目录
预测未来是大家投资者们想追求的，不论是对于未来的市场，或是对于公司及产业的未来，然而预测未来总存在著不确定及随机性，因此我们只能利用过去的历史资料及现有的公司指标，将其投入统计中进行验证，本文与先前文章【量化分析】预测市场?! 内容类似，但差别在于本文是预测公司未来，并且做出三种统计方式的比较。
使用不同指标，ROA、CR、DR、ATTNVR、CFAT、RSize、Sigma、ExRET，检定验证发现某些指标具有解释能力，并纳入回归模型，利用结果来解释危机发生机率。
此篇文章之回归变数参考两位作者相关论文
本文使用 Spyder作为编辑器
###量化三宝、套件工具 import pandas as pd import numpy as np import tejapi import statsmodels.formula.api as smf import datetime as dt from dateutil.relativedelta import *
tejapi.ApiConfig.api_key = "YOUR_KEY" tejapi.ApiConfig.ignoretz = True ###时间栏位忽略时区
公司基本资料详细栏位说明：
标的：上市、上柜、兴柜、公开发行
资料库代码为(TWN/AIND)，捞取其栏位「危机发生日、危机事件类别」
df1 = tejapi.get('TWN/AIND', #从TEJ api捞取所需要的资料
chinese_column_name = True,
paginate = True,
opts={'columns':['coid','mdate', 'dflt_d','fail_fg']})
首先将捞取的资料做分类，剔除上市前之公司，由于我们是衡量「危机事件发生机率」，因此我们定义危机事件状况设为1，并开始处理资料，事件发生日要重设，方便之后与财报资料作合并。
df2 = df1[df1['危机事件类别'] != ''] #把有发生违约事件的筛选出来
df2['年/月'] = df2[['危机发生日']].applymap(lambda x: x.strftime('%Y-%m')).astype('datetime64') #把日期都换成月初
df2['月'] = df2['年/月'].dt.month #取月份出来
df2.reset_index(inplace = True)for i in range(len(df2.index)):
if df2['月'][i] == 1 or df2['月'][i] == 4 or df2['月'][i] == 7 or df2['月'][i] == 10:
df2['年/月'][i] = df2['年/月'][i]+ relativedelta(months = +2)
if df2['月'][i] == 2 or df2['月'][i] == 5 or df2['月'][i] == 8 or df2['月'][i] == 11:
df2['年/月'][i] = df2['年/月'][i]+ relativedelta(months = +1)
#为了之后对上财报资料，先将日期处理好
df2['Y'] = 1 #把所有危机事件类别设成1
df2.rename(columns= {'公司简称':'公司'}, inplace=True)
接著将全市场会计科目不限期数之资料捞下，并挑选所需要的变数(会计科目)即可，包含：
X1 = working capital(R678)/total asset (0010)
X2 = retained earnings (2341)/ total asset
X3 = EBIT (2402)/total asset
X4 = market value (MV)/ total debt (1000)
X5 = revenue/ total asset (R607)
X6 = ROA (R11V)
X7 = debt ratio (R505)
由于一次捞取的资料比数有限(paginate = True，最多每次捞取100万笔)，因此，我们需要分段捞取再将其合并成同一个Dataframe。
###每一Dataframe大概有30万笔资料以此类推
a1 = tejapi.get('TWN/AIFIN', #从TEJ api捞取所需要的资料
chinese_column_name = True,
paginate = True,
mdate = {'gt':'2008-01-01', 'lt':'2011-01-01'},
acc_code = ['R678', '0010','2341','2402','MV','1000', 'R607','R11V', 'R505'])
a2 = tejapi.get('TWN/AIFIN',
chinese_column_name = True,
paginate = True,
mdate = {'gt':'2011-01-01', 'lt':'2014-01-01'},
acc_code = ['R678', '0010','2341','2402','MV','1000', 'R607','R11V', 'R505'])
a3 = tejapi.get('TWN/AIFIN',
chinese_column_name = True,
paginate = True,
mdate = {'gt':'2014-01-01', 'lt':'2017-01-01'},
acc_code = ['R678', '0010','2341','2402','MV','1000', 'R607','R11V', 'R505'])
a4 = tejapi.get('TWN/AIFIN',
chinese_column_name = True,
paginate = True,
mdate = {'gt':'2017-01-01', 'lt':'2020-01-01'},
acc_code = ['R678', '0010','2341','2402','MV','1000', 'R607','R11V', 'R505'])
a5 = tejapi.get('TWN/AIFIN',
chinese_column_name = True,
paginate = True,
mdate = {'gt':'2020-01-01'},
acc_code = ['R678', '0010','2341','2402','MV','1000', 'R607','R11V', 'R505'])
###合并资料 acc = pd.concat([a1,a2,a3,a4,a5])
转换会计科目数值将其放到columns，有利于将会计科目计算成所需的变数，计算逻辑来自参考文献，并将合并后没有危机发生之公司设为0，资料尚有一个特殊值须删除。
acc1 = acc.pivot_table(values='数值', index=['公司','年/月'], columns='会计科目')
acc1['X1'] = (acc1['R678']/acc1['0010'])*100
acc1['X2'] = (acc1['2341']/acc1['0010'])*100
acc1['X3'] = (acc1['2402']/acc1['0010'])*100
acc1['X4'] = (acc1['MV']/acc1['1000'])*100
acc1 = acc1.rename(columns = {'R607':'X5', 'R11V':'X6', 'R505':'X7'})
acc2 = acc1[['X1','X2','X3','X4','X5','X6','X7']]
acc2.reset_index(inplace=True)
df3 = pd.merge(acc2, df2[['公司','年/月','Y']], how='outer')
df3['Y'] = df3['Y'].replace(np.nan, 0) #把没有发生危机的设为0
df3 = df3.dropna()
df3['X4'] = df3['X4'].drop([59690,59688]) #把无限大的值去掉
df3 = df3.rename(columns = {'状况':'Y'})
接著带入变数于三种模型检定其解释力，我们可以发现：
变数X1在Logit模型中是不显著的，而X2、5、6在三种模型中皆具有显著性，其预测的结果也与我们直观来说是符合的。以ROA举例，当ROA越高公司利用资产获利的能力越佳，倒闭的可能性越低，系数为负，符合预期。
接著将个别公司的会计资料带入回归模型中，来取得公司危机发生的机率，我们以上市柜2330台积电、2454联发科，下市1592英瑞KY、2475华映。
可以发现我们的护国神山及发哥的危机事件发生极为低，假设以他为基准来比较可以看到LPM模型(OLS)，下市的1592英瑞KY、2475华映的危机发生机率比2330台积电、2454联发科来得多出至少3倍以上，直观而言，权值股之所以是权值股，他的公司体质一定比其他公司来的好，此预测不代表绝对，我们仅使用了相关会计资料所显示的状态去作出回归验证，但还是具有一定参考性及解释力，这也意味著股市本来就存在不确定性，若有看似危机的讯号出现应当时刻关注，并留意自身风险的评估；因此，欢迎持续关注本平台，我们后续将会有更多文章向大家分享，此外，也欢迎读者及投资者们选购 TEJ E Shop中的方案来套用试试看自身手中的持股，危机发生的可能与比较，相信读者拥有完整的资料库后，就能对股市的不确定性有所掌握。