结构化分析技能：Excel、Power BI、Python 基础 📈练习：分析 3 家你熟悉的上市公司（行业逻辑 +

技能：Excel、Power BI、Python 基础 📈练习：分析 3 家你熟悉的上市公司（行业逻辑 + 财报结构）

ChatGPT said:

Thought for 7s

好 — 我来给你做一个可直接上手的练习计划与示例分析，适合你当前的技能组合（Excel、Power BI、Python 基础）。我选 三家公司：Apple (科技硬件与服务) 、农夫山泉（消费饮料） 、Toyota / 丰田（汽车制造） 。每家公司会给出：

行业逻辑（能驱动业绩的核心因素）
财报结构要点（在哪份报表看什么、关键科目）
必做的 KPI / 比率（Excel 可直接算）
在 Power BI 的可视化想法
用 Python 的快速分析脚本样例（pandas）
练习任务（可复制到课程或作业里）

我会把步骤写成可复制执行的清单 —— 你可以用 Excel 做数据抓取/建表、用 Power BI 做展示、用 Python 做自动化计算与图表。

1) Apple — 行业逻辑 + 财务重点

行业逻辑（核心驱动）

iPhone/硬件销量周期、替换周期与新品发布窗口。
Services（App Store、订阅、iCloud）带来高毛利、粘性收入与较长期增长。
汇率、供应链（芯片/零部件）与库存管理影响短期利润。
回购与分红对每股指标影响显著。

财报结构要看

损益表（Revenue 按产品/服务分项、毛利率、Operating income、R&D 与 SG&A）
资产负债表（库存、应收、现金与短期投资、长期债务）
现金流量表（经营现金流、资本支出、回购与分红）

关键 KPI / 比率（Excel 公式）

毛利率 = Gross Profit / Revenue
营业利润率 = Operating Income / Revenue
自由现金流 = Operating Cash Flow - Capital Expenditure
EPS = Net Income / Weighted Avg Shares（关注回购导致的摊薄/稀释变化）
营收同比增长、服务营收占比（Services / Total Revenue）
现金与短期投资 / 流动负债（短期偿债能力）

Power BI Dashboard 建议

时间序列：总营收、分产品营收（硬件 vs 服务）、毛利率
饼图/条形：收入构成（Services vs Hardware）
指标卡：TTM 自由现金流、TTM EPS、净债务
交互切片器：按地区（美洲、欧洲、亚太）或按季度筛选

Python 快速脚本（pandas 样例）

import pandas as pd

# 假设你已把年/季报表导成 CSV: income.csv, bs.csv, cf.csv
inc = pd.read_csv('income.csv', parse_dates=['date']).set_index('date')
bs = pd.read_csv('bs.csv', parse_dates=['date']).set_index('date')
cf = pd.read_csv('cf.csv', parse_dates=['date']).set_index('date')

inc['gross_margin'] = inc['gross_profit'] / inc['revenue']
inc['op_margin'] = inc['operating_income'] / inc['revenue']
cf['free_cash_flow'] = cf['operating_cash_flow'] - cf['capex']

print(inc[['revenue','gross_margin','op_margin']].tail())
print(cf['free_cash_flow'].tail())

练习任务（示例）

在 Excel 中按季度抓取过去 8 季度的分项营收，绘制“硬件 vs 服务”趋势。
用 Python 计算过去 12 个月（TTM）自由现金流并画图。
用 Power BI 做一个包含 KPI 卡与营收构成的交互仪表盘。

2) 农夫山泉（消费快消：瓶装水、茶饮料等）

行业逻辑（核心驱动）

渠道覆盖（商超、便利店、电商）与 SKU 管理决定销量与毛利。
低端/高端产品线的价格弹性与促销策略（节假日、季节性）。
原材料（包装、塑料、运输）与物流成本对毛利影响大。
品牌力与渠道谈判能力决定终端毛利与上游议价权。

财报结构要看

损益表（营收分渠道/分产品的增长、毛利率、促销费用）
资产负债表（应收/应付、存货周转）
现金流（经营现金流，因行业常需大量营运资金）

关键 KPI / 比率

毛利率、营业利润率
存货周转 = 销售成本 / 平均存货（天数：365 / 周转率）
应收账款周转、应付账款周转（关注营运资金需求）
单位渠道毛利（若数据可得）
营销费用占比（销售与分销费用 / 营收）

Power BI Dashboard 建议

渠道趋势图（商超/电商/便利店按月营收）
季节性热力图（按月份显示销量/营收）
存货与应收应付的时间序列与周转率卡片

Excel 小技巧（实用公式）

季度同比：=(ThisQuarter - SameQuarterLastYear)/ABS(SameQuarterLastYear)
存货天数 = 平均存货 / 销售成本 * 365
季度滚动 TTM = SUM(last 4 quarters)

Python 示例（计算周转）

bs = pd.read_csv('bs.csv', parse_dates=['date']).set_index('date')
inc = pd.read_csv('income.csv', parse_dates=['date']).set_index('date')

# 假设 income.csv 有 'cogs'（销售成本）
avg_inventory = (bs['inventory'] + bs['inventory'].shift(1)) / 2
inventory_turn = inc['cogs'] / avg_inventory
days_inventory = 365 / inventory_turn

print(days_inventory.tail())

练习任务（示例）

在 Excel 中计算过去 8 个季度的存货天数、应收账款天数、现金转换周期（CCC），并解释变化（增长/缩短说明什么）。
用 Power BI 制作“渠道 + 季节性”分析页，找出淡旺季与促销月份的影响。
用 Python 自动计算周转率并导出 CSV 给 BI 使用。

3) Toyota / 丰田（汽车制造）

行业逻辑（核心驱动）

车型更新周期、产能利用率（厂线开工率）、供应链（半导体）影响出货量。
新能源/混合动力/电动车战略会改变长期 CAPEX 与毛利结构。
全球市场（日本、北美、欧洲、中国）表现差异显著，汇率影响大。
金融业务（汽车金融）是重要的盈利补充。

财报结构要看

损益表（汽车销售额、金融服务收入、制造利润）
资产负债表（长期借款、固定资产、应收/应付）
现金流（CAPEX 高度敏感，融资活动反映负债结构）

关键 KPI / 比率

EBIT margin、营业利润率
产量/销量（units shipped）与单车平均售价（ASP）
固定资产周转、ROIC（投入资本回报率）
资本支出 / 营收（表征成长性投入）
经营现金流覆盖 CAPEX 比率

Power BI Dashboard 建议

单位销量 + ASP 双轴图（销量和平均售价）
地区分布：不同市场的销量与毛利贡献
资本性支出时间序列与CAPEX/Revenue比

Python 示例（ROIC）

inc = pd.read_csv('income.csv', parse_dates=['date']).set_index('date')
bs = pd.read_csv('bs.csv', parse_dates=['date']).set_index('date')

nopat = inc['operating_income'] * (1 - 0.25)  # 简化税率 25%
avg_capital = (bs['total_assets'] - bs['current_liabilities'] + bs['debt'])/2
roic = nopat / avg_capital
print(roic.tail())

练习任务（示例）

在 Excel 中准备“销量—ASP—营收”三表联动，解释单季度营收变动是来自销量变化还是 ASP 变化（用拆分法）。
在 Power BI 建立地区比较视图，添加汇率切片器（若你能拿到汇率数据）。
用 Python 计算 ROIC、CAPEX/R, 并判断公司是否处于扩张期。

通用工作流程（适用于所有三家公司）

数据来源（建议）
- 公司年报 / 季报（原文 PDF），或用财经网站导出的历史财报 CSV（Excel 可直接导入）。
- 市场数据（销量、行业报告）可作为补充。
Excel 操作流程
- 将三张报表（损益、资产负债、现金流）按同一时间轴（季度/年度）整理成表格。
- 新增计算列：同比、环比、TTM、关键比率。
- 制作数据透视表与图表（趋势图、堆叠条形、饼图）。
Power BI
- 把 Excel 或 CSV 导入，建模型（关系通常以 date 字段连结）。
- 建 KPI 卡、时间序列、下钻（drill-through）到分产品或分地区明细。
- 加入注释层（书签）解释异常季度（例如一次性收入/资产减值/回购）。
Python（自动化/重复任务）
- 用 pandas 读取原始 CSV，写函数计算常用比率，输出到新 CSV / Excel。
- 封装成 notebook：把数据清洗→计算→画图（matplotlib）步骤写成可复用脚本。
报告与结论
- 每家公司写 1–2 页结论：行业趋势、公司优势/风险、三张表给出的现金生成能力结论、短中长期投资判断（练习目的不是投资建议，而是练习财务解读）。

小型作业（把学到的东西串起来）

任务 A（Excel）：选一家公司，完成 8 季度的“营收构成 + 毛利率 + 存货天数”并写 300 字结论（图片 + 表格）。
任务 B（Power BI）：把三家公司放在同一个 Power BI 报表里，做对比页（营收同比、毛利率、自由现金流）。
任务 C（Python）：写一个小脚本，给出三家公司过去 4 个季度的 TTM EPS、TTM FCF，输出 CSV 与图表。

如果你愿意，我可以现在做其中一项的示例实现：

直接给你：①Excel 模板（表格结构与公式）、②Power BI 报表设计步骤（字段/度量/可视化布局）、③完整的 Python notebook（pandas 脚本 + 绘图代码）。

告诉我你想先要哪一个（Excel 模板 / Power BI 报表设计 / Python notebook），我这就把对应的示例内容给你（带可复制的公式/代码/步骤）。

You said:

我有十年的编程经验

ChatGPT said:

Updated saved memory

明白了 👍 那我后续给你的内容可以更偏向分析逻辑和建模实现，不再避开技术细节（例如 Python 自动化数据抓取、Power BI DAX 指标公式、或用 Pandas/Numpy 计算财务比率等）。

你希望我接下来从哪部分开始？

🧾 Excel 财务分析模板（结构 + KPI）
📊 Power BI 可视化设计（含 DAX 公式）
🐍 Python 数据抓取与分析脚本（含 yfinance 或财报爬取）

You said:

我有十年的编程经验对应上面的这种分析，有没有更合适我的方法

ChatGPT said:

非常好的问题。你有 10 年编程经验，那么就不该停留在「手动 Excel → Power BI 可视化」的层面，而是可以进入 “数据驱动 + 可重复 + 可扩展的企业级分析” 模式。

我来帮你升级版本 👇 我们把刚才那种“三家公司财务分析”练习，提升为一个可编程财务分析框架（适合程序员思维）。

🚀 面向程序员的财报分析方法论

目标不是“做图表”，而是：

构建一个可自动更新、可比较多公司、能做行业逻辑建模的分析系统。

一、总体思路：从「表格分析」→「可复现分析管线」

阶段	普通分析者	程序员版分析者
数据来源	手动下载财报 CSV	用 API / 爬虫（yfinance、SEC、同花顺等）自动抓取
数据处理	Excel 手工计算	Pandas / Polars 做 ETL 与指标计算
可视化	Power BI 拖拽	Streamlit / Dash / Power BI API 自动生成
报告	PPT	Jupyter Notebook / Markdown + 报告生成器
分析逻辑	静态公式	可复用函数 + 参数化模型（行业模板）

二、分析框架结构（推荐目录）

financial-analysis/
├── data/
│   ├── raw/           # 原始报表数据（API 拉取或爬取）
│   ├── processed/     # 清洗后的财务数据
│   └── metadata/      # 公司、行业分类、币种映射等
├── src/
│   ├── fetch.py       # 自动抓取财报数据（yfinance、tushare、EDGAR）
│   ├── transform.py   # 数据清洗 + 财务指标计算
│   ├── visualize.py   # 可视化（matplotlib / plotly）
│   ├── report.py      # 自动生成分析报告（HTML / PDF）
│   └── models/        # 行业逻辑模型（消费、科技、制造）
├── notebooks/
│   ├── apple_analysis.ipynb
│   ├── nongfu_analysis.ipynb
│   └── toyota_analysis.ipynb
└── main.py

三、核心思路：行业逻辑模型化

程序员的优势不是算数更快，而是能抽象出“行业逻辑”。

例：消费行业（农夫山泉）

class FMCGModel:
    def __init__(self, df):
        self.df = df

    def gross_margin(self):
        return self.df['gross_profit'] / self.df['revenue']

    def inventory_days(self):
        avg_inv = (self.df['inventory'] + self.df['inventory'].shift(1)) / 2
        return 365 * avg_inv / self.df['cogs']

    def cash_conversion_cycle(self):
        inv_days = self.inventory_days()
        rec_days = 365 * self.df['accounts_receivable'] / self.df['revenue']
        pay_days = 365 * self.df['accounts_payable'] / self.df['cogs']
        return inv_days + rec_days - pay_days

例：科技行业（Apple）

class TechModel:
    def __init__(self, df):
        self.df = df

    def revenue_breakdown(self):
        return self.df[['hardware_revenue', 'services_revenue']].div(self.df['revenue'], axis=0)

    def fcf_margin(self):
        return (self.df['operating_cash_flow'] - self.df['capex']) / self.df['revenue']

    def buyback_effect(self):
        return self.df['shares_outstanding'].pct_change(periods=-1) * -1

这样，每个行业可以有自己的逻辑模板；公司分析只需：

apple = TechModel(df_apple)
print(apple.fcf_margin().tail())

四、数据获取与自动化

用 yfinance（或 Tushare、EDGAR）定期拉取数据：

import yfinance as yf

tickers = ['AAPL', 'TM', '9633.HK']  # Apple, Toyota, Nongfu Spring
for t in tickers:
    stock = yf.Ticker(t)
    fin = stock.financials.T
    fin.to_csv(f"data/raw/{t}.csv")

之后每天/每周自动运行：

python src/fetch.py && python src/transform.py && python src/report.py

五、Power BI / Streamlit 连接

生成中间层 CSV/Parquet（用 Python）
Power BI 读取 processed 文件夹即可自动刷新
或者直接用 Streamlit Dashboard：

import streamlit as st
import pandas as pd

df = pd.read_parquet('data/processed/apple.parquet')
st.line_chart(df[['revenue', 'net_income']])
st.metric('Gross Margin', f"{df['gross_margin'].iloc[-1]*100:.1f}%")

六、报告自动化（适合分析师/CTO风格输出）

用 Python + Jinja2 模板 + Markdown：

from jinja2 import Template
import pandas as pd

template = Template(open('templates/report.md').read())
report = template.render(
    company="Apple",
    revenue_growth="12%",
    fcf_margin="28%"
)
open('output/apple_report.md','w').write(report)

一键输出 PDF / HTML / Markdown 报告。

七、最终效果

✅ 你不需要手动做 Excel。
✅ 可以一键更新所有公司分析。
✅ 每个行业模型都可以被继承/扩展（OOP 优势）。
✅ 可视化可以接入 BI 工具或自己写 Dash/Streamlit。
✅ 分析逻辑可版本化（git），可复现。

✅ 适合你的目标练习

阶段	目标	技术点
第一阶段	写出 3 个行业模型类（科技、消费、制造）	Python / Pandas / 面向对象
第二阶段	自动抓取 + 清洗财报数据	yfinance / requests / ETL
第三阶段	自动生成报告	Jinja2 / Markdown / PDF
第四阶段	构建交互式仪表盘	Power BI 或 Streamlit
第五阶段	把所有逻辑封装成可复用分析包	Python package / Poetry / Docker

如果你愿意，我可以帮你：

🎯 建一个最小可运行的仓库结构（含模板代码与 3 个行业示例）
📘 附一个 “自动抓财报 + 计算 + 报告输出” 的可跑脚本

要我直接生成这个 项目骨架（Python + 数据文件夹 + 示例类） 给你吗？

You said:

好的，值生成项目骨架就行了

ChatGPT said:

Financial Analysis Framework· python

financial-analysis/

class AutoModel(BaseModel):

def roic(self, tax_rate=0.25):

nopat = self.df['operating_income'] * (1 - tax_rate)

avg_capital = (self.df['total_assets'] - self.df['current_liabilities']).rolling(2).mean()

return nopat / avg_capital

def capex_ratio(self):

return self.df['capex'] / self.df['revenue']

================================

src/fetch.py

================================

import yfinance as yf

import pandas as pd

from pathlib import Path

def fetch_financials(ticker: str):

stock = yf.Ticker(ticker)

fin = stock.financials.T

fin.index = pd.to_datetime(fin.index)

out_path = Path('data/raw') / f'{ticker}.csv'

out_path.parent.mkdir(parents=True, exist_ok=True)

fin.to_csv(out_path)

print(f'Saved: {out_path}')

if name == 'main':

for t in ['AAPL', '9633.HK', 'TM']:

fetch_financials(t)

================================

src/transform.py

================================

import pandas as pd

from pathlib import Path

def clean_data(ticker: str):

df = pd.read_csv(f'data/raw/{ticker}.csv', index_col=0, parse_dates=True)

df = df.fillna(0)

df['fcf'] = df['Total Cash From Operating Activities'] - df['Capital Expenditures']

df.to_csv(f'data/processed/{ticker}.csv')

print(f'Processed: {ticker}')

if name == 'main':

Path('data/processed').mkdir(parents=True, exist_ok=True)

for t in ['AAPL', '9633.HK', 'TM']:

clean_data(t)

================================

src/report.py

================================

from jinja2 import Template

import pandas as pd

from pathlib import Path

def generate_report(ticker: str, metrics: dict):

template = Template('''

{{ ticker }} 财务分析报告

主要指标：

营收同比增长：{{ metrics.revenue_growth }}%
自由现金流率：{{ metrics.fcf_margin }}%
毛利率：{{ metrics.gross_margin }}%

''')

report = template.render(ticker=ticker, metrics=metrics)

out_path = Path('reports') / f'{ticker}_report.md'

out_path.parent.mkdir(exist_ok=True)

out_path.write_text(report)

print(f'Report saved: {out_path}')

if name == 'main':

generate_report('AAPL', dict(revenue_growth=12.3, fcf_margin=25.6, gross_margin=44.1))

================================

main.py

================================

from src.models.tech_model import TechModel

import pandas as pd

df = pd.read_csv('data/processed/AAPL.csv', index_col=0, parse_dates=True)

model = TechModel(df)

print('FCF margin:\n', model.fcf_margin().tail())

项目骨架已生成 ✅
这是一个完整的可扩展财务分析框架，包括数据抓取、清洗、行业模型、报告生成等模块。

接下来你可以选择我帮你补充哪一块：

📈 增加一个 Power BI 或 Streamlit 仪表盘展示模块
🧠 加入更多行业模板（如银行、互联网、制造）
🤖 增加自动化脚本（定期拉取 + 报告生成 + 推送）
📦 打包成可发布的 Python 包（含 CLI）

结构化分析

ChatGPT said:

1) Apple — 行业逻辑 + 财务重点

2) 农夫山泉（消费快消：瓶装水、茶饮料等）

3) Toyota / 丰田（汽车制造）

通用工作流程（适用于所有三家公司）

小型作业（把学到的东西串起来）

如果你愿意，我可以现在做其中一项的示例实现：

You said:

ChatGPT said:

You said:

ChatGPT said:

我来帮你升级版本 👇 我们把刚才那种“三家公司财务分析”练习，提升为一个 可编程财务分析框架（适合程序员思维）。

🚀 面向程序员的财报分析方法论

一、总体思路：从「表格分析」→「可复现分析管线」

二、分析框架结构（推荐目录）

三、核心思路：行业逻辑模型化

例：消费行业（农夫山泉）

例：科技行业（Apple）

四、数据获取与自动化

五、Power BI / Streamlit 连接

六、报告自动化（适合分析师/CTO风格输出）

七、最终效果

✅ 适合你的目标练习

You said:

ChatGPT said:

financial-analysis/

================================

src/fetch.py

================================

================================

src/transform.py

================================

================================

src/report.py

================================

{{ ticker }} 财务分析报告

================================

main.py

================================

我来帮你升级版本 👇 我们把刚才那种“三家公司财务分析”练习，提升为一个可编程财务分析框架（适合程序员思维）。