管理世界 | 使用md&a数据中计算「企业融资约束指标」

技术路线

[工作量]
  1. 代码130+行
  2. 调试时间 3 小时， 运行时间 20 小时
  
  
[内容]
  1. 设计正则表达式， 识别企业融资约束
  2. 构建企业管理层讨论与分析文本向量(标准化) Vec_it
  3. 构建板块(沪、深)文本向量(标准化)BoardVec_bt
  4. 构建行业文本向量(标准化) IndustryVec_it
  5. 构建融资约束样本集的文本均值向量(标准化) ConstrainedVec_it
  6. 基于前面几个变量，计算得到
     - BoardScore_bt 、 InstryScore_it
     - 得到5w多个csv文件(中间运算结果), 存储在 fin_constrain_output/{year}/{code}.csv
     
  7. [融资约束FC指标计量建模]
    - ConstrainedScore_it =β0 + β1 * BoardScore_bt + β2 * IndustryScore_it + E_it
    - BoardScore_bt  交易所引发的融资约束相似度
    - IndustryScore_it  行业特征引发的融资约束相似度
    - E_it  残差就是本文要计算的[融资约束指标FC]

一、识别融资约束样本

在获取 MD&A 的基础上，采用正则表达式（Regular Expression）检索出隐含融资约束信息的文本，并把相应的 MD&A 进行标记，纳入对应年度的融资约束文本集中。其中，在检索并标记融资约束文本的过程中，本文参考 Hoberg 和 Maksimovic （2015）、Buehlmaier 和 Whited（2016）的研究方法。

Hoberg 和 Maksimovic（2015）认为，融资约束体现为投资计划、项目的推迟、搁置乃至放弃，因此，他们构造了两组“推迟投资”词语列表，一组是有推迟、延期、搁置含义的动词词表; 另一组是与投资、项目、计划等意思相近的名词词表。若在待识别文本中，动词词表和名词词表中的词语、词组同时出现，且相隔不超过 12 词，则将其判定为有推迟投资含义的融资约束文本。

Buehlmaier 和 Whited（2016）在构建股权融资约束文本集的过程中，直接引用了前者的“推迟投资”词表，同时，为了确定投资的推迟确实是由股权融资方面的问题引起的，还计算了距“推迟投资”语句 12 词以内股权融资相关词语出现的频率，最终只把频率排行前 250 的观测加入股权融资约束文本集。

1.1 前人不足

需要说明的是，尽管本文采用的方法借鉴了 Hoberg 和 Maksimovic（2015）和 Buehlmaier 和 Whited （2016）的做法，但与其存在着两个方面的差异。

第一，本文没有通过“推迟投资”界定融资约束，而是通过公司对资金状况的描述去识别，相较而言这一做法更为直接。例如，若公司明确表明融资能力有限，资金紧张，则被视为融资约束样本。
第二，我们认为，即便“推迟投资”词表中的动词和名词在相隔 12 词以内出现，两个词之间也未必有关联，12词的窗口长度容易引起大量误判。尤其考虑到汉语使用较为灵活，不同公司在表述上也存在着较大的差异，因此，本文使用了可覆盖更多表述形式、更加灵活的正则表达式进行检索，并根据数次检索结果排除了很多容易导致误判的情形，查准率较高。

1.2 本文完善

具体地，为了在 MD&A 文本集中检索出融资约束文本，我们在设计正则表达式时将能显示公司有融资约束的各种文字表达，以词语组合的形式进行提炼。

regex1 = "[^。]*?(融资|资金|筹资)[^。]{0, 6}?(难以|不能|无法|不足以)[^。]*"
#能在 MD&A 文本中匹配出以下形式的句子：（除句 号以外的任意长度字符串）+融资/资金/筹资+（六个 字符长度以内的任意字符串）+难以/不能/无法满足/不足以+（除句号以外的任意长度字符串）；

regex2 = "[^。]*?(融资|资金|筹资)[^。]{0, 6}?(成本|压力|难度)[^。]{0, 4}?(升|增|高|大)[^。]*"
#可在句号以外的任意长度字符串）+融资/资金/筹资+（六 个字符长度以内的任意字符串）+成本/压力/难度+ （4 个字符长度以内的任意字符串）+升/高/增/大+ （除句号以外的任意长度字符串）。

仅仅考虑融资约束文本的各种可能表述是不够的，会出现大量误判，例如，机械地将“资金”之后 4 个字符以内出现“不足”的语句识别为融资约束语句，非常容易造成误判，因为部分 MD&A 提及公司“资金管理水平不足”，而资金管理水平反映的是公司运营能力，和融资约束无直接关系。诸如此类的匹配应视作误判而排除，因此我们利用正则表达式灵活的语法规则，同时构造了排除性条件。 在此基础上，将这些对应着不同判断逻辑的“规则字符串”合并至同一个正则表达式中。如果难以合并，则利用程序语言的条件判断逻辑，对正则表达式组进行组合使用。 在具体操作中，本文就使用了正则表达式组。

二、构建中文融资约束样本识别代码

前面的样本识别都是论文原文，接下来是大邓对该论文的融资约束样本识别算法的复现。

2.1 融资约束文本的场景

这是一个相对复杂的需求，需要综合考虑多种情况，对于每种情况，都构建一个单独的正则表达式，用于匹配对应的文本。可以使用“或”运算符，合并为一个更大的正则表达式。

import re


#融资不足情况
regex1 = r"(?:融资|资金|筹资)[^。]{0,6}?(?:难以|不能|无法|不足以)[^。]*"
#融资成本或压力过大情况
regex2 = r"(?:融资|资金|筹资)[^。]{0,6}?(?:成本|压力|难度)[^。]{0,4}?(?:升|增|高|大)[^。]*"

#可以使用“或”运算符， 合并为一个更大的正则表达式
pattern = r"(" + regex1 + r")|(" + regex2 + r")"


#实验数据
text1 = "公司在过去几年中进行了大量的投资，导致资金短缺，难以支持公司未来的发展计划。"
text2 = "公司在过去几年中进行了大量的投资计划，资金状况良好，没有融资压力。"

#实验结果
matches1 = re.findall(pattern, text1)
print(matches1)
matches2 = re.findall(pattern, text2)
print(matches2)

Run

    [('资金短缺，难以支持公司未来的发展计划', '')]
    []

在上面的例子中，pattern能识别出文本是否含有融资约束。

text1有融资约束，所以返回带 有内容 的 matches1
text2没有融资约束，所以返回 没有内容 的 matches2

2.2 识别中文融资约束样本的最终代码

前面的内容都是算法逐步实现的过程，现在咱们合并为一个函数代码

import re

def is_financial_constraint(text):
    #正则表达式组
    regex1 = r"(?:融资|资金|筹资)[^。]{0,6}?(?:难以|不能|无法|不足以)[^。]*"
    regex2 = r"(?:融资|资金|筹资)[^。]{0,6}?(?:成本|压力|难度)[^。]{0,4}?(?:升|增|高|大)[^。]*"
    pattern = r"(" + regex1 + r")|(" + regex2 + r")"
    
    #带内容的结果为融资约束，为True；反之，为False
    if len(re.findall(pattern, text))>=1:
        return True
    else:
        return False
    
    
#实验数据
text1 = "公司在过去几年中进行了大量的投资，导致资金短缺，难以支持公司未来的发展计划。"
text2 = "公司在过去几年中进行了大量的投资计划，资金状况良好，没有融资压力。"

#实验结果
print('text1文本是否为融资约束: ', is_financial_constraint(text1))
print('text2文本是否为融资约束: ', is_financial_constraint(text2))

Run

    text1文本是否为融资约束:  True
    text2文本是否为融资约束:  False

三、批量识别融资约束样本

接下来对对 data/mda01-22.csv.gz 数据集所有md&a进行识别。

import pandas as pd

df = pd.read_csv('data/mda01-22.csv.gz', compression='gzip')
df.columns = ['会计年度', '股票代码', '经营讨论与分析内容']

#上市公司行业信息
ind_info_df = pd.read_excel('data/行业代码00-22.xlsx')

#合并数据
df = pd.merge(df, ind_info_df, on=['股票代码', '会计年度'], how='inner')
print(len(df))
df.head()

Run

新建板块字段，上海证券交易所股票大多以 6、9开头，而深圳证券交易所以0、3开头

def plate(code):
    if (code[:2]=='A6') or (code[:2]=='A9'):
        return '上海'
    elif (code[:2]=='A0') or (code[:2]=='A3'):
        return '深圳'
    else:
        return '其他'
    
df['板块'] = df['股票代码'].apply(plate)

df.head()

df['融资约束'] = df['经营讨论与分析内容'].apply(is_financial_constraint)
df.head()

#融资约束样本占比
df['融资约束'].sum()/len(df)

0.1062814926390159

注意

设计的 函数is_financial_constraint 应该要检查，检查的目的是改良正则表达式组，这里假装我们检查完了，没什么问题。

四、构建融资约束指标

前面的融资约束样本识别，只是识别出融资约束是否存在，信息的颗粒度比较粗糙。这篇论文使用文本相似度算法，构建了每家企业的融资约束指标。

本文同样参照 Hoberg 和 Maksimovic（2015）的研究方法，我们认为，融资约束程度相近的公司，其在“管理层讨论与分析”中的用词和表述也会趋于一致。因此，通过采用余弦相似度的方法，能够在识别出全体样本的融资约束程度，并以连续变量的形式进行呈现。

具体实现算法步骤

给每个 md&a 文本转化为向量 Vec_it
当年所有属于融资约束样本的 Vec_it ，求均值得到 ConstrainedVec_t
每家企业当年融资约束水平(程度) 由 Vec_it 与 ConstrainedVec_t 之积 , 即 ConstrainedScore_it 所体现。
考虑到市场板块、行业性因素对融资约束的影响，不能直接使用 ConstrainedScore_it。
- 对历年隶属于各个板块的公司 MD&A，求标准化词频向量的均值并做标准化处理，记为 BoardVectb_bt ，该向量反映了上市板 b 在 t 年的共同性信息披露内容。
- Vec_it 与对应板块 BoardVec_bt 之积，即为因 MD&A 共性内容导致的相似度，记作 BoilerplateScore_i。
- 利用相同方法，计算出因行业特征引发的相似度，记作 IndustryScore_it 。
ConstrainedScore_it = β0 + β1 * BoardScore_bt + β2 * IndustryScore_it + E_it
- BoardScore_bt 交易所引发的融资约束相似度
- IndustryScore_it 行业特征引发的融资约束相似度
- E_it 残差就是本文要计算的[融资约束指标FC]

4.1 计算2020年的Vec_it

计算量太大，先以2020为例写代码。

df_per_year = df[df['会计年度']==2020]
df_per_year.reset_index(inplace=True)
df_per_year.head()

处理2020年的「经营讨论与分析内容」字段内容，使其:

只保留中文内容
剔除停用词
整理为用空格间隔的字符串(类西方语言文本格式)
将本文转为向量后，标准化。
合并一些需要的字段，如***[‘股票代码’, ‘会计年度’, ‘板块’, ‘行业代码’, ‘融资约束’]***

%%time
from sklearn.feature_extraction.text import CountVectorizer
import numpy as np
import cntext as ct
import jieba
import re


#cntext1.x
#stopwords = ct.load_pkl_dict('STOPWORDS.pkl')['STOPWORDS']['chinese']

#cntext2.x
stopwords= ct.read_yaml_dict('enzh_common_StopWords.yaml')['Dictionary']['chinese']


def transform(text):
    #只保留md&a中的中文内容
    text = ''.join(re.findall('[\u4e00-\u9fa5]+', text))
    #剔除停用词
    words = [w for w in jieba.cut(text) if w not in stopwords]
    #整理为用空格间隔的字符串(类西方语言文本格式)
    return ' '.join(words)


df_per_year['clean_text'] = df_per_year['经营讨论与分析内容'].apply(transform)
cv = CountVectorizer(min_df=0.05, max_df=0.5) 
# 生成稀疏bow矩阵
#dtm 文档-词频-矩阵
dtm_per_year = cv.fit_transform(df_per_year['clean_text']) 
dtm_per_year = pd.DataFrame(dtm_per_year.toarray(), index=dtm_per_year.index)

#向量标准化normalize
dtm_per_year = dtm_per_year.apply(lambda row: row/np.sum(row), axis=1)

#合并多个字段为新的df
dtm_per_year = pd.concat([df_per_year[['股票代码', '会计年度', '板块', '行业代码', '融资约束']], dtm_per_year], axis=1)
dtm_per_year.head()

Run

    CPU times: user 5.88 s, sys: 901 ms, total: 6.78 s
    Wall time: 49.7 s

4.2 2020年的板块评分、行业评分

计算2020年所有公司的 板块评分BoardScore、行业评分IndustrySocre。该部分代码运行较慢，运行下来大约2小时。

%%time

import os
import pandas as pd


year = 2020

if not os.path.exists('fin_constrain_output'):
    os.mkdir('fin_constrain_output')
        

for idx in range(len(dtm_per_year)):
    code = dtm_per_year.loc[idx, '股票代码']
    ind = dtm_per_year.loc[idx, '行业代码']
    year = dtm_per_year.loc[idx, '会计年度']
    board = dtm_per_year.loc[idx, '板块']
    
    
    Vec = dtm_per_year.iloc[idx, 5:]
    Ind_Vec = dtm_per_year[dtm_per_year['行业代码']==ind][dtm_per_year['股票代码']!=code].iloc[:, 5:].mean(axis=0)
    Ind_Score = Vec * (Ind_Vec/np.sum(Ind_Vec))
    FinConstrain_Vec = dtm_per_year[dtm_per_year['融资约束']==True].iloc[:, 5:].mean(axis=0)
    FinConstrain_Score = Vec * (FinConstrain_Vec/np.sum(FinConstrain_Vec))
    Board_Vec = dtm_per_year[dtm_per_year['板块']==board][dtm_per_year['股票代码']!=code].iloc[:, 5:].mean(axis=0)
    Board_Score = Vec * (Board_Vec/np.sum(Board_Vec))
    

    dtm_per_year_melted = dtm_per_year.melt(id_vars=['股票代码', '会计年度', '行业代码', '板块', '融资约束'],
                                            var_name='word_id', 
                                            value_name='word_freq')
    

    corporate_df = pd.DataFrame({'word_id': dtm_per_year_melted[dtm_per_year_melted['股票代码']==code]['word_id'].values,
                                 'word_freq': dtm_per_year_melted[dtm_per_year_melted['股票代码']==code]['word_freq'].values,
                                 'ind_freq': Ind_Score,
                                 'board_freq': Board_Score,
                                 'fin_constrain_freq': FinConstrain_Score})
    corporate_df['股票代码'] = code
    corporate_df['行业代码'] = ind
    corporate_df['板块'] = board
    corporate_df['会计年度'] = year
    
    corporate_df.reset_index(inplace=True)
    corporate_df = corporate_df[['股票代码', '行业代码', '会计年度', '板块', 'word_id', 'word_freq', 'ind_freq', 'board_freq', 'fin_constrain_freq']]
    
    if not os.path.exists('fin_constrain_output/{year}'.format(year=year)):
        os.mkdir('fin_constrain_output/{year}'.format(year=year))
    
    corporate_df.to_csv('fin_constrain_output/{year}/{code}.csv'.format(year=year, code=code), index=False, mode='w')

4.3 计算所有年份板块评分、行业评分

这部分代码，全部运行下来，耗时 20 小时。

%%time
from sklearn.feature_extraction.text import CountVectorizer
import numpy as np
import pandas as pd
import re
import os
from tqdm import tqdm
import cntext as ct
import jieba



if not os.path.exists('fin_constrain_output'):
    os.mkdir('fin_constrain_output')
    
    
    
#cntext1.x
#stopwords = ct.load_pkl_dict('STOPWORDS.pkl')['STOPWORDS']['chinese']
#cntext2.x
stopwords= ct.read_yaml_dict('enzh_common_StopWords.yaml')['Dictionary']['chinese']



def is_financial_constraint(text):
    #正则表达式组
    regex1 = r"(?:融资|资金|筹资)[^。]{0,6}?(?:难以|不能|无法|不足以)[^。]*"
    regex2 = r"(?:融资|资金|筹资)[^。]{0,6}?(?:成本|压力|难度)[^。]{0,4}?(?:升|增|高|大)[^。]*"
    pattern = r"(" + regex1 + r")|(" + regex2 + r")"
    
    #带内容的结果为融资约束，为True；反之，为False
    if len(re.findall(pattern, text))>=1:
        return True
    else:
        return False
    


def transform(text):
    #只保留md&a中的中文内容
    text = ''.join(re.findall('[\u4e00-\u9fa5]+', text))
    #剔除停用词
    words = [w for w in jieba.cut(text) if w not in stopwords]
    #整理为用空格间隔的字符串(类西方语言文本格式)
    return ' '.join(words)

    
def plate(code):
    #判断股票是在上海证券交易所还是深圳证券交易所
    if (code[:2]=='A6') or (code[:2]=='A9'):
        return '上海'
    elif (code[:2]=='A0') or (code[:2]=='A3'):
        return '深圳'
    else:
        return '其他'

    
    


    
#读取数据
df = pd.read_csv('data/mda01-22.csv.gz', compression='gzip')
df.columns = ['会计年度', '股票代码', '经营讨论与分析内容']

#上市公司行业信息
ind_info_df = pd.read_excel('data/行业代码00-22.xlsx')

#合并数据
df = pd.merge(df, ind_info_df, on=['股票代码', '会计年度'], how='inner')
df['板块'] = df['股票代码'].apply(plate)
df = df[df['板块'].isin(['上海', '深圳'])]


    
#识别融资约束
df['融资约束'] = df['经营讨论与分析内容'].apply(is_financial_constraint)




for year in df['会计年度'].unique():
    df_per_year = df[df['会计年度']==year]
    df_per_year.reset_index(inplace=True)

    df_per_year['clean_text'] = df_per_year['经营讨论与分析内容'].apply(transform)
    cv = CountVectorizer(min_df=0.05, max_df=0.5) 
    # 生成稀疏bow矩阵
    #dtm 文档-词频-矩阵
    dtm_per_year = cv.fit_transform(df_per_year['clean_text']) 
    dtm_per_year = pd.DataFrame(dtm_per_year.toarray(), index=dtm_per_year.index)
    #向量标准化normalize
    dtm_per_year = dtm_per_year.apply(lambda row: row/np.sum(row), axis=1)
    #合并多个字段为新的df
    dtm_per_year = pd.concat([df_per_year[['股票代码', '会计年度', '板块', '行业代码', '融资约束']], dtm_per_year], axis=1)
    
    
    for idx in tqdm(range(len(dtm_per_year)), desc=f'{year}进度'):
        code = dtm_per_year.loc[idx, '股票代码']
        ind = dtm_per_year.loc[idx, '行业代码']
        year = dtm_per_year.loc[idx, '会计年度']
        board = dtm_per_year.loc[idx, '板块']


        Vec = dtm_per_year.iloc[idx, 5:]
        Ind_Vec = dtm_per_year[dtm_per_year['行业代码']==ind][dtm_per_year['股票代码']!=code].iloc[:, 5:].mean(axis=0)
        Ind_Score = Vec * (Ind_Vec/np.sum(Ind_Vec))
        FinConstrain_Vec = dtm_per_year[dtm_per_year['融资约束']==True].iloc[:, 5:].mean(axis=0)
        FinConstrain_Score = Vec * (FinConstrain_Vec/np.sum(FinConstrain_Vec))
        Board_Vec = dtm_per_year[dtm_per_year['板块']==board][dtm_per_year['股票代码']!=code].iloc[:, 5:].mean(axis=0)
        Board_Score = Vec * (Board_Vec/np.sum(Board_Vec))


        dtm_per_year_melted = dtm_per_year.melt(id_vars=['股票代码', '会计年度', '行业代码', '板块', '融资约束'],
                                                var_name='word_id', 
                                                value_name='word_freq')


        corporate_df = pd.DataFrame({'word_id': dtm_per_year_melted[dtm_per_year_melted['股票代码']==code]['word_id'].values,
                                     'word_freq': dtm_per_year_melted[dtm_per_year_melted['股票代码']==code]['word_freq'].values,
                                     'ind_freq': Ind_Score,
                                     'board_freq': Board_Score,
                                     'fin_constrain_freq': FinConstrain_Score})
        corporate_df['股票代码'] = code
        corporate_df['行业代码'] = ind
        corporate_df['板块'] = board
        corporate_df['会计年度'] = year

        corporate_df.reset_index(inplace=True)
        corporate_df = corporate_df[['股票代码', '行业代码', '会计年度', '板块', 'word_id', 'word_freq', 'ind_freq', 'board_freq', 'fin_constrain_freq']]
        
        if not os.path.exists('fin_constrain_output/{year}'.format(year=year)):
            os.mkdir('fin_constrain_output/{year}'.format(year=year))
        
        corporate_df.to_csv('fin_constrain_output/{year}/{code}.csv'.format(year=year, code=code), index=False, mode='w')

4.4 融资约束2020

    - ConstrainedScore_it =β0 + β1 * BoardScore_bt + β2 * IndustryScore_it + E_it
    - BoardScore_bt  交易所引发的融资约束相似度
    - IndustryScore_it  行业特征引发的融资约束相似度
    - E_it  残差就是本文要计算的[融资约束指标FC]

import pandas as pd

csv_df = pd.read_csv('fin_constrain_output/2020/A000002.csv')
csv_df.head()

#更改字段名。
csv_df.columns = ['股票代码', '行业代码', '会计年度', '板块', 'word_id', 'Vec', 'IndustryScore', 'BoardScore', 'ConstrainedScore']
csv_df.head()

import statsmodels.formula.api as smf

#因变量ConstrainedScore
#解释变量IndustryScore、 BoardScore
formula = 'ConstrainedScore ~ IndustryScore + BoardScore'

model = smf.ols(formula, data=csv_df)
result = model.fit()
print(result.summary())

Run

     OLS Regression Results                            
    ==============================================================================
    Dep. Variable:       ConstrainedScore   R-squared:                       0.988
    Model:                            OLS   Adj. R-squared:                  0.988
    Method:                 Least Squares   F-statistic:                 1.416e+05
    Date:                Wed, 24 Apr 2024   Prob (F-statistic):               0.00
    Time:                        11:52:11   Log-Likelihood:                 46460.
    No. Observations:                3426   AIC:                        -9.291e+04
    Df Residuals:                    3423   BIC:                        -9.290e+04
    Df Model:                           2                                         
    Covariance Type:            nonrobust                                         
    =================================================================================
                        coef    std err          t      P>|t|      [0.025      0.975]
    ---------------------------------------------------------------------------------
    Intercept      1.048e-08   5.37e-09      1.952      0.051   -4.91e-11     2.1e-08
    IndustryScore     0.0791      0.000    250.868      0.000       0.079       0.080
    BoardScore        0.8076      0.004    196.675      0.000       0.800       0.816
    ==============================================================================
    Omnibus:                     2749.003   Durbin-Watson:                   1.974
    Prob(Omnibus):                  0.000   Jarque-Bera (JB):         21379060.688
    Skew:                           2.083   Prob(JB):                         0.00
    Kurtosis:                     389.973   Cond. No.                     7.71e+05
    ==============================================================================
    
    Notes:
    [1] Standard Errors assume that the covariance matrix of the errors is correctly specified.
    [2] The condition number is large, 7.71e+05. This might indicate that there are
    strong multicollinearity or other numerical problems.

#融资约束FC
FC = sum(abs(result.resid))

print('2020年 A000002融资约束指标 FC: {}'.format(FC))

2020年 A000002融资约束指标FC: 0.00015749392796709594

4.5 融资约束2001-2022

根据步骤4.4我们成功计算出了2020的融资约束FC指标，现在推广到2001-2022，并将计算结果存储到 fin_constrain2001-2022.csv， csv 含 code、year、FC 三个字段。

%%time

import glob
import csv
import statsmodels.formula.api as smf

with open('fin_constrain2001-2022.csv', 'w', encoding='utf-8', newline='') as csvf:
    fieldnames = ['code', 'year', 'FC']
    writer = csv.DictWriter(csvf, fieldnames=fieldnames)
    writer.writeheader()
    
    for file in glob.glob('fin_constrain_output/*/*.csv'):
        try:
            df_ = pd.read_csv(file)
            df_.columns = ['股票代码', '行业代码', '会计年度', '板块', 'word_id', 'Vec', 'IndustryScore', 'BoardScore', 'ConstrainedScore']
            formula = 'ConstrainedScore ~ IndustryScore + BoardScore'
            model = smf.ols(formula, data=df_)
            result = model.fit()
            FC = sum(abs(result.resid))
            data = {
                'code': df_['股票代码'].unique()[0],
                'year': df_['会计年度'].unique()[0],
                'FC': FC
            }
            writer.writerow(data)
        except:
            pass

最后查看(欣赏)这个融资约束数据 fin_constrain2001-2022.csv

fc_df = pd.read_csv('fin_constrain2001-2022.csv')
fc_df

五、获取资料

5.1 打包

内容创作不易， 200 元，加微信 372335839，备注「姓名-学校-专业」。

资料截图，整个资料文件夹体积高达 11 G。

5.2 单买

只要 fin_constrain2001-2022.csv 这一个文件， 100元，加微信 372335839，备注「姓名-学校-专业」。

管理世界 | 使用md&a数据中计算「企业融资约束指标」

技术路线

一、识别融资约束样本

1.1 前人不足

1.2 本文完善

二、构建中文融资约束样本识别代码

2.1 融资约束文本的场景

2.2 识别中文融资约束样本的最终代码

三、批量识别融资约束样本

注意

四、构建融资约束指标

4.1 计算2020年的Vec_it

4.2 2020年的板块评分、行业评分

4.3 计算所有年份板块评分、行业评分

4.4 融资约束2020

4.5 融资约束2001-2022

五、获取资料

5.1 打包

5.2 单买

相关内容

广而告之

技术路线#

一、识别融资约束样本#

1.1 前人不足#

1.2 本文完善#

二、 构建中文融资约束样本识别代码#

2.1 融资约束文本的场景#

2.2 识别中文融资约束样本的最终代码#

三、批量识别融资约束样本#

注意#

四、构建融资约束指标#

4.1 计算2020年的Vec_it#

4.2 2020年的板块评分、行业评分#

4.3 计算所有年份板块评分、行业评分#

4.4 融资约束2020#

4.5 融资约束2001-2022#

五、获取资料#

5.1 打包#

5.2 单买#

相关内容#

广而告之#

技术路线

一、识别融资约束样本

1.1 前人不足

1.2 本文完善

二、构建中文融资约束样本识别代码

2.1 融资约束文本的场景

2.2 识别中文融资约束样本的最终代码

三、批量识别融资约束样本

注意

四、构建融资约束指标

4.1 计算2020年的Vec_it

4.2 2020年的板块评分、行业评分

4.3 计算所有年份板块评分、行业评分

4.4 融资约束2020

4.5 融资约束2001-2022

五、获取资料

5.1 打包

5.2 单买

相关内容

广而告之