內容首發

樂學偶得(http://lexueoude.com) 公眾號： 樂學Fintech

用代碼理解分析解決金融問題

首先我們快速了解一下什么是GGM模型。

GGM模型又叫做“戈登增長模型”(Gordon Growth Model，GGM)是用于對公司進行估值的工具。該理論假設公司的內在價值就是將所有未來股息支付折現到今天的價值的總和。它也可以稱為股息折扣模型。

GGM模型的優點之一是它的計算非常簡單，我們可以看看下方的數學公式：

股息(Do)：

公司支付的股息。

通過查看公司公開的年度/季度報告，我們可以輕松獲得公司(Do)支付的最新股息。

增長(g)：股息的預期增長率是恒定的。

計算g的一種方法是采用公司最近支付的兩到三次股息，并計算增長并將其用作持續增長的值。

注意：這種方法的問題在于，如果公司將其股息支付年度保持不變，那么我們計算中的增長率將為零。

為了克服這個問題，我們將采用不同的方法，而是使用可持續增長率。

可持續增長率是公司無需增加股權融資即可實現的增長率。

股本成本(ke)：股本成本(ke)：我們可以使用資本資產定價模型(CAPM)估算所需的股本成本。

GGM模型的假設

當然，如果我們使用模型，一定是假設在理想的環境下進行估值的。但是往往現實世界并不理想，所以我們一定要搞清楚模型的假設，這樣，在模型失效或者模型產生較大誤差的時候，我們可以清楚的知道從哪里進行排查。

GGM模型使用的假設為：這些年來股息增長率是恒定的。

股利是股東財富的核心。

權益成本必須大于股息增長。否則，我們的模型將給我們負值。

Python建模與免費API分享

為了代碼簡潔與大家能夠輕松復現，我們直接調取了

https://financialmodelingprep.com/ 里的免費API，這個API數據非常詳細，可以直接獲取公司的財務數據。國內的小伙伴可以使用tushare或者wind接口進行代替。只需要將代碼中的request數據源進行修改就可以咯～

數據調取與利用Python解析

我們可以直接通過最簡單的request模塊調取數據：

dividend =

requests.get(f'https://financialmodelingprep.com/api/v3/financials/income-statement/{這里填入你想調取的公司代碼}')

以這個API接口為例，比如需要返回蘋果公司的dividend信息，可以得到以下返回值：

GGM模型+CAPM模型結合我們需要獲取什么數據？

那么數據如果能夠通過這種方式調取API獲取，我們需要什么數據呢？

公司最新股息

要通過CAPM模型計算權益成本(ke)，我們將需要：公司Beta(B)。可以從financialmodelingprep API中提取

無風險利率(RF)。

市場預期收益率(ERm)。

美股的小伙伴可以計算最近一年的S&P500回報

A股的小伙伴可以計算滬深300的回報

作為我們市場預期回報

要計算可持續增長率，我們需要支付比率和股本回報率(ROE)。

計算可持續增長率

接下來，我們需要計算可持續增長率。計算比率的公式如下：

SGR =股本回報率*(1-股息支付率)

我們可以通過上方跟大家介紹的API獲取股本回報率(ROE)和股息支付率這類公司的關鍵指標。(具體操作為通過Python解析我們上面截圖的以字典形式存放的數據，并提取鍵ROE和payout_ratio的值：

metrics = requests.get(f'https://financialmodelingprep.com/api/v3/company-key-metrics/{這里填入你想調取的公司代碼}')

metrics = metrics.json()

ROE = float(metrics['metrics'][0]['ROE'])

payout_ratio = float(metrics['metrics'][0]['Payout Ratio'])

sustgrwothrate = ROE*(1-payout_ratio)

計算權益成本(Ke)

為了通過CAPM 計算權益成本(ke)，我們需要的第一個要素是無風險利率。由于一年期國庫券被視為無風險證券，因此我們將使用一年期國庫券。我們可以使用Pandas DataReader和FRED作為數據源。該web.DataReader方法將返回1年國庫券提供的利率時間序列數據。

我們再使用iloc [-1]方法檢索DataFrame的最新元素。

import pandas as pd

import pandas_datareader.data as web

import datetime

start = datetime.datetime(2019, 2, 1)

end = datetime.datetime(2020, 2, 27)

Treasury = web.DataReader(['TB1YR'], 'fred', start, end)

RF = float(Treasury.iloc[-1])

RF = RF/100

print(RF)

獲取目標公司beta

同樣通過調取API獲取

beta = requests.get(f'https://financialmodelingprep.com/api/v3/company/profile/{quote}')

beta = beta.json()

beta = float(beta['profile']['beta'])

print(beta)

計算預期的市場回報率

最后，計算權益成本的最后一個要素是預期的市場回報率(即CAPM模型中所謂的市場溢價)。

我們將使用指數S＆P 500計算去年的市場收益，A股的小伙伴可以使用滬深300進行替代即可。這就是我們將用作預期市場回報的指標。

start = datetime.datetime(2019, 1, 1)

end = datetime.datetime(2020, 7, 7)

SP500 = web.DataReader(['sp500'], 'fred', start, end)

SP500.dropna(inplace = True)

SP500yearlyreturn = (SP500['sp500'].iloc[-1]/ SP500['sp500'].iloc[0])-1

print(SP500yearlyreturn)

接著我們就可以將以上數據帶入下方的公式：

大功告成！我們就獲取了所有必需的數據來計算權益成本(Ke)。現在我們只需要應用公式就可以通過CAPM模型獲得Ke。

上！

Py！

thon！

ke = RF+(beta*(SP500yearlyreturn - RF))

print(ke)

通過GGM模型進行公司股價估值

GGM = (Dtoday*(1+sustgrwothrate))/(ke-sustgrwothrate)

return GGM

模型的局限性

既然是模型，一定是盡可能的模擬現實，但是既然是模型，就不可能完全模擬現實，一定有相應的局限性，比如這個GGM模型的局限性為：該模型不適用于不支付股息的公司

權益成本必須大于股息增長。否則，我們的模型將返回的為負值(即分母ke-g將為負)

假設每股恒定股息在現實世界中是不現實的

另外，如果大家微調這個模型會發現：模型估值的返回值對模型的輸入非常敏感。例如，權益成本的輕微增加/減少將對計算值產生重大影響，這樣如果輸入的數據不準確或者估計不準確，會導致模型有較大的誤差。

全部代碼

import requests

def valuecompany(quote):

dividend = requests.get(f'https://financialmodelingprep.com/api/v3/financials/income-statement/{quote}')

dividend = dividend.json()

dividend = dividend['financials']

Dtoday = float(dividend[0]['Dividend per Share'])

metrics = requests.get(f'https://financialmodelingprep.com/api/v3/company-key-metrics/{quote}')

metrics = metrics.json()

ROE = float(metrics['metrics'][0]['ROE'])

payout_ratio = float(metrics['metrics'][0]['Payout Ratio'])

sustgrwothrate = ROE*(1-payout_ratio)

print(sustgrwothrate)

import pandas as pd

pd.core.common.is_list_like = pd.api.types.is_list_like

import pandas_datareader.data as web

import datetime

start = datetime.datetime(2019, 1, 1)

end = datetime.datetime(2020, 7, 7)

Treasury = web.DataReader(['TB1YR'], 'fred', start, end)

RF = float(Treasury.iloc[-1])

RF = RF/100

beta = requests.get(f'https://financialmodelingprep.com/api/v3/company/profile/{quote}')

beta = beta.json()

beta = float(beta['profile']['beta'])

start = datetime.datetime(2019, 1, 1)

end = datetime.datetime(2020, 7, 7)

SP500 = web.DataReader(['sp500'], 'fred', start, end)

SP500.dropna(inplace = True)

SP500yearlyreturn = (SP500['sp500'].iloc[-1]/ SP500['sp500'].iloc[0])-1

ke = RF+(beta*(SP500yearlyreturn - RF))

GGM = (Dtoday*(1+sustgrwothrate))/(ke-sustgrwothrate)

print(GGM)

return GGM

valuecompany('這里輸入你想估值的公司代碼')

內容首發

樂學偶得 公眾號： 樂學Fintech

用代碼理解分析解決金融問題

總結

以上是生活随笔為你收集整理的用python做股票智能投顾模型_如何用Python建模GGM模型并对股票估值？的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。