建企业网站多少钱,灌云县城乡建设局网站,给客户做网站需要付法律责任吗,wordpress阅读式主题一、模型公式 式中#xff1a;
r 为股权融资成本
P为股价
B为每股净资产
FROE为预测每股净资产收益率
目标#xff1a;求解股权融资成本r
二、模型口径参考来源
PS#xff1a;实际以代码为准
①FROE#xff08;预测每股净资产收益率#xff09;:
资本市场开放与…一、模型公式 式中
r 为股权融资成本
P为股价
B为每股净资产
FROE为预测每股净资产收益率
目标求解股权融资成本r
二、模型口径参考来源
PS实际以代码为准
①FROE预测每股净资产收益率:
资本市场开放与股权资本成本 2020 金融研究 ②股利支付率k综合考虑股利政策不稳定与公司规模变化、公司成长机会采用过去3年股利支付率平均值作为k
媒体曝光度_信息披露环境与权益资本成本 2014 金融研究 机构投资者、所有权性质与权益资本成本 2018 金融研究 终极所有权结构对权益资本成本的影响 2016 管理科学学报 贸易摩擦与权益资本成本 2021会计研究 IFRS、财务分析师、机构投资者和权益资本成本 2016会计研究 ③Pt股价、Bt每股净资产二者同为t时点
资本市场开放和股权资本成本 2020 金融研究 中美交叉上市与权益资本成本研究 2013 国际金融研究 真实盈余管理与权益资本成本 2015 金融研究 ④Matlab求解 三、代码片段
3.1导入库及读取相关文件
需要的文件 1.kFlieName股利支付率 国泰安 - 股利政策 - 基本数据 - 财务指标数据 注意
1.包含当年的过去5年 2.必须先选每股股利后选每股收益
2.FROEFlieName预测净资产收益率 锐思 - 研究报告 - 个股盈利预测 注意1.截止日期12-31 2.需要字段股票代码、预测年度、净资产收益率平均 3.统计时间间隔为180时数据才与wind基本一致
3.indROEFlieName行业ROE 锐思 - 研究报告 - 行业财务指标 注意1.截止日期12-31 2.行业划分标准9申万 3.需要字段行业代码_IndCd、行业净资产收益率(%)_IndROE
4.closeFlieName12月收盘价平均值 锐思 - 股票 - 日股票综合数据 注意1.日期范围12.1-12.31 2.需要字段股票代码、日期、收盘价
5.bNewFlieName每股净资产 锐思 - 股票 年股票数据 注意1.日期12.31 2.需要字段股票代码、每股净资产
6.newStkCode.csv:目标股票代码
7.RESSET_INDCLS_1.csv公司所属行业
import pandas as pd
import numpy as np
from numpy import *
import sympy as sp#2008
kFlieName 2008年数据\k2003_2008.csv
FROEFlieName 2008年数据\RESSET_RRSTKEAFOCA_2008_1.csv
indROEFlieName 2008年数据\INDFI_EARNPOWER.csv
closeFlieName 2008年数据\RESSET_DRESSTK_2001_2010_1.csv
bNewFlieName 2008年数据\RESSET_YRESSTK_1.csvstkCode pd.read_csv(newStkCode.csv,headerNone,names[stkCode]) #目标股票代码indClass pd.read_csv(RESSET_INDCLS_1.csv,index_col股票代码_StkCd)[[行业代码_IndCd]]
indClass pd.read_csv(RESSET_INDCLS_1_new.csv,index_col股票代码_StkCd)[[行业代码_IndCd]]
# for index,each in enumerate(indClass.index):
# indClass.index[index] 0
newK pd.read_csv(kFlieName,index_colStkcd).dropna()
FROE pd.read_csv(FROEFlieName,index_col股票代码_StkCd)[[预测年度_ForYear,净资产收益率平均(%)_ROEAvg]]
FROE.columns [预测年度,FROE]
# close pd.read_csv(RESSET_MRESSTK_1.csv,index_col股票代码_Stkcd)#.iloc[:,:-1]# indROE pd.read_csv(indROEFlieName,index_col行业代码_IndCd)[行业净资产收益率(%)_IndROE]
indROE pd.read_csv(indROEFlieName,index_colIndustryCode)[ROEB]close pd.read_csv(closeFlieName,index_col股票代码_Stkcd)
bNew pd.read_csv(bNewFlieName,index_col股票代码_Stkcd)# indClass
# indROEstkCodeList set(stkCode[stkCode])
newKIndex set(newK.index)
FROEIndex set(FROE.index)
indClassIndex set(indClass.index)
indROEIndex set(indROE.index)
closeNewIndex set(closeNew.index)
bNewIndex set(bNew.index)selectIndex stkCodeList newKIndex FROEIndex bNewIndex indClassIndex closeNewIndexprint(len(selectIndex))
3.2股利支付率
kMean5 []#股利支付率k 每股股利 / 每股收益
for eachIndex in set(newK.index):newK.loc[eachIndex,k] newK.loc[eachIndex,T20497]/newK.loc[eachIndex,T60200] #股利支付率 每股股利 / 每股收益for eachIndex in sorted(list(selectIndex)):test newK.loc[eachIndex].iloc[:5][k].sum()/5 #过去5年均值kMean5.append(test)panel pd.DataFrame({k:kMean5},indexsorted(list(selectIndex)))
print(panel)
3.3FROE
FROE FROE.loc[selectIndex]
FROE FROE.sort_index()for eachIndex in sorted(set(selectIndex)):test FROE.loc[eachIndex]if len(test) ! 3:FROE.drop(index[eachIndex],inplaceTrue,axis0)FROEIndex set(FROE.index)
selectIndex stkCodeList newKIndex FROEIndex bNewIndex indClassIndex closeNewIndex
print(len(selectIndex))
print(len(panel))for eachIndex in list(selectIndex):
# print(close.loc[eachIndex][b])panel.loc[eachIndex,t1] FROE.loc[eachIndex].sort_values(by预测年度)[FROE].iloc[1]*0.01panel.loc[eachIndex,t2] FROE.loc[eachIndex].sort_values(by预测年度)[FROE].iloc[2]*0.01
# close.loc[eachIndex,t3] FROE.loc[eachIndex][FROE].iloc[2]*0.01panel.loc[eachIndex,t3] (panel.loc[eachIndex,t1] panel.loc[eachIndex,t2])/2panel.loc[eachIndex,行业代码] indClass.loc[eachIndex][0]
print(len(panel))for eachIndex in selectIndex:
# print(int(close.loc[eachIndex][行业代码]))if int(panel.loc[eachIndex][行业代码]) in indROE.index:panel.loc[eachIndex,IndROE] indROE.loc[int(panel.loc[eachIndex][行业代码])]*0.01
print(len(panel))for eachIndex in selectIndex:begin panel.loc[eachIndex,t3]end panel.loc[eachIndex,IndROE]dif abs((begin-end)/9)#9bFront panel.loc[eachIndex,b] #b0for i in list(range(4,13)):#13begin begin-difpanel.loc[eachIndex,tstr(i)] beginfor i in list(range(1,13)):bFront bFront panel.loc[eachIndex,tstr(i)] * bFront * (1-panel.loc[eachIndex,k])panel.loc[eachIndex,bstr(i)] bFront
print(len(panel))
3.4收盘价
close close.loc[selectIndex]
close close.sort_index()for eachIndex in list(selectIndex):each close.loc[eachIndex,收盘价_Clpr]panel.loc[eachIndex,close] each.mean()
print(len(panel))
3.5每股净资产
for eachIndex in list(selectIndex):each bNew.loc[eachIndex,每股净资产(元/股)_NAPS]panel.loc[eachIndex,b] each
print(len(panel))
3.6保存各年面板数据
newData pd.read_csv(result.csv,headerNone)[0].dropna() 0.5
print(len(newData))
newData newData[newData!1.5]
print(len(newData))
# print(newData.sort_values()[-50:])
print(newData.sort_values()[7:-7].describe())
各年面板数据如下图 3.7Matlab求解方程Matlab
clear all;clc;
datacsvread(C:\Users\zsllsz2022\Desktop\10月实证\GLS模型\core\2-原始口径合并版本-重新计算2008-2020\panel2008.csv,1,0);
Pdata(:,3);
B(:,1)data(:,4);
B(:,2:13)data(:,19:30);
FROE(:,1:3)data(:,5:7);
FROE(:,4:12)data(:,10:18);%% [-0.49995,0.49995]每隔0.0001计算函数值
for stock 1:length(data)for j 1 : 10000r(j) 0.0001 * j; yy(stock,j) B(stock,1);for i 1 : 11yy(stock,j) yy(stock,j) (FROE(stock,i)-r(j))*B(stock,i)/((1r(j))^i);endyy(stock,j) yy(stock,j) (FROE(stock,12)-r(j))*B(stock,12)/(r(j)*(1r(j))^12);yy(stock,j) yy(stock,j) - P(stock);end
end%% 寻找零点
for stock 1:length(data)count 1;for j 1 : 9999if yy(stock,j1) * yy(stock,j) 0resultTemp(stock, count) (j - 5000) * 0.0001;count count 1;endend
end%%
for stock 1:length(data)temp 1;for j 1 : size(resultTemp,2)if abs(resultTemp(stock, j)) abs(temp) abs(resultTemp(stock, j)) 0.000000001temp resultTemp(stock, j);endendresult(stock,1) temp;
end%%
%对结果排序
xSortsort(result);%剔除头尾百分之一的数据
delNumceil(length(xSort) * 0.01);
for i1:length(xSort)-2*delNumx2(i,1)xSort(idelNum);
end%求平均值以及标准差
avgmean(x2);
stdevstd(x2);% function ymyfun(r,P,B,FROE)
% FB(1);
% for i1:11
% FF(FROE(i)-r)*B(i)/((1r)^i);
% end
% FF(FROE(12)-r)*B(12)/(r*(1r)^12);
% yP-F;
% end
四、结果
计算出的GLS模型股权融资成本实际结果采用2种不同的GLS模型口径
