第三章 基本面分析基础：财务报表核心指标与估值体系
说实话，很多做量化的朋友一听到「基本面分析」就头疼。觉得那是价值投资者干的事，跟高频交易、机器学习不搭边。
但我个人经验告诉我——图神经网络最擅长的，恰恰就是处理基本面数据这种非欧几里得结构。你想想看，一家公司的营收、利润、现金流，跟上下游供应商、竞争对手之间，天然就是一个图结构。不懂基本面，你的GNN模型就是空中楼阁。
3.1 财务报表核心指标：三个数字看懂一家公司
我刚开始做量化时，面对三张报表也是一脸懵。后来一位老交易员跟我说：「别管那些花里胡哨的，盯住三个东西——营收、利润、现金流。」
3.1.1 营收（Revenue）
营收就是公司卖东西收到的钱。说白了，这是公司的「面子」。
- 营收增速：比绝对值更重要。我习惯看连续4个季度的同比增速，剔除季节性波动。
- 营收质量：现金收入占比。如果营收涨了但应收账款暴增，嗯，这里要小心。
避坑指南：我曾经踩过一个坑——某公司营收连续5个季度增长20%+，但仔细一看，应收账款增速是营收增速的3倍。后来果然暴雷。记住：没有现金流的营收，都是耍流氓。
3.1.2 利润（Profit）
利润是公司的「里子」。但这里有个陷阱——会计利润和真实利润是两码事。
| 利润类型 | 计算公式 | 我的关注点 |
|---|---|---|
| 毛利润 | 营收 - 营业成本 | 毛利率趋势，看护城河 |
| 营业利润 | 毛利润 - 三费 | 剔除一次性收益后的真实盈利能力 |
| 净利润 | 营业利润 ± 营业外收支 - 税 | 扣非净利润才是王道 |
我的习惯：做量化因子时，我从来不用「净利润」这个原始字段。我会自己算一个「核心利润」= 营业利润 - 投资收益 - 公允价值变动损益。这样能过滤掉90%的财务粉饰。
3.1.3 现金流（Cash Flow）
现金流是公司的「底子」。很多公司利润表好看，但现金流一塌糊涂。
- 经营活动现金流：最核心。长期为负的公司，基本可以拉黑。
- 自由现金流：经营现金流 - 资本支出。这是公司真正能「自由支配」的钱。
为什么会这样？因为利润表是权责发生制，而现金流是收付实现制。我见过太多「利润过亿、现金流为负」的奇葩公司了。
3.2 估值指标：PE、PB、PS 到底怎么看？
估值指标是基本面分析里最容易被滥用的东西。很多人拿着PE就说「这只股票便宜」，其实大错特错。
3.2.1 PE（市盈率）
PE = 股价 / 每股收益。说白了就是「多少年能回本」。
- 静态PE：用去年年报利润。滞后，但稳定。
- 滚动PE（TTM）：用最近4个季度利润。我主要用这个。
- 动态PE：用预测利润。嗯，预测这东西，你懂的。
注意：PE低于10倍不一定便宜，高于50倍不一定贵。关键看行业和增速。我曾经用PE筛选出「低估值」的钢铁股，结果跌了40%——因为行业周期下行，利润暴跌，PE反而变高了。这就是著名的「PE陷阱」。
3.2.2 PB（市净率）
PB = 股价 / 每股净资产。适合银行、保险等重资产行业。
我个人习惯：PB < 1 时，我会特别警惕。要么是公司资产质量有问题，要么是市场极度悲观。但反过来，也可能是机会——比如2016年的银行股。
3.2.3 PS（市销率）
PS = 总市值 / 营收。适合亏损但高增长的公司（比如早期的亚马逊）。
你想想看，一个公司亏损但PS很低，说明市场已经给了足够低的估值。如果它能扭亏为盈，股价弹性会非常大。
3.3 行业与宏观经济数据概览
基本面分析不能只看公司本身。行业和宏观数据，是公司生存的「土壤」。
3.3.1 行业数据
- 行业增速：公司增速 vs 行业增速。跑赢行业才是真本事。
- 集中度（CR5/CR10）：集中度提升的行业，龙头公司最受益。
- 上下游议价能力：看应付账款和应收账款周转天数。
3.3.2 宏观经济数据
做量化的人容易忽略宏观，但宏观决定了80%的贝塔。
| 指标 | 影响路径 | 我的用法 |
|---|---|---|
| GDP增速 | 整体需求 | 做行业轮动时的背景音 |
| CPI/PPI | 企业利润空间 | PPI上行时，上游资源股优先 |
| 社融数据 | 流动性 | 社融见底，往往是股市底部 |
| PMI | 制造业景气度 | 连续3个月高于50，可以乐观 |
一个小技巧：我习惯把宏观数据做成「打分卡」。比如PMI > 50 得1分，社融同比增速 > 10% 得1分，CPI < 3% 得1分。总分4分以上，仓位可以激进些；2分以下，老老实实做防守。
3.4 本章知识体系图
下面这张图，是我做基本面分析时的「导航仪」。每次拿到一家新公司，我都会按这个框架走一遍。
这张图的核心思想是：财务报表、估值指标、宏观行业数据，三者不是孤立的。比如营收增速放缓，会传导到PE估值；宏观流动性收紧，又会反过来影响现金流。图神经网络要学的，正是这种复杂的传导关系。
我的实战心得：刚开始做GNN+基本面时，我一股脑把所有指标都塞进模型。结果过拟合得一塌糊涂。后来我学乖了——先用手工筛选出20个核心指标（就是上面框架里的这些），再用GNN去学习它们之间的图结构。效果立竿见影。
好了，这一章的内容就到这里。记住：基本面分析不是让你去读财报，而是让你找到那些「能放进图神经网络」的结构化特征。下一章，我们会正式进入图神经网络的世界。
公众号:蓝海数据掘金营，微信deep3321