OpenDartReader 로 종목을 분류해보자 (3)
프로젝트/[ing]_백테스팅_툴

OpenDartReader 로 종목을 분류해보자 (3)

728x90
반응형

 

 

 

지난번 포스팅에 이어, 이번에는 분류한 재무제표 데이터를 각종 지표로 만들어 보겠습니다. 

 

이 글을 처음 보셨다면 시리즈 1, 2편을 보고 오시는게 도움이 되실 겁니다. 

 

2021.12.02 - [프로젝트/[ing]_백테스팅_툴] - OpenDartReader 로 종목을 분류해보자 (1)

 

OpenDartReader 로 종목을 분류해보자 (1)

기업을 분석하는데는 기본적으로 여러 데이터가 필요합니다. 그 중에서도 기업의 기본 (펀더멘털) 이라 할 수 있는 재무데이터 분석이 필수적이라 할 수 있죠. 하지만 분석할 기업은 많습니다. 2

dragon1-honey1-wayfarer.tistory.com

 

2021.12.03 - [프로젝트/[ing]_백테스팅_툴] - OpenDartReader 로 종목을 분류해보자 (2)

 

OpenDartReader 로 종목을 분류해보자 (2)

앞선 포스팅에도 말씀 드렸듯이, 이번엔 Pykrx 를 사용해서 시가총액을 불러오고 그 데이터를 앞 포스팅의 dataframe 과 합쳐보도록 하겠습니다. 되도록 앞의 내용을 보고 오시는걸 추천드립니다 ~ 2

dragon1-honey1-wayfarer.tistory.com

 

1. 사용할 지표 및 계산식

사용할 지표는 6개이며 사용한 계산식은 아래와 같습니다. 영문 풀네임까지는 기재하지만 세부 설명은 여기선 다루지 않고, 기회가 된다면 따로 포스팅 해보도록 하겠습니다. 

 

PER (Price Earning Ratio) : 시가총액 / 당기순이익

PBR (Price Book-value Ratio) : 시가총액 / 부채총계

PSR (Price Sales Ratio) : 시가총액 / 매출액

GP/A (Gross Profit / Asset) : 매출총이익 / 자산총계

POR (Price Operating earning Ratio) : 시가총액 / 영업이익

PCR (Price Cashflow Ratio) : 시가총액 / 영업활동현금흐름

PFCR (Price Free Cashflow Ratio) : 시가총액 / 잉여현금흐름

NCAV / MK : 청산가치 (유동자산 - 부채총계) / 시가총액

 

여기서 시가총액 , 청산가치를 제외하고 모두 최근 4분기의 합으로 계산됩니다.

 

2. 코드

 

코드로 표현하면 아래와 같습니다. 

 

앞 포스팅의 코드와 연계되는 부분이 있기 때문에 한번 보고오시는 걸 추천드립니다.

처음에 재무데이터를 분류했으므로 코드작성엔 큰 어려움이 없을 것입니다.

 

import pandas as pd

file_path = ' '
df2 = pd.read_excel(file_path)
length = len(df2)

df4 = pd.DataFrame(columns=['PER','PBR','PSR','GP/A','POR','PCR','PFCR','NCAV/MK'], index=['1900-01-01'])
for i in range(3, length):
    indexing = df2.iloc[i]['Unnamed: 0']
    PER = df2.iloc[i]['시가총액'] / (df2.iloc[i-3]['당기순이익'] + df2.iloc[i-2]['당기순이익'] + \
          df2.iloc[i-1]['당기순이익'] + df2.iloc[i]['당기순이익'])
    PBR = df2.iloc[i]['시가총액'] / df2.iloc[i]['부채총계']
    PSR = df2.iloc[i]['시가총액'] / (df2.iloc[i-3]['매출액'] + df2.iloc[i-2]['매출액'] + \
          df2.iloc[i-1]['매출액'] + df2.iloc[i]['매출액'])
    GP_A = (df2.iloc[i-3]['매출총이익'] + df2.iloc[i-2]['매출총이익'] + \
          df2.iloc[i-1]['매출총이익'] + df2.iloc[i]['매출총이익']) / df2.iloc[i]['자산총계']
    POR = df2.iloc[i]['시가총액'] / (df2.iloc[i-3]['영업이익'] + df2.iloc[i-2]['영업이익'] + \
          df2.iloc[i-1]['영업이익'] + df2.iloc[i]['영업이익'])
    PCR = df2.iloc[i]['시가총액'] / (df2.iloc[i-3]['영업활동현금흐름'] + df2.iloc[i-2]['영업활동현금흐름'] + \
          df2.iloc[i-1]['영업활동현금흐름'] + df2.iloc[i]['영업활동현금흐름'])
    PFCR = df2.iloc[i]['시가총액'] / (df2.iloc[i-3]['잉여현금흐름'] + df2.iloc[i-2]['잉여현금흐름'] + \
          df2.iloc[i-1]['잉여현금흐름'] + df2.iloc[i]['잉여현금흐름'])
    NCAV_MK = (df2.iloc[i]['유동자산'] - df2.iloc[i]['부채총계']) / df2.iloc[i]['시가총액']

    df4.loc[indexing] = [PER, PBR, PSR, GP_A, POR, PCR, PFCR, NCAV_MK]

df4.drop(['1900-01-01'], inplace=True) # 첫 행 drop

 

이에 대한 결과값은 아래와 같습니다. 

                  PER       PBR       PSR      GP/A        POR       PCR         PFCR   NCAV/MK
2016-09-30   6.524478  3.486368  0.648325  0.557579   4.875545  2.960805     8.404698  0.296976
2016-12-30  11.154763  3.662757  1.255800  0.311201   8.669574  5.349809    38.305172  0.284881
2017-03-31  11.519340  3.895184  1.430176  0.320087   8.927008  5.882506   106.445252  0.189389
2017-06-30  10.229152  4.039856  1.460299  0.330867   8.091504  6.424510   187.947487  0.178008
2017-09-30   8.987831  3.873987  1.466216  0.345560   6.972636  6.466181   167.258628  0.178630
2017-12-30   7.797306  3.769659  1.373025  0.365481   6.131843  5.291701   -54.955859  0.181557
2018-03-31   6.840285  3.541618  1.265905  0.372983   5.320177  4.703094 -1808.570997  0.208029
2018-06-30   6.484588  3.499873  1.212033  0.361338   4.975160  4.391399   -87.889628  0.238472
2018-09-30   6.194251  3.135655  1.190402  0.345127   4.715535  4.497717   -41.002329  0.272285
2018-12-30   5.149282  2.492730  0.936714  0.328200   3.877689  3.406502   -27.852701  0.363895
2019-03-31   7.070332  2.901936  1.131403  0.296643   5.387283  4.704406   -16.212020  0.320899
2019-06-30   8.812992  3.293457  1.202978  0.277997   6.809228  5.632219   -19.502607  0.314493
2019-09-30  11.724902  3.255567  1.274333  0.246417   9.322785  6.088467   -24.157418  0.328185
2019-12-30  15.323425  3.714303  1.445801  0.235876  11.996102  7.340072   -65.909149  0.275285
2020-03-31  13.209193  3.130094  1.221636  0.235107  10.186952  5.485192  -162.592376  0.335617
2020-06-30  14.357032  3.575706  1.369385  0.237229  10.673394  5.238412    43.044914  0.310862
2020-09-30  13.882249  3.486527  1.477592  0.239236  10.186761  5.743823  -101.745976  0.299280
2020-12-30  18.310946  4.727376  2.041968  0.244077  13.434296  7.406564   -55.576499  0.198382
2021-03-31  16.952633  4.098767  1.968403  0.243590  12.482605  7.224781  2168.127728  0.186438
2021-06-30  14.712972  4.702249  1.870368  0.263099  11.113336  7.463556  -113.477070  0.184044
2021-09-30  12.399177  3.892151  1.671868  0.256617   9.449300  6.412368    61.175786  0.224112

 

3. 비교

(1). 네이버 금융

앞의 계산 데이터와 네이버 금융의 데이터를 비교 해보겠습니다. 대표적으로 PER 을 살펴보면

네이버 금융에서 나와있는 지표는

PER = 수정 주가 (보통주) / EPS

EPS = 당기순이익 / (주식수정평균발행주식수, 보통주 + 우선주)

 

로 계산합니다.

 

 

 

실제 보통주 수정주가를 차트에 보면 위의 값과 일치함을 확인할 수 있습니다.

 

 

'수정'주가라고 하는건 액면분할 / 합병을 거친 현재시점에서 그 이전 과거시점의 주가나 주식수를 환산할 때 스케일의 차이가 나므로 이를 현재시점에 맞게 보정해 주는걸 의미합니다. 

 

PER 에서도 확인했듯이, 다른 지표들도 마찬가지의 방식을 사용하고 있습니다.

 

(2). 블로그 포스팅

반면 제 포스팅에서 계산한 값은 

 

PER = 시가총액 (해당일 수정주가 * 보통주 발행주식수) / 당기순이익 

 

으로 구성되어 있어 우선주가 빠져있습니다. 

다른 시가총액을 활용하는 지표도 마찬가지의 이유로 차이가 남을 알 수 있습니다. 

요약하자면, 우선주를 반영하냐 / 안하냐의 차이에 따른 지표값 차이라고 보시면 되겠습니다.

 

(3). 맞추고 싶다면...

제 블로그에선 우선주를 제외한 방법으로 계속 포스팅을 진행할 예정이지만, 만약 네이버 금융과 지표를 똑같이 맞추고 싶다고 한다면 액면분할 / 합병이 미반영된 2가지 준비물이 필요합니다.

 

(1). 해당 시점의 유통주식수 (보통주 + 우선주)

(2). 해당 시점의 주가

 

첫번째. 해당 시점의 유통주식수는 OpenDartReader 에는 따로 함수가 없지만, OpenDartReader 내부의 코드를 참고하여 코드 수정을 한다면 활용할 수 있습니다. 결과에서 distb_stock_co column 의 합계행에 있습니다.

 

 

수정된 코드는 아래와 같습니다.

 

import requests
import json
import OpenDartReader
try:
    from pandas import json_normalize
except ImportError:
    from pandas.io.json import json_normalize

# 3-1 상장기업 주식수 (다중회사 기능 불가)
def stock_amount(api_key, corp_code, bsns_year, reprt_code='11011'):
    url = 'https://opendart.fss.or.kr/api/'
    url += 'stockTotqySttus.json' # 원하는 페이지 추가. 개발가이드 참조
    corp_code = dart.find_corp_code(corp_code)
    params = {
        'crtfc_key': api_key,
        'corp_code': corp_code,
        'bsns_year':  bsns_year,   # 사업년도
        'reprt_code': reprt_code, # "11011": 사업보고서
    }

    r = requests.get(url, params=params)
    jo = json.loads(r.text)
    if 'list' not in jo:
        return None
    return json_normalize(jo, 'list')


api_key = ' '
dart = OpenDartReader(api_key)
a = stock_amount(api_key, '005930', '2016', '11011') # 데이터프레임 내 값이 , 가 붙어있는 str 타입.
total_amount = a.iloc[2]['distb_stock_co'].replace(",","") # 문자열의 , 를 제거한다.
total_amount = int(total_amount)
print(total_amount)

 

두번째. 해당시점의 주가는 pykrx 에서 가져올 수 있습니다.

이 또한 코드로 나타내보면 ...

 

from pykrx import stock
import pandas as pd
import matplotlib.pyplot as plt

df = stock.get_market_ohlcv_by_date("20180104","20181231","005930", adjusted=False)
print(df)
plt.plot(df.index, df['종가'])
plt.show()

 

마지막엔 알아보기 쉽게 그래프로 간단하게 나타내보았습니다.

 

액면분할의 양이 커서 액면분할 이후엔 값이 잘 나타나질 않네요 ㅎㅎ

이 두개를 잘 활용하시면 네이버 금융에 나와있는 투자지표와 똑같이 맞출 수 있을 거라 생각합니다. 

 

시간이 되면 한번 도전해보겠습니다.

다음 포스팅은 가져오고 가공한 데이터를 바탕으로 기업들을 비교하는 걸 해보도록 하겠습니다. 

(시간이 오래 걸린다면 잠시 다른걸 했다가 하는걸로...)

 

 

 

728x90
반응형
저작자표시 비영리 변경금지

'프로젝트 > [ing]_백테스팅_툴' 카테고리의 다른 글

[Python] 백트레이더(Backtrader)에서 현금흐름지표(MFI) 를 사용하자  (0) 2022.03.04
OpenDartReader 로 종목을 분류해보자 (4) - 근데 pykrx를 곁들인...  (2) 2022.01.12
OpenDartReader 로 종목을 분류해보자 (2)  (0) 2021.12.03
OpenDartReader 로 종목을 분류해보자 (1)  (2) 2021.12.02
[python] 인터넷 연결 안되있으면 컴퓨터 다시 시작하는 프로그램  (0) 2021.10.21

    티스토리툴바