企业官网建设流程全解析

Altman Z-Score 实战指南：4 个财务数字如何算出企业的隐含信用评级

【免费下载链接】python-trainingPython training for business analysts and traders项目地址: https://gitcode.com/gh_mirrors/py/python-training

Altman Z-Score 用资产负债表、利润表和市值上的 4 个数字，就能把一家公司的信用风险折算成一个可比的评级刻度。这篇指南带你走完"拉财报 → 算四个比率 → 加权得 Z 值 → 映射 AAA 到 D"的完整链路，跑完后你可以对任意一家上市公司复现同样的分析。

30 秒上手：这套分析到底产出什么

先把结论摆出来：一份约 12 行的 Python 脚本，输入一个 ticker，输出两样东西——

• 一个 Z 值，比如4.343，数值越低，离违约越近；
• 一个常规信用刻度上的隐含评级，比如AA，银行和交易台可以直接拿它对标风险敞口。

仓库 python-training 里有一份完整可运行的示例 notebooks/8_altman_z_double_prime.ipynb，用 pyEX 客户端从 IEX 接口拉取三张财务报表加关键行情，逐行演示了全部计算过程。本地跑起来：

git clone https://gitcode.com/gh_mirrors/py/python-training

打开该 notebook 后，把示例里内置的 api_token 换成你自己的数据接口凭据（仓库中的 token 仅作演示，以官方数据源为准），依赖环境见 binder/requirements.txt。

先看清四个分量的含义，再动笔算 ⚖️

Z-Score 出自 Edward Altman 1968 年提出的多元判别分析：在"违约组"和"正常组"两批企业里，找出最能区分两者的财务变量组合，再赋予权重。它不猜股价、不靠感觉，只用报表上现成的数字。

四个分量各盯一个风险维度：

• x1 营运资本 / 总资产：家底扣掉短期欠账后还剩多少，衡量短期流动性，权重 6.56；
• x2 留存收益 / 总资产：历史上是攒钱还是烧钱，衡量抗风险的家底，权重 3.26；
• x3 EBIT / 总资产：每块资产一年能"生"多少税前经营利润，权重 6.72；
• x4 权益市值 / 总负债：市场给股东的定价相对总欠账的倍数，隐含对偿债能力的信心，权重 1.05。

为什么 x1、x3 权重最高？经营赚钱能力和短期流动性是破产最直接的两个前兆。x4 权重看似最低，但分母是总负债，杠杆越高波动越大，实际影响不小。

代入 7 个报表数字，手算一遍验证流程

用一组虚构数据过一遍计算路径（单位：元）：

四个分量依次是：

• x1 = (8 - 3.2) / 20 =0.24
• x2 = -1 / 20 =-0.05（注意是负的，这家公司历史上累计亏损）
• x3 = 0.6 / 20 =0.03
• x4 = 15.6 / 6 =2.60

加权求和：

Z = 6.56×0.24 + 3.26×(-0.05) + 6.72×0.03 + 1.05×2.60 = 1.5744 - 0.163 + 0.2016 + 2.73 = 4.343

单项难看，整体未必危险——x2 为负拉低了分数，但 x4 贡献了大头，把整体撑回健康区间；反过来也成立。记住 4.343 这个数，下一节把它翻译成品级。

核心代码：12 行算出 Z 值

import pyEX as p c = p.Client(api_token="你的token", version="v1") # 替换为自己的凭据 def z_dp(ticker): bal = c.balanceSheetDF(ticker) # 资产负债表，按报告期排列 inc = c.incomeStatementDF(ticker) # 利润表 mc = c.keyStats(ticker)["marketcap"] # 当前总市值（实时行情） ta = bal["totalAssets"][0] # [0] 取最新一期 x1 = (bal["currentAssets"][0] - bal["totalCurrentLiabilities"][0]) / ta x2 = bal["retainedEarnings"][0] / ta x3 = inc["ebit"][0] / ta # 分子在利润表、分母在资产负债表，跨表组合 x4 = mc / bal["totalLiabilities"][0] return 6.56*x1 + 3.26*x2 + 6.72*x3 + 1.05*x4

两个容易忽略的细节：x3 是跨表组合，别指望一张表里找齐分子分母；x4 分子用市价而不是账面所有者权益，这正是 Z''（Double Prime，专为上市公司信用风险校准）与 1968 年原始版本的关键区别之一。

从 Z 值到 AAA-D 的评级刻度：加 3.25 再查表 📊

原始 Z 模型只有三个粗分界：大于 2.6 算健康、1.1~2.6 是灰色地带、小于 1.1 高危（不同资料口径略有出入）。现代用法更进一步，直接映射到常规信用刻度，分两步：

1. Z 值整体+3.25平移——Z 的数值域偏小，评级刻度偏大，先对齐量程；
2. 在阈值表里找严格小于调整后 Z 值的最大阈值，取其对应评级。

def implied_rating(z): adj = z + 3.25 # 量程平移 z_map = [8.15, 7.6, 7.3, 7.0, 6.85, 6.65, 6.4, 6.25, 5.85, 5.65, 5.25, 4.95, 4.75, 4.5, 4.15, 3.75, 3.2, 2.5, 1.75] grades = ["AAA","AA+","AA","AA-","A+","A","A-","BBB+","BBB","BBB-", "BB+","BB","BB-","B+","B","B-","CCC+","CCC","CCC-","D"] # searchsorted 找"最大阈值下标"，等价于查表；低于最小阈值时兜底返回 D import numpy as np i = min(np.searchsorted(z_map, adj, side="right"), len(z_map) - 1) return grades[min(i, len(grades) - 1)]

验证一下开头案例：4.343 + 3.25 = 7.593，落在 7.3 与 7.6 之间，查表得AA。主要档位速查：

上面用了searchsorted写法，天然规避了"取不到值就报错"的边界问题；notebooks/8_altman_z_double_prime.ipynb 里的版本则用np.array(z_map)[np.array(z_map) < adj].max()实现同样的查表逻辑，可以对照着看。

五个最容易翻车的坑 ⚠️

Z-Score 是一面"有特定角度的镜子"，换个角度照就会歪：

另外务必分清版本：本文全程用的是Z''（Double Prime），系数 6.56 / 3.26 / 6.72 / 1.05 是上市公司校准版；1968 年原始 Z 模型的分母组合和系数与此不同，引用文献时别混用。

跑通之后：批量扫描、看趋势、设预警 🚀

单公司流程跑顺后，按这个顺序小步扩展：

1. 批量扫描：把z_dp套到一组同行业 ticker 上，输出 (ticker, x1~x4, Z, 隐含评级) 表格，先看横截面分布；
2. 加时间维度：取 4~8 个历史报告期重算 Z，画趋势线并叠加评级阈值参考线；
3. 交叉验证：用历史违约事件回测分界点，别直接照搬 2.99 / 1.81 这类流行阈值，以自己样本上的表现为准；
4. 扩到组合层面：对持仓定期刷新 Z 值，把"隐含评级下滑一档"设成预警条件。

Z-Score 的价值不在那个分数本身，而在于它强迫你系统地过一遍流动性、积累、盈利和杠杆四个维度。把这条最小链路跑顺之后，换权重、加变量，都只是在这个骨架上扩展的事。

【免费下载链接】python-trainingPython training for business analysts and traders项目地址: https://gitcode.com/gh_mirrors/py/python-training