炒股财务分析：如何用“Python”批量筛选造假股？

在股票投资中，财务报表是投资者判断一家公司基本面的重要依据。然而，近年来A股市场频频曝出上市公司财务造假事件，如康美药业、瑞幸咖啡、辅仁药业等，给广大中小投资者带来了巨大损失。因此，如何通过财务数据分析识别潜在的造假风险，成为每一位理性投资者必须掌握的能力。

本文将介绍如何利用 Python 编程语言，结合公开的财务数据接口（如Tushare、AKShare等），对A股上市公司的财务报表进行自动化分析，并构建一个初步的“财务造假预警系统”，从而实现批量筛选疑似造假股的目标。

一、财务造假的常见手段

在深入代码前，我们先了解一些常见的财务造假手法，有助于我们在后续分析中设置合理的指标：

虚增收入与利润：通过虚构客户、伪造合同、提前确认收入等方式夸大营收。 隐瞒负债与关联交易：通过关联方转移债务、不披露重大担保等方式掩盖真实负债。 操纵现金流：通过伪造经营性现金流来掩盖盈利质量差的问题。 资产虚高或减值不足：长期挂账应收账款、存货积压、商誉未及时计提减值。 异常审计意见：频繁更换会计师事务所、审计报告出现保留意见或无法表示意见。

二、Python工具准备

为了高效获取和处理财务数据，我们需要以下Python库：

pandas：用于数据清洗与处理 numpy：数值计算支持 tushare 或 akshare：获取A股财务数据 matplotlib/seaborn：可视化辅助（可选） openpyxl/xlrd：导出Excel文件

安装示例：

pip install pandas numpy tushare akshare openpyxl

三、获取财务数据

我们可以使用 Tushare 获取A股上市公司的财务数据。注册账号后申请免费Token即可使用其API。

示例：获取所有A股公司最近三年的资产负债表和利润表

import tushare as ts import pandas as pd # 设置token并初始化pro接口 ts.set_token(‘你的token’) pro = ts.pro_api() # 获取全部A股列表 stock_list = pro.query(‘stock_basic’, exchange=”, list_status=’L’, fields=’ts_code,symbol,name,area,industry,list_date’) # 定义获取财务数据的函数 def get_financial_data(ts_code): income_df = pro.income(ts_code=ts_code, start_date=’20210101′, end_date=’20231231′) balance_df = pro.balancesheet(ts_code=ts_code, start_date=’20210101′, end_date=’20231231′) cashflow_df = pro.cashflow(ts_code=ts_code, start_date=’20210101′, end_date=’20231231′) return income_df, balance_df, cashflow_df # 示例：获取某只股票的数据 income, balance, cashflow = get_financial_data(‘000001.SZ’)

四、构建财务造假预警指标体系

以下是几个关键的财务指标，可用于识别潜在造假风险：

1. 毛利率异常波动

正常企业毛利率相对稳定，若突然大幅提升，需警惕虚增收入或成本造假。 # 毛利率 = (营业收入 – 营业成本) / 营业收入 income[‘gross_profit_ratio’] = (income[‘revenue’] – income[‘cost’]) / income[‘revenue’]

2. 应收账款增速远超营收增速

若应收账款大幅增长但营收增长有限，说明销售可能虚假。 # 计算营收增长率和应收款增长率 income[‘revenue_growth’] = income[‘revenue’].pct_change() balance[‘ar_growth’] = balance[‘accounts_receivable’].pct_change()

3. 经营活动现金流净额持续低于净利润

表明利润可能是“纸上富贵”，缺乏真实现金支撑。 cashflow[‘operating_cash_flow’] = cashflow[‘net_cash_flows_oper_act’] income[‘net_profit’] = income[‘n_income’]

4. 存货周转率下降

存货积压可能表明产品滞销，但也可能是虚增资产。 # 存货周转率 = 营业成本 / 平均存货 balance[‘inventory_turnover’] = income[‘cost’] / ((balance[‘inventories’].shift(1) + balance[‘inventories’]) / 2)

5. 商誉占比过高且未减值

商誉超过净资产20%且未计提减值，存在风险。 balance[‘goodwill_ratio’] = balance[‘goodwill’] / balance[‘total_hldr_eqy_exc_min_int’]

6. 审计意见异常

获取审计意见字段，若有“非标”意见需特别关注。 # 可通过pro.query(‘audit’)接口获取审计意见 audit_df = pro.audit(ts_code=’000001.SZ’)

五、构建评分模型与自动筛选

我们可以为每个指标设定阈值或评分规则，例如：

指标权重异常条件 毛利率波动过大15%标准差 > 5% 应收账款增速 > 营收增速20%差值 > 20% 经营现金流 < 净利润20%连续两年 存货周转率下降15%下降幅度 > 30% 商誉占净资产比例高15%> 20%且未减值 非标审计意见15%是

构建评分函数：

def score_company(income_df, balance_df, cashflow_df): score = 0 # 毛利率波动 if income_df[‘gross_profit_ratio’].std() > 0.05: score += 15 # 应收账款增速大于营收增速 if (balance_df[‘ar_growth’] – income_df[‘revenue_growth’]).mean() > 0.2: score += 20 # 经营现金流小于净利润 if ((cashflow_df[‘operating_cash_flow’] < income[‘net_profit’]) & (income[‘net_profit’] > 0)).sum() >= 2: score += 20 # 存货周转率下降 if (balance_df[‘inventory_turnover’].pct_change().mean()) < -0.3: score += 15 # 商誉占比高 if (balance_df[‘goodwill_ratio’] > 0.2).any(): score += 15 # 审计意见是否非标 audit_df = pro.audit(ts_code=income_df.iloc[0][‘ts_code’]) if not audit_df.empty and ‘非标’ in audit_df.iloc[0][‘audit_result’]: score += 15 return score

六、批量分析与结果输出

接下来我们可以遍历A股列表，对每家公司进行打分，并输出可能存在造假风险的企业名单。

results = [] for index, row in stock_list.iterrows(): ts_code = row[‘ts_code’] try: income_df, balance_df, cashflow_df = get_financial_data(ts_code) if not income_df.empty and not balance_df.empty and not cashflow_df.empty: score = score_company(income_df, balance_df, cashflow_df) results.append({ ‘ts_code’: ts_code, ‘name’: row[‘name’], ‘score’: score }) except Exception as e: continue # 转换为DataFrame并排序 risk_df = pd.DataFrame(results) risk_df.sort_values(by=’score’, ascending=False, inplace=True) # 输出高风险公司 risk_df[risk_df[‘score’] > 60].to_excel(‘high_risk_stocks.xlsx’, index=False)

七、注意事项与优化建议

数据完整性问题：部分小盘股或ST股数据缺失严重，建议设置过滤条件。 行业差异：不同行业的财务结构差异大，最好按行业分类分析。 动态调整参数：不同年份经济环境变化会影响指标表现，建议定期更新阈值。 加入机器学习模型：未来可尝试使用逻辑回归、XGBoost等算法训练识别模型。 人工复核机制：程序只能提供线索，最终判断仍需结合财报细节与新闻事件。

八、结语

随着Python在金融领域的广泛应用，越来越多的投资者开始利用编程技术提升决策效率。本文介绍了如何使用Python构建一个简单的“财务造假预警系统”，帮助投资者批量筛选可能存在财务风险的股票。

当然，该系统只是一个初步框架，实际应用中还需结合更多维度的数据（如舆情、管理层变动、监管处罚等）进行综合判断。希望本文能为广大股民提供一个实用的入门思路，助力大家在股市中稳健前行。

附录：完整代码可在Jupyter Notebook环境中运行，推荐配合VSCode+Anaconda开发环境。如需获取完整源码，请联系作者邮箱或留言索取。