Advertisement

1990-2023年上市公司季度相对价值指标数据(市盈率、市销率、市现率、市净率、托宾Q值、账面市值比)

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型:ZIP


简介:
本数据库收录了自1990年至2023年的中国上市公司每季财务报告中的关键估值指标,包括市盈率、市销率等六大核心数据,旨在为投资分析提供详实参考。 上市公司相对价值指标(1990-2023年季度数据)包括市盈率、市销率、市现率、市净率、托宾Q值、账面市值比及普通股获利率等,涵盖企业价值倍数。 该数据库涵盖了A股主板市场、中小企业板市场、创业板市场以及科创板和北京证券交易所的上市公司。所有数据均基于上市公司的财务报告与公告整理而成。 统计范围包括1990年至2023年第一季度的数据,涉及沪市、深市及北交所的所有板块内的公司。 主要指标如下: - 股票代码 - 股票简称 - 统计截止日期 - 行业代码与行业名称 - 公告来源 具体相对价值指标包括: 1. 市盈率(PE):原始、最新及TTM数据。 2. 市销率(PS):原始、最新及TTM数据。 3. 市现率(PCF):原始、最新及TTM数据。 4. 市净率(PB) 5. 市值与有形资产比 6. 母公司市盈率(PE):原始、最新及TTM数据。 这些指标为投资者提供了全面的视角,帮助他们理解公司的市场价值和财务健康状况。

全部评论 (0)

还没有任何评论哟~
客服
客服
  • 1990-2023Q
    优质
    本数据库收录了自1990年至2023年的中国上市公司每季财务报告中的关键估值指标,包括市盈率、市销率等六大核心数据,旨在为投资分析提供详实参考。 上市公司相对价值指标(1990-2023年季度数据)包括市盈率、市销率、市现率、市净率、托宾Q值、账面市值比及普通股获利率等,涵盖企业价值倍数。 该数据库涵盖了A股主板市场、中小企业板市场、创业板市场以及科创板和北京证券交易所的上市公司。所有数据均基于上市公司的财务报告与公告整理而成。 统计范围包括1990年至2023年第一季度的数据,涉及沪市、深市及北交所的所有板块内的公司。 主要指标如下: - 股票代码 - 股票简称 - 统计截止日期 - 行业代码与行业名称 - 公告来源 具体相对价值指标包括: 1. 市盈率(PE):原始、最新及TTM数据。 2. 市销率(PS):原始、最新及TTM数据。 3. 市现率(PCF):原始、最新及TTM数据。 4. 市净率(PB) 5. 市值与有形资产比 6. 母公司市盈率(PE):原始、最新及TTM数据。 这些指标为投资者提供了全面的视角,帮助他们理解公司的市场价值和财务健康状况。
  • 2004-2022Q.xlsx
    优质
    本Excel文件包含了自2004年至2022年间中国上市公司的托宾Q值数据,为研究公司资产价值提供了详实的数据支持。 2004-2022年上市公司托宾Q值数据 1. 时间:2004-2022年 2. 指标:年份、股票代码、股票简称、行业名称、行业代码、省份、城市、区县、行政区划代码、城市代码、区县代码、首次上市年份、上市状态、托宾Q值 3. 范围:上市公司 4. 来源:上市公司年报 5. 样本量:5万条数据 6. 指标解释: 托宾Q值是由经济学家詹姆斯·托宾提出的,用于衡量公司投资机会与市场对其估值之间的关系。理论上,当托宾Q值大于1时,公司的市值超过了其资产价值,表明该公司应增加投资;反之,如果Q值小于1,则表示公司的市值低于其资产价值,可能意味着过度投资或市场对公司前景不乐观。 计算公式: 托宾Q值 = 市值 / 总资产 其中,市值计算方法如下: - 人民币普通A股的今收盘价期末值 - 境内上市外资B股的今收盘价期末值乘以当日汇率 - (总股本数-人民币普通A股-境内上市外资B股)*(所有者权益合计期末值/实收资本本期期末值) - 负债合计本期期末值
  • 机器(2003-2021
    优质
    该资料汇集了自2003年至2021年间中国上市公司的机器设备账面价值数据,为研究企业固定资产投资及财务状况提供详实依据。 标题中的“上市公司机器账面价值2003-2021年”指的是一个涵盖了从2003年至2021年间中国上市公司的机器资产账面价值的数据集,记录了企业在这些年间对机器设备的投资、折旧和更新情况。该数据集反映了企业固定资产投资、生产效率及行业发展状况的重要依据。 描述中提到,“数据名称”是“上市公司机器账面价值”,表明这是一个与上市公司财务状态紧密相关的数据库,涵盖从2003年到2021年的19年间的数据,并提供了总计36551条样本。这些数据来源于上市公司的年度报告,确保了信息的官方性和可靠性。 标签“金融商贸”和“大数据”揭示了该数据集的应用领域,在金融商贸领域中,这样的数据可以帮助投资者、分析师及政策制定者理解上市公司在设备投资上的行为,并进一步分析其对经济增长、市场竞争以及行业动态的影响。此外,“大数据”的标签意味着这些数据适合使用现代统计方法如数据挖掘或机器学习进行深入分析。 压缩包内可能包含一个名为“说明.txt”的文档,其中详细介绍了关于数据集的信息,例如字段解释及处理异常值的方法等;同时还有一个7786.zip文件,里面包含了实际的数据。每个条目可能会包括公司的标识信息、年份、机器账面价值以及其他相关财务指标。 通过这些数据可以进行多方面的研究工作,比如分析历年机器账面价值的增长率、探究其与GDP和行业产值的关系等。此外还可以比较不同行业或地区的设备投资策略,并预测未来的投资趋势;或者利用聚类分析识别出具有相似投资模式的公司群体,以及探索影响机器账面价值的关键因素(如企业规模及盈利能力)。这些研究对于投资者、企业管理者乃至宏观经济研究人员都极具参考价值。
  • 2003-2021沪深A股Q(TobinQ)
    优质
    本数据集涵盖了从2003年至2021年间沪深A股上市公司的托宾Q比率(Tobins Q),用于评估企业市场价值与重置成本之间的关系,是财务分析和公司估值研究的重要工具。 沪深A股上市公司托宾Q(Tobins Q)数据样例与指标如下: 证券代码:000001 会计期间:2003-12-31 托宾Q值:0.085863937 证券中文简称:平安银行 公司英文名称:Ping An Bank Co., Ltd. 行业名称C:货币金融服务 行业代码C :J66 上市日期:1991-04-03 证券代码:000001 会计期间:2004-12-31 托宾Q值:0.062769555 证券中文简称:平安银行 公司英文名称:Ping An Bank Co., Ltd. 行业名称C :货币金融服务 行业代码C :J66 上市日期:1991-04-03 证券代码:000001 会计期间:2005-12-31 托宾Q值: 0.052122567 证券中文简称:平安银行 公司英文名称:Ping An Bank Co., Ltd. 行业名称C :货币金融服务 行业代码C :J66 上市日期:1991-04-03
  • 更新31个省份和直辖(2003-2021
    优质
    本数据集提供了从2003年至2021年间中国各省份及直辖市内上市公司的总市值,涵盖全国31个地区长达十九年的经济变迁记录。 数据详情如下: 1. 数据涵盖31个省市的上市公司总市值,时间跨度为2003年至2021年,频率为年度。 2. 数据来源:通过Wind数据库下载后手工整理而成,形成分年度不同省市上市公司的总市值表格。该表格分为三个sheet页,第一个是原始数据记录;第二个是以元为单位的整理后的数据;第三个则是以亿元为单位的整理后数据。这些数据可以验证,并可根据需要进行单位调整。 3. 数据来源:Wind数据库。 如有需求延长时间段或获取其他有关上市公司、宏观微观的数据,请联系邮件774860908@qq.com【更新】2020和2021年度数据单独在一个表格中,压缩文件包含的是2003至2019年的数据。请注意!
  • 1990-2024退情况及退名单(STATA分析)
    优质
    本研究运用STATA软件分析自1990年至2024年间公司的退市状况,并列出详细的退市上市公司名单,旨在揭示影响企业生存与发展的关键因素。 在IT行业中,数据分析是一项至关重要的任务,特别是在金融领域。本段落探讨的是关于“1990-2024年公司是否退市、上市公司退市名单、退市上市公司、退市公司”的研究项目,这是一个涉及大数据分析的课题,主要关注特定时间段内上市公司的退出情况。 首先,“是否退市”是二元变量,在数据分析中被用作分类或逻辑回归模型的重要特征。如果一家公司在某个时间点已经从市场撤出,则该指标值为1;否则为0。这一指标有助于预测公司未来的经营状况和风险水平。 其次,分析“退市年份”可以帮助识别公司的退出模式、周期性趋势以及可能的影响因素,如经济环境或政策变化等。通过对历史数据进行时间序列分析(包括趋势、季节性和循环性分析),可以建立模型来预测未来可能出现的市场变动和公司行为。 在数据分析过程中使用的原始数据集通常包含各种相关信息,例如财务报表、市值信息及盈利能力指标等,这些都对构建复杂的统计模型至关重要。比如通过生存分析模型评估哪些因素可能增加公司的退市风险。 计算代码一般以Stata脚本形式存在,这是一种广泛应用于社会科学和经济学领域的强大统计软件。该脚本涵盖了数据预处理步骤(如清洗缺失值)、变量转换、逻辑回归或Cox比例风险等高级建模方法的应用以及结果的解释说明等内容。 此外,在进行大规模数据分析时,可能还会使用到Hadoop、Spark这样的大数据技术平台及Python或R编程语言来高效地处理和分析海量数据集。这些工具能够帮助研究人员快速有效地找到隐藏在大量信息中的模式与趋势,并通过Matplotlib或ggplot2等可视化库将结果直观展现出来。 最后,在项目文件夹中通常会包含详细的说明文档,解释整个研究的过程、目的及所采用的具体统计方法等内容;同时也会提供一个数据集压缩包(如9751.zip),内含各个上市公司的详细信息和历史记录。这些资源对于深入理解公司退市背后的驱动因素具有重要价值。 综上所述,本项目不仅涉及大数据分析与时间序列建模等技术手段的应用,还涵盖了金融市场的公司生存研究及如何利用专业软件进行数据分析的技能训练。通过上述方法和技术的支持,可以为投资者提供重要的决策依据和市场洞察力。
  • 使用Python从雪球抓取A股的股票,包括总、总资产、利润、资产收益
    优质
    本项目利用Python语言编写代码,自动化地从雪球网站获取A股市场中各上市公司的关键财务指标,如总市值、总资产、净利润等核心信息,并计算市净率与净资产收益率,为投资者提供全面且深入的数据分析支持。 使用Python从雪球爬取股票信息,获取A股大盘的ROE、PE、PB等数据,并提取A股总市值、总资产、总利润、市净率及净资产收益率等相关指标。