使用Python进行现金流预测

标签：Python与Excel,pandas

在金融行业工作的人每天都在处理现金流预测，但大多是用Excel。事实上，Excel确实易于使用且透明。可以在几分钟内构建一个现金流预测模型——编写几个公式，然后向下拖动复制。在本文中，我们将学习如何用Python构建一个简单的现金流预测模型，最终形成一个更复杂的模型。在这个模型中，我们用Python构建了一个抵押计算器。

用于现金流预测的Python工具

我们可以使用列表或pandas库来预测现金流。可能还有其他工具或库，有兴趣的可以进一步研究，但这里只使用列表和pandas。

示例

假设我们有一项资产可以产生30年的收入。第一年收入是100美元，在接下来的29年里每年增长6%（30年后就没有收入了）。计算该项资产的现值，每年贴现2%。

Excel模型

Excel用户可能已经知道如何（在Excel中）对此问题建模。多个输入值、公式和下拉列表，让我们看看下面的例子。这里只显示了10年，但实际的Excel文件显示了30年。

图1

使用列表建模

Python列表是一种有序的数据结构，这正是我们建模时间序列数据（即随时间变化的现金流）所需要的。需要说明的是，虽然我们可以使用列表来模拟现金流，但这样做并不是一个好主意，因为我们必须自己做很多低级数据操作。这里，我们只是演示这个想法，实际上我们应该使用pandas（或numpy）来模拟现金流预测。

income_first_yr = 100

growth_rt = 0.06

discount_rt = 0.02

其次，在列表中设置初始值，cashflow=[income_first_yr]。然后，再循环29次，计算随后每年的收入，并将其添加到列表中。我们有一个30年的现金流预测。

cashflow = [income_first_yr]

for i in range(29):

cashflow.append(cashflow[i] * (1 + growth_rt))

接下来，我们将在另一个列表中设置贴现现金率。

discount_vector = [1]

for i in range(29):

discount_vector.append(discount_vector[i] / (1 + discount_rt))

如果想直观地看到这两个向量，我们可以把它们并排放置，可以使用zip()函数来实现。它基本上在每个第i项上组合两个列表，并将它们作为元组返回，如下图所示。注意，这个zip()函数实际上创建了30个元组。

图2

我们知道，对于在zip()函数中创建的每个元组，第一个元素是收入，第二个元素是贴现率，因此我们可以将它们相乘以获得贴现现金流。让我们通过元组循环计算贴现现金流，并将其放入另一个列表中。这样，当前值就是结果列表的总和。

discounted_cashflow = []

for item in zip(cashflow,discount_vector):

discounted_cashflow.append(item[0] * item[1])

图3

使用pandas建模

使用pandas创建现金流预测比仅使用列表更容易，因为我们可以使用一些内置的方法。让我们从创建一个包含30行和2列的pandas数据框架开始——一列用于收入预测，另一列用于贴现率。

图4

一旦我们有了这两个向量，我们可以将它们相乘得到贴现现金流，然后求和sum()得到现值。

图5