基本面数据:量化地读估值与财报

一、指数的估值体检:三行拿到 21 年市盈率

继续用对新手最友好的姿势——看指数整体(不挑个股,零荐股风险)。akshare 有现成接口:

import akshare as ak
import pandas as pd

pe = ak.stock_index_pe_lg(symbol="沪深300")
pe["日期"] = pd.to_datetime(pe["日期"])
pe = pe.set_index("日期").sort_index()

s = pe["滚动市盈率"].dropna()
print(s.tail(3))
print("历史区间:", round(s.min(), 2), "~", round(s.max(), 2))

2026-07 实测:数据从 2005-04-08 起共 5177 天,滚动市盈率最低 7.87、最高 50.77——同一个指数,市场曾经愿意出 50 倍的价,也曾只肯出 8 倍。估值不是常数,是情绪的体温。

二、灵魂一击:历史百分位

当前值和历史一比,「贵不贵」就有了坐标:

cur = s.iloc[-1]
pct = (s <= cur).mean()   # 历史上有多少时间比现在便宜
print(f"当前滚动PE:{cur:.2f},处于历史第 {pct*100:.1f} 百分位")

2026-07 实测输出:当前滚动 PE 13.64,处于历史第 64.6 百分位——过去 21 年里,约 65% 的时间比现在便宜、35% 的时间比现在贵。不算便宜,也谈不上狂热,就在中间偏上一点的位置。

你刚刚完成了一次专业机构日常在做的「估值定位」。注意我们的措辞:它是描述,不是操作指令——64.6% 这个数,既不是「该买」也不是「该卖」,它只是给你一双看清位置的眼睛。

三、公司的账本:财务摘要一把拉

个股层面(以 000001 为例,仅演示接口,不构成推荐),akshare 能直接拉出整张财务摘要:

ab = ak.stock_financial_abstract(symbol="000001")
print(ab.shape)                       # 实测 (80, 124):80项指标 × 各报告期
print(ab["指标"].head(8).tolist())    # 归母净利润/营业总收入/净资产…

row = ab[ab["指标"] == "归母净利润"].iloc[0]
print("最新报告期归母净利润:", round(float(row["20260331"]) / 1e8, 1), "亿元")

2026-07 实测:该公司 2026 一季报归母净利润 145.2 亿元;表里还有 ROE(净资产收益率)等 80 项指标——q0.3 说 AI 擅长「读财报」,而这里是财报的结构化原料,以后让大模型帮你读的,就是这些东西(q1.11 见)。

📌 免责:本课为技术科普,文中估值分位、财务数字均为公开数据实测,仅用于方法教学;不构成任何投资建议、估值判断或买卖依据;个股代码仅为接口演示;投资有风险,盈亏自负。