股权融资成本GLS模型计算

2024-04-12 14:28
文章标签 计算 模型 融资 成本 股权 gls

本文主要是介绍股权融资成本GLS模型计算，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

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.closeFlieName：12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.csv"stkCode =  pd.read_csv("newStkCode.csv",header=None,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_col="Stkcd").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_col="IndustryCode")["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},index=sorted(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],inplace=True,axis=0)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,"t+1"] = FROE.loc[eachIndex].sort_values(by="预测年度")["FROE"].iloc[1]*0.01panel.loc[eachIndex,"t+2"] = FROE.loc[eachIndex].sort_values(by="预测年度")["FROE"].iloc[2]*0.01
#     close.loc[eachIndex,"t+3"] = FROE.loc[eachIndex]["FROE"].iloc[2]*0.01panel.loc[eachIndex,"t+3"] = (panel.loc[eachIndex,"t+1"] + panel.loc[eachIndex,"t+2"])/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,"t+3"]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,"t+"+str(i)] = beginfor i in list(range(1,13)):bFront = bFront + panel.loc[eachIndex,"t+"+str(i)] * bFront * (1-panel.loc[eachIndex,"k"])panel.loc[eachIndex,"b"+str(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",header=None)[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;
data=csvread('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);
P=data(:,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)/((1+r(j))^i);endyy(stock,j) = yy(stock,j) + (FROE(stock,12)-r(j))*B(stock,12)/(r(j)*(1+r(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,j+1) * 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
xSort=sort(result);%剔除头尾百分之一的数据
delNum=ceil(length(xSort) * 0.01);
for i=1:length(xSort)-2*delNumx2(i,1)=xSort(i+delNum);
end%求平均值以及标准差
avg=mean(x2);
stdev=std(x2);% function y=myfun(r,P,B,FROE)
%     F=B(1);
%     for i=1:11
%         F=F+(FROE(i)-r)*B(i)/((1+r)^i);
%     end
%     F=F+(FROE(12)-r)*B(12)/(r*(1+r)^12);
%     y=P-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）

这篇关于股权融资成本GLS模型计算的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/897391。

相关文章

Python如何计算两个不同类型列表的相似度

Python如何计算两个不同类型列表的相似度

《Python如何计算两个不同类型列表的相似度》在编程中,经常需要比较两个列表的相似度,尤其是当这两个列表包含不同类型的元素时,下面小编就来讲讲如何使用Python计算两个不同类型列表的相似度吧... 目录摘要引言数字类型相似度欧几里得距离曼哈顿距离字符串类型相似度Levenshtein距离Jaccard相
阅读更多...
0基础租个硬件玩deepseek,蓝耘元生代智算云|本地部署DeepSeek R1模型的操作流程

0基础租个硬件玩deepseek,蓝耘元生代智算云|本地部署DeepSeek R1模型的操作流程

《0基础租个硬件玩deepseek,蓝耘元生代智算云|本地部署DeepSeekR1模型的操作流程》DeepSeekR1模型凭借其强大的自然语言处理能力,在未来具有广阔的应用前景,有望在多个领域发... 目录0基础租个硬件玩deepseek,蓝耘元生代智算云|本地部署DeepSeek R1模型，3步搞定一个应
阅读更多...
Deepseek R1模型本地化部署+API接口调用详细教程(释放AI生产力)

Deepseek R1模型本地化部署+API接口调用详细教程(释放AI生产力)

《DeepseekR1模型本地化部署+API接口调用详细教程(释放AI生产力)》本文介绍了本地部署DeepSeekR1模型和通过API调用将其集成到VSCode中的过程,作者详细步骤展示了如何下载和... 目录前言一、deepseek R1模型与chatGPT o1系列模型对比二、本地部署步骤1.安装oll
阅读更多...
Spring AI Alibaba接入大模型时的依赖问题小结

Spring AI Alibaba接入大模型时的依赖问题小结

《SpringAIAlibaba接入大模型时的依赖问题小结》文章介绍了如何在pom.xml文件中配置SpringAIAlibaba依赖,并提供了一个示例pom.xml文件,同时,建议将Maven仓... 目录（一）pom.XML文件：（二）application.yml配置文件（一）pom.xml文件：首
阅读更多...
如何在本地部署 DeepSeek Janus Pro 文生图大模型

如何在本地部署 DeepSeek Janus Pro 文生图大模型

《如何在本地部署DeepSeekJanusPro文生图大模型》DeepSeekJanusPro模型在本地成功部署,支持图片理解和文生图功能,通过Gradio界面进行交互,展示了其强大的多模态处... 目录什么是 Janus Pro1. 安装 conda2. 创建 python 虚拟环境3. 克隆 janus
阅读更多...
本地私有化部署DeepSeek模型的详细教程

本地私有化部署DeepSeek模型的详细教程

《本地私有化部署DeepSeek模型的详细教程》DeepSeek模型是一种强大的语言模型,本地私有化部署可以让用户在自己的环境中安全、高效地使用该模型,避免数据传输到外部带来的安全风险,同时也能根据自... 目录一、引言二、环境准备（一）硬件要求（二）软件要求（三）创建虚拟环境三、安装依赖库四、获取 Dee
阅读更多...
DeepSeek模型本地部署的详细教程

DeepSeek模型本地部署的详细教程

《DeepSeek模型本地部署的详细教程》DeepSeek作为一款开源且性能强大的大语言模型,提供了灵活的本地部署方案,让用户能够在本地环境中高效运行模型,同时保护数据隐私,在本地成功部署DeepSe... 目录一、环境准备（一）硬件需求（二）软件依赖二、安装Ollama三、下载并部署DeepSeek模型选
阅读更多...
Golang的CSP模型简介(最新推荐)

Golang的CSP模型简介(最新推荐)

《Golang的CSP模型简介(最新推荐)》Golang采用了CSP（CommunicatingSequentialProcesses,通信顺序进程）并发模型,通过goroutine和channe... 目录前言一、介绍1. 什么是 CSP 模型2. Goroutine3. Channel4. Channe
阅读更多...
使用C#代码计算数学表达式实例

使用C#代码计算数学表达式实例

《使用C#代码计算数学表达式实例》这段文字主要讲述了如何使用C#语言来计算数学表达式,该程序通过使用Dictionary保存变量,定义了运算符优先级,并实现了EvaluateExpression方法来... 目录C#代码计算数学表达式该方法很长，因此我将分段描述下面的代码片段显示了下一步以下代码显示该方法如
阅读更多...
如何用Java结合经纬度位置计算目标点的日出日落时间详解

如何用Java结合经纬度位置计算目标点的日出日落时间详解

《如何用Java结合经纬度位置计算目标点的日出日落时间详解》这篇文章主详细讲解了如何基于目标点的经纬度计算日出日落时间,提供了在线API和Java库两种计算方法,并通过实际案例展示了其应用,需要的朋友... 目录前言一、应用示例1、天安门升旗时间2、湖南省日出日落信息二、Java日出日落计算1、在线API2
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2