖包括：

• Python 3.x
• numpy、pandas
• statsmodels、matplotlib、seaborn
• cylib 与 xtdata（用于获取行情与财报数据的外部接口）

由于 cylib 与 xtdata 为外部数据接口，请根据本地数据环境自行安装与配置。

使用方式

1. 准备好可用的行情与财报数据接口（例如 xtdata）。
2. 选择目标 Notebook（推荐从 财报因子v4.ipynb 开始）。
3. 按 Notebook 内的参数说明设置 trade_date、start_date 等关键参数。
4. 运行 Notebook 进行因子计算或验证。

备注

• 多数 Notebook 以 HS300 为示例。
• 数据口径与字段含义参考 Name-Table.ipynb 及外部字典链接。

参考资料

• Fama, E. F., & French, K. R. (1992). The Cross-Section of Expected Stock Returns. The Journal of Finance, 47(2), 427–465.
• Hirshleifer, D., Hou, K., Teoh, S. H., & Zhang, Y. (2004). Do Investors Overvalue Firms with Bloated Balance Sheets? Journal of Accounting and Economics, 38, 297–331.