使用Python和Streamlit进行股票基本面分析

[QPY课程团队]

使用Python和Streamlit进行股票基本面分析

在当今动态的股市中，进行全面的基本面分析可以为投资者提供竞争优势。本文将探讨如何利用Python、Streamlit以及自定义模块如YFinance3来构建一个自动化的股票基本面分析工具。我们将逐步解析代码，并强调每个部分如何促进高效的股票数据收集和处理。

---

项目的关键特性

• 从CSV文件加载和处理多个股票代码。
• 使用自定义YFinance3模块获取每只股票的基本数据。
• 将股票数据保存和加载为JSON文件，以便重复使用。
• 执行关键财务指标计算。
• 展示清晰且结构化的数据洞察。

---

项目结构

.
├── Data/
│   ├── Datasets/
│   └── sources/
│       └── Index/
│           └── StockList.csv
└── main.py

---

逐步代码解析

1. 目录和文件初始化

DATA_PATH = './Data/Datasets'
CSV_BASE_PATH = './Data/sources/Index/'

这些路径定义了存储股票符号的CSV文件的位置以及处理后数据的保存位置。

---

2. 处理CSV输入

if not os.path.exists(CSV_BASE_PATH):


st.error(f"目录未找到: {CSV_BASE_PATH}")
else:
    csv_files = [file for file in os.listdir(CSV_BASE_PATH) if file.endswith('.csv')]
    selected_csv = st.selectbox("选择一个CSV文件:", csv_files)

这个代码片段检查目录是否存在，并用可用的CSV文件填充下拉菜单。用户可以选择包含股票符号的文件。

---

3. 数据下载与存储

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:

在这段代码中，首先定义了一个文件名 `file_name`，它通过 `os.path.join` 函数将文件夹路径 `folder_path` 和一个格式化的字符串组合在一起，形成一个以 `.json` 结尾的文件名。如果该文件名已经存在于指定路径中，则 `existing_files` 的计数会增加 1，并继续执行下一个循环。
接下来，代码尝试使用 `YFinance3` 类获取与 `symbol` 相关的数据，并打开之前定义的 `file_name` 文件以写入模式。如果文件成功打开，将会在文件中写入数据。

json.dump(data.info, file)
new_downloads += 1
except Exception as e:
    st.error(f"处理错误 {symbol}: {e}")

这段代码遍历股票符号，使用 YFinance3 模块下载数据，并以 JSON 格式保存。它跟踪现有文件、新下载和错误，以便进行状态报告。


4. 数据加载与处理



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：

• 每股收益（前瞻性）
• 市净率（PB）
• 自由现金流收益率（FCFY）
• 52周范围

提取的数据被附加到一个结构化的字典中。

---

5. 数据框创建和 NaN 处理

df = pd.DataFrame(data)
df_exceptions = df[df.isna().any(axis=1)]

df = df.dropna().reset_index(drop=True)

该代码从提取的数据创建一个 pandas DataFrame，删除缺失值的行，同时记录异常以供用户审核。

---

6. 计算52周范围

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周交易区间内的位置。

---

7. 显示和保存处理后的数据

st.write("### 处理后的数据", df)
output_file = os.path.join(folder_path, 'processed_data.csv')


df.to_csv(output_file, index=False)
st.success(f"处理后的数据已保存至 {output_file}")

清理和处理后的数据在Streamlit中显示，并保存为CSV文件以供将来参考。

---

示例输出

股票代码	名称	行业	价格	每股收益（前瞻）	市净率	未来现金流收益率	净资产收益率
AAPL	苹果公司	科技	170.3	6.55	9.8	2.3%	42%
MSFT	微软公司	科技	310.0	8.20	7.2	3.1%	40%

---

潜在增强功能

• 股票筛选： 根据关键指标如净资产收益率和市盈增长比率实现筛选。
• 数据可视化： 绘制关键指标的历史趋势图。
• 策略回测： 使用基本数据作为回测股票策略的输入。
• 实时更新： 自动化每日新财务数据的更新。

---

结论

本项目提供了一种强大而简洁的基本面股票分析方法，使用Python和Streamlit。它自动化了数据收集、处理和展示，帮助用户做出更明智的投资决策。

---

如果您希望增强博客的任何部分或向代码添加新功能，请告诉我！

[作者]

帖子