沃伦·巴菲特（Warren Buffett）是投资界的传奇人物，他的选股标准一直被广大投资者视为金科玉律，凭借独特的投资哲学，建立了一个令人瞩目的金融帝国。他的投资风格稳健，注重长期收益而非短期波动，强调基本面分析和风险控制。回溯历史，无论是2000年的互联网泡沫破灭，抑或是2008年的全球金融危机，巴菲特均能在一片哀鸿遍野中寻得机遇，不仅安然无恙，反而从中获利。
巴菲特的投资哲学可以总结为寻找和购买那些具有长期竞争优势、财务健康且价格合理的公司股票，并长期持有，通过公司的内在价值增长和市场价格修正来获得投资回报。
本文介绍巴菲特所看重的财务指标，并手把手教您如何基于这些财务指标，使用 Python 实现自动化筛选符合这些标准的优质股票，完整代码请见文末。
财务指标
1、债务/权益比（Debt/Equity）：
债务/权益比应小于0.5，表明公司负债比例低，财务状况健康。
2、流动比率（Current Ratio）：
流动比率应在1.5至2.5之间，确保公司有充足的流动资产，但不过度占用资金。
3、市净率（Price/Book）：
市净率小于1.5，意味着股价相对于资产价值较为便宜。
4、股东权益回报率（ROE）：
ROE应大于8%，且过去10年保持稳定或持续增长，反映公司的盈利能力。
5、资产回报率（ROA）：
ROA应大于6%，且账面价值稳定增长，表明公司资产利用效率高。
6、每股收益（EPS）：
每股收益应稳定增长，显示公司盈利能力持续增强。
7、股息增长（Dividend Growth）：
股息增长应稳定，确保股东获得长期收益。
8、账面价值增长
账面价值的稳定增长意味着持续的资产积累和财务状况，为未来收益和股东价值奠定基础。
9、护城河（Moat）与利息覆盖率：
公司应拥有竞争优势，且利息覆盖率大于5倍，确保公司有能力偿还债务利息。
10.、利息覆盖率
利息覆盖率高于 5 倍表示有足够的收益来支付利息义务，降低财务困境的风险。
这些标准不仅关注公司的财务健康，还考察其盈利稳定性和长期竞争优势。遵循这些标准，可以帮助你筛选出财务稳健、估值合理且具备持续增长潜力的优秀公司，从而实现长期投资收益最大化。
整体流程
获取 S&P 500 股票代码：我们首先抓取 S&P 500 公司名单。这提供了一个全面的大盘股池供分析。
定义财务指标：此函数使用 获取给定股票代码的各种财务指标。我们提取必要的参数，例如债务/权益、流动比率、价格/账面、ROE、ROA、利息覆盖率等。
处理数据检索：该脚本遍历每个代码，收集财务数据，并将其附加到列表中。错误处理可确保单个代码的任何问题都不会停止整个过程。
应用 Buffett 标准：收集完所有数据后，我们将其转换为 Pandas DataFrame 并根据概述的标准应用筛选条件。
输出：最终筛选的 DataFrame 显示符合 Buffett 标准的股票代码及其各自的财务指标。
【 扫描文末二维码加入星球获取完成代码 】
获取数据
def get_financial_data(ticker): try: stock = yf.Ticker(ticker, proxy="http://127.0.0.1:33210") info = stock.info cashflow = stock.cashflow earnings = stock.earnings
roic = info.get('returnOnInvestment', np.nan) roe = info.get('returnOnEquity', np.nan) gross_margin = info.get('grossMargins', np.nan) revenue_growth = calculate_revenue_growth(earnings) free_cash_flow = calculate_free_cash_flow(cashflow) debt_to_equity = info.get('debtToEquity', np.nan) earnings_stability = calculate_earnings_stability(earnings)
return { 'Ticker': ticker, 'ROIC': roic, 'ROE': roe, 'Gross Margin': gross_margin, 'Revenue Growth': revenue_growth, 'Free Cash Flow': free_cash_flow, 'Debt to Equity': debt_to_equity, 'Earnings Stability': earnings_stability }
except Exception as e: print(f"Error fetching data for {ticker}: {e}") return None
定义指标
def calculate_revenue_growth(earnings): try: if len(earnings) >= 5: revenue_t0 = earnings['Revenue'].iloc[0] revenue_t4 = earnings['Revenue'].iloc[4] growth = (revenue_t4 - revenue_t0) / revenue_t0 return growth else: return np.nan except: return np.nan
def calculate_free_cash_flow(cashflow): try: cfo = cashflow.loc['Total Cash From Operating Activities'][0] capex = cashflow.loc['Capital Expenditures'][0] if 'Capital Expenditures' in cashflow.index else 0 fcf = cfo + capex return fcf except: return np.nan
def calculate_earnings_stability(earnings): try: if len(earnings) >= 5: earnings_growth = earnings['Earnings'].pct_change().dropna() if len(earnings_growth) > 1: std_dev = earnings_growth.std() return std_dev else: return np.nan else: return np.nan except: return np.nan
def score_roic(roic): if pd.isna(roic): return 0 elif roic >= 15: return 1 elif roic >= 10: return 0.7 elif roic >= 5: return 0.4 else: return 0
def score_roe(roe): if pd.isna(roe): return 0 elif roe >= 20: return 1 elif roe >= 15: return 0.7 elif roe >= 10: return 0.4 else: return 0
def score_gross_margin
(gm): if pd.isna(gm): return 0 elif gm >= 50: return 1 elif gm >= 40: return 0.7 elif gm >= 30: return 0.4 else: return 0
def score_revenue_growth(rg): if pd.isna(rg): return 0 elif rg >= 0.15: return 1 elif rg >= 0.10: return 0.7 elif rg >= 0.05: return 0.4 else: return 0
def score_free_cash_flow(fcf): if pd.isna(fcf): return 0 elif fcf > 0: return 1 else: return 0
def score_debt_to_equity(de): if pd.isna(de): return 0 elif de < 0.5: return 1 elif de < 1: return 0.7 elif de < 2: return 0.4 else: return 0
def score_earnings_stability(es): if pd.isna(es): return 0 elif es < 0.05: return 1 elif es < 0.10: return 0.7 elif es < 0.15: return 0.4 else: return 0
def compute_moat_score(row): scores = [ score_roic(row['ROIC']), score_roe(row['ROE']), score_gross_margin(row['Gross Margin']), score_revenue_growth(row['Revenue Growth']), score_free_cash_flow(row['Free Cash Flow']), score_debt_to_equity(row['Debt to Equity']), score_earnings_stability(row['Earnings Stability']) ] moat_score = np.sum(scores) / len(scores) return moat_score
筛选股票
def get_interest_coverage(ticker): """ Fetches the Interest Coverage Ratio for a given stock ticker.
Parameters: ticker (str): The stock ticker symbol (e.g., 'AAPL').
Returns: float or None: The Interest Coverage Ratio, or None if data is unavailable. """ try: stock = yf.Ticker(ticker) income_statement = stock.financials
if 'Operating Income' in income_statement.index and 'Interest Expense' in income_statement.index: operating_income = income_statement.loc['Operating Income'][0] interest_expense = income_statement.loc['Interest Expense'][0]
if interest_expense != 0: interest_coverage = operating_income / abs(interest_expense) return round(interest_coverage, 2) else: print(f"Interest Expense is zero for {ticker}. Cannot compute Interest Coverage Ratio.") return None else: print(f"Necessary financial data not available for {ticker}.") return None
except Exception as e: print(f"Error fetching data for {ticker}: {e}") return None
def get_financials(ticker): try: stock = yf.Ticker(ticker) balance = stock.balance_sheet cashflow = stock.cashflow income = stock.financials info = stock.info
debt_equity = info.get('debtToEquity', np.nan) current_ratio = info.get('currentRatio', np.nan) price_book = info.get('priceToBook', np.nan) roe = info.get('returnOnEquity', np.nan) * 100 roa = info.get('returnOnAssets', np.nan) * 100 interest_coverage = get_interest_coverage(ticker) dividend_growth = info.get('dividendRate', np.nan) eps_growth = info.get('earningsQuarterlyGrowth', np.nan)
book_value_growth = info.get('bookValue', np.nan) eps = info.get('earningsPerShare', np.nan)
moat = get_moat_stocks(ticker)
return { 'Ticker': ticker, 'Debt/Equity': debt_equity, 'Current Ratio': current_ratio, 'Price/Book'
: price_book, 'ROE (%)': roe, 'ROA (%)': roa, 'Interest Coverage': interest_coverage, 'Moat': moat, 'EPS Growth': eps_growth, } except Exception as e: print(f"Error fetching data for {ticker}: {e}") return None
financial_data = []for ticker in sp500_tickers[:10]: data = get_financials(ticker) if data: financial_data.append(data)
df = pd.DataFrame(financial_data)
filtered_df = df[ (df['Debt/Equity'] < 0.5) & (df['Current Ratio'] > 1.5) & (df['Current Ratio'] < 2.5) & (df['Price/Book'] < 1.5) & (df['ROE (%)'] > 8) & (df['ROA (%)'] > 6) & (df['Interest Coverage'] > 5) & (df['Moat'] > 0) & (df['EPS Growth'] > 0.08) ]
【 扫描文末二维码加入星球获取完成代码 】
我们致力于提供优质的AI服务，涵盖人工智能、数据分析、深度学习、机器学习、计算机视觉、自然语言处理、语音处理等领域。如有相关需求，请私信与我们联系。
请加微信“LingDuTech163”，或公众号后台私信“联系方式”。
关注【灵度智能】公众号，获取更多AI资讯。
