Pythonと財務–スプレッドシートをパワーアップ

エグゼクティブサマリー

スプレッドシートのトロールに長い間依存してきた職業にとって、Pythonは特に価値があります。 アメリカの銀行であるシティグループは、研修生のアナリスト向けにPythonでクラッシュコースを導入しました。 - エコノミスト

財務の専門家は、カスタム機能を構築し、ワークフローを自動化するために、ExcelのVBA（Visual Basic for Applications）に長い間アクセスしてきました。 近年のGoogleスプレッドシートの登場により、スプレッドシートスペースの真剣な競争相手として、GoogleAppsScriptは追加の選択肢を提供するようになりました。

ただし、3番目のオプションであるPythonプログラミング言語に注目したいと思います。これは、多くの分野で非常に人気があります。

この記事では、Pythonで達成できることの例をいくつか紹介します。まず、言語自体の概要と、Web開発、機械学習、金融など、さまざまな分野でPythonが非常に人気がある理由について説明します。ほんの数例を挙げると、科学と教育です。 後半は、ステップバイステップのチュートリアルで構成されます。

私がこれを書く目的は、Pythonを財務ツールボックスに追加することを検討するのに十分な興味をそそられるように見えるかどうかを判断するのに役立つことです。 あなたが飛躍するならば、言語を学ぶために利用できる多くのアプリ、コース、ビデオ、記事、本とブログ投稿があります。 作品の最後に、その過程で私を助けてくれたいくつかのリソースをリストアップしました。

ユースケース：Pythonを使用した例

私がプログラミングを始めたのは、1980年代半ばにOric1でBASICを学ぶことでした。 当時、BASICは最も一般的な初心者の言語でした。 80年代後半から90年代半ばまで手がけた他の言語は、PascalとCでしたが、専門的な立場で使用したことはなく、プログラミングスキルが必要になることも使用することも期待していませんでした。 90年代後半の私の知る限り、私が金融のキャリアパスに着手することを選択したとき、金融とプログラミングは非常に異なる分野でした。

2012年に早送りし、趣味としてプログラミングを取り戻すことを考えていたので、当時利用可能な言語の調査を開始しました。 かなりのことが起こったことが判明し、Pythonに出くわしたとき、次のセクションで概説する多くの理由で夢中になりました。 それ以来、私は個人的にも専門的にも、小さなスクリプトから大きなプロジェクトまで、幅広いタスクにPythonを使用してきました。 すべてではありませんが、多くの金融専門家の作業台であるスプレッドシートが関係しています。

スプレッドシートとPythonがうまく連携できる例をいくつか示します。

1. M＆A統合PMOセットアップでの数百のアクティビティの追跡

私は、実行だけでなく統合も含めて、M＆Aトランザクションのすべての側面に取り組んでいます。 最近のケースでは、PMOチームは、進行中の数百のアクティビティを追跡するためのかんばんボードに加えて、12の統合ワークストリームのそれぞれの高レベル計画にウォーターフォール計画とガントチャートを使用して、ハイブリッドプログラムとプロジェクト管理アプローチを決定しました。最初の100日間の計画以降、いつでもオンになります。 選択されたかんばんツールであるMeisterTaskには、多くの統計機能とレポート機能がありますが、分析と表示の点で私たちのニーズはそれを超えており、カスタムソリューションが必要でした。 これは、Pythonを使用して自動化したワークフローです。

1. ボード全体のステータスを毎週CSVファイルとして保存します。
2. すべての履歴CSVファイルをPandasDataFrameに読み込みます。
3. データを並べ替え、フィルタリング、グループ化、操作して、進捗状況を追跡する方法（アクティビティ、ワークストリームなどのステータスなど）の合意された形式にします。
4. 独自のシート内の各分析からのデータを含むExcelファイルに出力を書き込み、単純にコピーしてthink-cellチャートに貼り付けることができるようにフォーマットします。
5. 毎月の運営委員会会議のレポートパッケージの表とチャートを作成します。

スクリプトの開発には数時間の先行投資が必要でしたが、現在、運営委員会の会議や臨時の分析のためにレポートパックを更新するのに数分かかります。 文字通り、適切なフォルダーに移動して1行のコマンドでスクリプトを実行するのに約30秒かかり、次に出力をコピーしてスライドデッキに貼り付けるのに数分かかります。 すでに実行開始から約1か月の12のワークストリームで約500のアクティビティ（カード）があり、それらの動きを毎週追跡します。2年間のプログラムのタイムライン内で、数十、最終的には数万のデータポイントを処理していることにすぐに気付きます。ファイルの。 自動化がなければ、ここでは非常に面倒な作業について話します。

物事に取り掛かるだけか、自動化を設定して初期ワークロードを追加するかの間の「お金の時間価値」のトレードオフは、財務の一般的なテーマです。 このプロセスの最初のステップで、データをCSVファイルとしてエクスポートすることで、同様の決定を行いました。 MeisterTaskは、多くの最新のWebアプリケーションと同様に、Pythonアプリケーションに接続できるAPIを備えていますが、セットアップにかかる時間は、ここでのユースケースの時間節約をはるかに上回ります。

したがって、ご覧のとおり、多くの場合、最適なソリューションは、ワークフローの特定のステップを自動化し、他のステップを手動に保つことです。

2. Webスクレイピング、Google Maps API、Excelを使用した住宅価格統計の分析

もう1つの例は、私が個人的な興味から行ったことですが、Pythonのユーティリティの他の興味深い要素がいくつか含まれているため、強調したいと思います。

1. 特定のエリアの住所、サイズ、部屋数、提示価格、その他の機能を含む、不動産リストのスクレープデータ。 合計で数百からおそらく千行。
2. Pythonデータ構造に保存します。
3. Google Maps APIに接続し、リストごとに、プロパティと、海、市内中心部、最寄りの駅、最寄りの空港などの主要なランドマークとの間の距離を取得します。
4. データをExcelファイルにエクスポートします。
5. 標準のExcel機能を使用して、回帰を実行し、統計を計算し、平方メートルあたりの価格やランドマークまでの距離などの標準的なメトリックに関するグラフを作成します。

ここでの結果は、好みや不動産を探す際の経済的制限の観点から、あなた自身の個人的な重みと組み合わせることができます。

これらは、スプレッドシート関連の作業の自動化と機能の追加に焦点を当てた2つの例にすぎませんが、Pythonの機会はほぼ無限です。 次のセクションでは、Pythonでのステップバイステップのモンテカルロシミュレーションチュートリアルに進む前に、それが非常に人気になった理由の概要を説明します。

Pythonが金融専門家にとって優れた選択肢である理由

プログラミング言語Pythonは1990年から存在していますが、その人気が爆発的に高まったのは近年になってからです。

これにはいくつかの理由があります。それぞれを順番に見ていきましょう。

1.Pythonは高級プログラミング言語です

高水準プログラミング言語は、コンピューターの内部動作の詳細の多くを抽象化する言語です。 良い例はメモリ管理です。 低水準プログラミング言語では、タスクの処理に費やされる時間とコード行に加えて、コンピューターのメモリのレイアウト、割り当て、および解放の複雑さを詳細に理解する必要があります。 Pythonはこれらの詳細の多くを抽象化して自動的に処理するため、達成したいことに集中できます。

2.簡潔です

Pythonは高級プログラミング言語であるため、コードはより簡潔で、技術的な実装の詳細ではなく、達成したいことのビジネスロジックにほぼ完全に焦点を合わせています。 言語設計の選択がこれに貢献します。例として、Pythonは、他の多くの言語のように関数、ループ、および線を描くために中括弧やセミコロンを使用する必要がないため、より簡潔になり、一部の人が主張するように、改善されます。読みやすさ。

3.学びやすく理解しやすい

Pythonでの言語設計の選択に影響を与えた1つの観察は、プログラムが書かれるよりも頻繁に読まれるということです。 Pythonは、コードが平易な英語に非常に近いため、特にスクリプトまたはプログラムのさまざまなコンポーネントに適切な方法で名前を付ける場合に優れています。

4.迅速で反復的な開発に適しています

啓発された試行錯誤は、完璧な知性の計画よりも優れています。 -デビッド・ケリー

Pythonは、Pythonシェル、IPython、JupyterノートブックなどのインタラクティブなインタープリターツールがPythonツールチェーンの中心であるため、プロトタイピングと迅速な反復型開発（そしてもちろん試行錯誤）に理想的です。 これらのインタラクティブな環境では、コードの各行を個別に記述して実行し、結果（または役立つエラーメッセージ）をすぐに確認できます。 他の言語にもこれがありますが、ほとんどの場合、Pythonと同程度ではありません。

5.プロトタイピングとプロダクションコードの両方に使用できます

Pythonは、プロトタイピングに最適であるだけでなく、大規模な本番アプリケーション向けの優れた強力な言語でもあります。 世界最大のソフトウェア会社のいくつかは、さまざまなアプリケーションやユースケースでPythonを多用しています。

6.「付属のバッテリー」が付属しています：Python標準ライブラリ

基本的な操作に必要なものはすべて言語に組み込まれていますが、それに加えて、Python標準ライブラリには、ファイル、メディア、ネットワーキング、日付と時刻の情報などを操作するためのツールがあります。 これにより、サードパーティのパッケージを探すことなく、さまざまなタスクを実行できます。

7.財務分析のための優れたサードパーティライブラリ

財務の専門家にとって、 DataFrameオブジェクトとSeriesオブジェクトを備えたPandas、およびndarrayを備えたNumpyは、Pythonを使用した財務分析の主力製品です。 matplotlibやその他の視覚化ライブラリと組み合わせると、生産性を高めるための優れたツールを自由に使用できます。

8. Pythonは無料です！

Pythonはオープンソースライセンスの下で開発されており、商用利用も無料です。

PythonとFinanceを一緒に使用するためのステップバイステップのチュートリアル

以下は、以前のブログ投稿で説明したモンテカルロシミュレーションの簡略化されたバージョンを作成する方法を示すステップバイステップのチュートリアルですが、Excel用の@RISKプラグインの代わりにPythonを使用しています。

モンテカルロ法は、数値結果を得るためにランダムサンプリングに依存しています。 そのようなアプリケーションの1つは、変数または仮定が値の範囲をとることができる、世界の不確実な潜在的な将来の状態を表す確率分布からランダムなサンプルを抽出することです。

オプションやその他のデリバティブの評価を示す一般的な例ではなく、簡略化されたDCF評価モデルでモンテカルロシミュレーションを実行すると便利です。これには、財務諸表の計算の基本以外の計算が必要ないためです。キャッシュフローを割り引いて、Pythonの概念とツールに集中できるようにします。 ただし、この基本的なチュートリアルモデルは、主要な概念を説明することを目的としており、実際の目的でそのまま使用することはできません。 また、モンテカルロシミュレーションのより学術的な側面については触れません。

このチュートリアルは、変数や関数など、プログラミングの基本的な構成要素に精通していることを前提としています。 そうでない場合は、たとえばこの紹介の主要な概念を確認するのに10分かかると役立つ場合があります。

出発点と望ましい結果

モンテカルロシミュレーションチュートリアルで使用したものと同じ非常に単純化されたDCF評価モデルから始めます。 3つの財務諸表からのいくつかの重要な項目と3つの強調表示された入力セルがあり、Excelバージョンでは、結果の潜在的な範囲の調査を開始するために確率分布に置き換えたい点推定があります。

小さなスクリプトを開発するための2段階のアプローチ

それを機能させ、正しくし、速くする-ケントベック

このチュートリアルの目的は、Pythonを初めて使用する財務専門家に、便利なプログラムがどのように見えるかだけでなく、プログラムの開発に使用できる反復プロセスについても紹介することです。 したがって、2つの部分で構成されます。

1. 最初に、私は簡単なアプローチを使用して実用的なプロトタイプを開発します。これは、最初から始める場合にこのプロジェクトを開始するために使用できるプロセスと完全に異なるわけではなく、従うのが簡単だと思います。
2. 次に、実用的なプロトタイプを開発した後、機能を変更せずにコードの構造を変更するリファクタリングのプロセスについて説明します。 その部分に固執することをお勧めします。これは最初のソリューションよりも洗練されたソリューションであり、ボーナスとして、実行時間の点で約75倍高速です。

1.実用的なプロトタイプの開発

JupyterNotebookのセットアップ

Jupyterノートブックは、Pythonをインタラクティブに操作するための優れたツールです。 これは、コード、マークダウンテキスト、画像、またはその他のデータを含むことができるセルを備えたインタラクティブなPythonインタープリターです。 このチュートリアルでは、Python Quant Platformを使用しましたが、無料でクラウドで実行されるColaboratorybyGoogleをお勧めすることもできます。 そこに到達したら、「ファイル」メニューで「新しいPython 3ノートブック」を選択するだけで、準備が整います。

それが終わったら、次のステップは、データの操作と視覚化に必要なサードパーティのパッケージをインポートし、個別のウィンドウではなく、ノートブックにグラフをインラインで表示することをプログラムに指示することです。

 import numpy as np import pandas as pd import matplotlib.pyplot as plt %matplotlib inline

最初の変数に名前を付ける前のメモ。 すでに強調したように、読みやすさはPythonの強みの1つです。 言語設計はそれをサポートするのに大いに役立ちますが、コードを書くすべての人は、他の人だけでなく自分自身にとっても、それを読みやすく理解できるようにする責任があります。 イーグルソンの法則が述べているように、「6か月以上見ていなかった自分のコードは、他の誰かによって書かれた可能性もあります。」

経験則として、プログラムの機能を説明する個別のコメントの必要性を最小限に抑えるような方法で、プログラムのコンポーネントに名前を付けることをお勧めします。

それを念頭に置いて、次に進みましょう。

財務諸表の作成

Pythonで既存のスプレッドシートデータを操作する方法はたくさんあります。 たとえば、 read_excelコマンドを使用して、1行のコードでシートをPandasDataFrameに読み込むことができます。 スプレッドシートとPythonコードをより緊密に統合してリアルタイムでリンクしたい場合は、その機能を提供するために無料と商用の両方のオプションを利用できます。

ここでのモデルは非常に単純であり、Pythonの概念に焦点を当てるために、スクリプトで最初からモデルを再作成します。 最初のパートの最後に、作成したものをスプレッドシートにエクスポートする方法を示します。

財務諸表のPython表現を作成するための最初のステップとして、適切なデータ構造が必要になります。 選択できるものはたくさんあり、Pythonに組み込まれているものもあれば、さまざまなライブラリからのものもあります。または、独自に作成することもできます。 今のところ、Pandasライブラリのシリーズを使用してその機能を見てみましょう。

 years = ['2018A', '2019B', '2020P', '2021P', '2022P', '2023P'] sales = pd.Series(index=years) sales['2018A'] = 31.0 sales

この入力とそれに対応する出力を以下に示します。

最初の3行で、年（それぞれが実際、予算、または予測のいずれであるかを示すためにマークされている）、開始値（元のDCFモデルの場合のように、数百万ユーロ）で構成されるインデックスを持つデータ構造を作成しました。投影用の空の（NaN、「数値ではない」）セル。 4行目は、データの表現を出力します。一般に、対話型インタープリターで変数または他のオブジェクトの名前を入力すると、通常、データの適切な表現が得られます。

次に、予測される年間売上成長を表す変数を宣言します。 この段階では、元のDCFモデルと同じ数値である点推定です。 最初にこれらの同じ入力を使用し、PythonバージョンがExcelバージョンと同じように実行され、同じ結果が得られることを確認してから、点推定を確率分布に置き換えることを検討します。 この変数を使用して、前年と成長率に基づいて予測の各年の売上を計算するループを作成します。

 growth_rate = 0.1 for year in range(1, 6): sales[year] = sales[year - 1] * (1 + growth_rate) sales

NaNの代わりに売上を予測しました。

同じアプローチを使用して、財務諸表を継続し、必要に応じて変数を宣言し、最終的にフリーキャッシュフローに到達するために必要な計算を実行します。 そこに着いたら、私たちが持っているものがDCFモデルのExcelバージョンが言っていることに対応していることを確認できます。

 ebitda_margin = 0.14 depr_percent = 0.032 ebitda = sales * ebitda_margin depreciation = sales * depr_percent ebit = ebitda - depreciation nwc_percent = 0.24 nwc = sales * nwc_percent change_in_nwc = nwc.shift(1) - nwc capex_percent = depr_percent capex = -(sales * capex_percent) tax_rate = 0.25 tax_payment = -ebit * tax_rate tax_payment = tax_payment.apply(lambda x: min(x, 0)) free_cash_flow = ebit + depreciation + tax_payment + capex + change_in_nwc free_cash_flow

これにより、フリーキャッシュフローが得られます。

この段階でおそらくコメントが必要な上記の1行は、2番目のtax_payment参照です。 ここでは、小さな関数を適用して、税引前利益がマイナスになるシナリオで、プラスの納税が行われないようにします。 これは、PandasシリーズまたはDataFrameのすべてのセルにカスタム関数を効果的に適用できることを示しています。 もちろん、実際に適用される関数は単純化です。 より大規模な評価を行うためのより現実的なモデルには、企業固有のいくつかの要因に基づいて支払われる実際の現金税を計算する別の税モデルがあります。

DCF評価の実行

予測キャッシュフローに到達したら、単純な最終価値を計算し、すべてのキャッシュフローを現在まで割引してDCF結果を取得できます。 次のコードは、インデックス作成とスライスを導入しています。これにより、PandasSeriesオブジェクトなどのデータ構造内の1つ以上の要素にアクセスできます。

構造体の名前の直後に角かっこを書くことで要素にアクセスします。 単純なインデックス作成では、ゼロから始まる位置で要素にアクセスします。つまり、 free_cash_flow[1]は2番目の要素を提供します。 [-1]は最後の要素にアクセスするための省略形であり（昨年のキャッシュフローは最終値の計算に使用されます）、コロンを使用するとスライスが得られます。つまり、 [1:]は最初の要素を除くすべての要素を示します。 DCF評価に過去の2018A年を含めたくないためです。

 cost_of_capital = 0.12 terminal_growth = 0.02 terminal_value = ((free_cash_flow[-1] * (1 + terminal_growth)) / (cost_of_capital - terminal_growth)) discount_factors = [(1 / (1 + cost_of_capital)) ** i for i in range (1,6)] dcf_value = (sum(free_cash_flow[1:] * discount_factors) + terminal_value * discount_factors[-1]) dcf_value 

これで、プロトタイプの最初の部分は終わりです。これで、Pythonで、非常に基本的なモデルではありますが、動作するDCFモデルができました。

データのエクスポート

実際のモンテカルロシミュレーションに移る前に、Pandasパッケージで利用可能なエクスポート機能について説明する良い機会かもしれません。 Pandas DataFrameオブジェクトがある場合は、 to_excelメソッドを使用して1行でExcelファイルに書き込むことができます。 他の12以上のフォーマットや宛先にエクスポートするための同様の機能もあります。

 output = pd.DataFrame([sales, ebit, free_cash_flow], index=['Sales', 'EBIT', 'Free Cash Flow']).round(1) output.to_excel('Python DCF Model Output.xlsx') output 

モンテカルロシミュレーションの確率分布の作成

これで、次の課題に取り組む準備が整いました。点推定入力の一部を確率分布に置き換えることです。 この時点までの手順は、Excelで同じモデルを作成する場合に比べてやや面倒に思えるかもしれませんが、次の数行で、Pythonがいかに強力であるかを垣間見ることができます。

最初のステップは、シミュレーションで実行する反復回数を決定することです。 開始点として1,000を使用すると、適切な出力プロットを取得するのに十分なデータポイントを取得することと、適切な時間枠内でシミュレーションを終了することのバランスが取れます。 次に、実際の分布を生成します。 簡単にするために、ここでは3つの正規分布を生成しましたが、NumPyライブラリには多数の分布から選択でき、Python標準ライブラリを含む他の場所もあります。 使用する分布を決定した後、平均や標準偏差などの形状を記述するために必要なパラメーター、および望ましい結果の数を指定する必要があります。

 iterations = 1000 sales_growth_dist = np.random.normal(loc=0.1, scale=0.01, size=iterations) ebitda_margin_dist = np.random.normal(loc=0.14, scale=0.02, size=iterations) nwc_percent_dist = np.random.normal(loc=0.24, scale=0.01, size=iterations) plt.hist(sales_growth_dist, bins=20) plt.show() 

ここで、EBITDAは売上高から独立した別個の確率変数ではなく、ある程度売上高と相関しているべきであると主張することができます。 私はこれに同意し、コスト構造（可変、半可変、固定コスト）のダイナミクスと主要なコスト要因（一部には独自の確率分布がある場合があります）をしっかりと理解することによって推進されるべきであると付け加えます。たとえば、入力商品の価格など）ですが、スペースと明確さのために、これらの複雑さはここでは脇に置いておきます。

分布とパラメーターの選択を通知する必要のあるデータが少なければ少ないほど、さまざまなデューデリジェンスワークストリームの結果と経験を組み合わせて、さまざまな可能性のあるシナリオに関するコンセンサスビューを形成する必要があります。 この例では、キャッシュフロー予測では、主観的な要素が大きくなります。つまり、確率分布を視覚化することが重要になります。 ここでは、2行の短いコードで、売上成長の分布を示す基本的な視覚化を取得できます。 このようにして、チームの集合的な見解を最もよく反映する眼球への分布をすばやく表示できます。

これで、シミュレーションを実行するために必要なすべてのビルディングブロックができましたが、シミュレーションを実行するのに便利な形式ではありません。 これまでに使用したものと同じコードを次に示しますが、すべてが1つのセルにまとめられ、便宜上関数に再配置されています。

 def run_mcs(): # Create probability distributions sales_growth_dist = np.random.normal(loc=0.1, scale=0.01, size=iterations) ebitda_margin_dist = np.random.normal(loc=0.14, scale=0.02, size=iterations) nwc_percent_dist = np.random.normal(loc=0.24, scale=0.01, size=iterations) # Calculate DCF value for each set of random inputs output_distribution = [] for i in range(iterations): for year in range(1, 6): sales[year] = sales[year - 1] * (1 + sales_growth_dist[0]) ebitda = sales * ebitda_margin_dist[i] depreciation = (sales * depr_percent) ebit = ebitda - depreciation nwc = sales * nwc_percent_dist[i] change_in_nwc = nwc.shift(1) - nwc capex = -(sales * capex_percent) tax_payment = -ebit * tax_rate tax_payment = tax_payment.apply(lambda x: min(x, 0)) free_cash_flow = ebit + depreciation + tax_payment + capex + change_in_nwc # DCF valuation terminal_value = (free_cash_flow[-1] * 1.02) / (cost_of_capital - 0.02) free_cash_flow[-1] += terminal_value discount_factors = [(1 / (1 + cost_of_capital)) ** i for i in range (1,6)] dcf_value = sum(free_cash_flow[1:] * discount_factors ) output_distribution.append(dcf_value) return output_distribution

これで、シミュレーション全体を実行し、出力分布をプロットできます。これは、次のコードを使用して、1,000回の反復ごとのこの会社の割引キャッシュフロー値になります。 %timeコマンドはPythonコードではなく、何かを実行する時間を測定するノートブックの省略形です（代わりに、標準ライブラリのPython関数を使用できます）。 実行するコンピューターによって異なりますが、このバージョンでは、1,000回の反復を実行して結果を視覚化するのに1〜2秒かかります。

 %time plt.hist(run_mcs(), bins=20, color='r') plt.show() 

2.プロトタイプの改良

何かを単純化できるという疑念が潜んでいるのは、やりがいのある課題の世界で最も豊富な情報源です。 -エドガー・ダイクストラ

リファクタリングとは、既存のコードを書き直して、機能を変更せずに構造を改善するプロセスのことであり、コーディングの最も楽しくやりがいのある要素の1つです。 これを行うにはいくつかの理由があります。 それは次のようになるかもしれません：

1. より賢明な方法でさまざまな部分を整理します。
2. 変数と関数の名前を変更して、目的と動作を明確にします。
3. 将来の機能を許可して準備します。
4. 実行速度、メモリフットプリント、またはその他のリソース使用率を改善します。

そのプロセスの1つのステップがどのように見えるかを示すために、プロトタイプスクリプトのように全体に散らばるのではなく、すべての初期変数を1つの場所に収集することで、ウォークスルーしたプロトタイプをクリーンアップし、次のプロセスを通じて実行速度を最適化しました。ベクトル化。

NumPy配列を使用すると、さまざまな種類のデータ処理タスクを、ループの記述が必要になる可能性のある簡潔な配列式として表現できます。 明示的なループを配列式に置き換えるこの方法は、一般にベクトル化と呼ばれます。 ウェス・マッキニー

見た目がすっきりし、理解しやすくなりました。

 # Key inputs from DCF model years = 5 starting_sales = 31.0 capex_percent = depr_percent = 0.032 sales_growth = 0.1 ebitda_margin = 0.14 nwc_percent = 0.24 tax_rate = 0.25 # DCF assumptions r = 0.12 g = 0.02 # For MCS model iterations = 1000 sales_std_dev = 0.01 ebitda_std_dev = 0.02 nwc_std_dev = 0.01

 def run_mcs(): # Generate probability distributions sales_growth_dist = np.random.normal(loc=sales_growth, scale=sales_std_dev, size=(years, iterations)) ebitda_margin_dist = np.random.normal(loc=ebitda_margin, scale=ebitda_std_dev, size=(years, iterations)) nwc_percent_dist = np.random.normal(loc=nwc_percent, scale=nwc_std_dev, size=(years, iterations)) # Calculate free cash flow sales_growth_dist += 1 for i in range(1, len(sales_growth_dist)): sales_growth_dist[i] *= sales_growth_dist[i-1] sales = sales_growth_dist * starting_sales ebitda = sales * ebitda_margin_dist ebit = ebitda - (sales * depr_percent) tax = -(ebit * tax_rate) np.clip(tax, a_min=None, a_max=0) nwc = nwc_percent_dist * sales starting_nwc = starting_sales * nwc_percent prev_year_nwc = np.roll(nwc, 1, axis=0) prev_year_nwc[0] = starting_nwc delta_nwc = prev_year_nwc - nwc capex = -(sales * capex_percent) free_cash_flow = ebitda + tax + delta_nwc + capex # Discount cash flows to get DCF value terminal_value = free_cash_flow[-1] * (1 + g) / (r - g) discount_rates = [(1 / (1 + r)) ** i for i in range (1,6)] dcf_value = sum((free_cash_flow.T * discount_rates).T) dcf_value += terminal_value * discount_rates[-1] return dcf_value

このバージョンと前のバージョンの主な違いはfor i in range(iterations)ループにforiがないことです。 NumPyの配列操作を使用すると、このバージョンはプロトタイプバージョンの1.35秒と比較して18ミリ秒で実行されます。これは約75倍高速です。

 %time plt.hist(run_mcs(), bins=20, density=True, color="r") plt.show() 

このチュートリアルの目的のためだけに、プロトタイプと洗練されたバージョンの両方を短時間でまとめたので、さらに最適化できると確信しています。

さらに進んで

このチュートリアルでは、Pythonの強力な機能のいくつかを紹介しました。これをさらに発展させれば、チャンスはほぼ無限に広がります。 たとえば、次のようになります。

• 関連する企業またはセクターの統計をWebページまたはその他のデータソースからスクレイプまたはダウンロードして、仮定と確率分布の選択を通知します。
• 基本的および/またはマクロ経済的要因に基づく自動取引アルゴリズムなどの定量的金融アプリケーションでPythonを使用します。
• スプレッドシートやプレゼンテーション形式で出力を生成するエクスポート機能を構築し、内部トランザクションのレビューおよび承認プロセスの一部として、または外部プレゼンテーションに使用します。

Pythonの成功に貢献したさまざまなウェブ、データサイエンス、機械学習アプリケーションで何ができるかについては触れていません。

まとめ：FinancialToolboxに役立つ言語

この記事では、Pythonプログラミング言語の概要を説明し、金融で非常に人気が高まった理由のいくつかをリストし、小さなPythonスクリプトを作成する方法を示しました。 ステップバイステップのチュートリアルでは、Pythonを使用して反復プロトタイピング、インタラクティブな財務分析、および評価モデルやアルゴリズム取引プログラムなどのアプリケーションコードを作成する方法について説明しました。

私にとって、結局のところ、Pythonテクノロジーのキラー機能は、作業が楽しいということです。 問題解決、物事の構築、ワークフローの効率化を楽しんでいるなら、ぜひ試してみることをお勧めします。 私はあなたがそれで何をしたか、またはそれでやりたいことを聞きたいです。

金融専門家がPythonを学ぶための推奨リソース

• オライリーの本。 私は特にお勧めできます：
  • YvesHilpischによるPythonforFinance
  • MarkLutzによるPythonの学習
  • Fluent Python by Luciano Ramalho
• The Python Quants
• PyCon talks on YouTube
• Udemy