Ford için bilançodaki oranların hesaplanması

Şimdi gerçek bir örneğe bakalım: motorlu araç üreten Ford Inc. Senin için Ford Inc'in en güncel bilanço verilerini içeren balance_sheet veri kümesini yükledik. 2017 yılına ait satışlar ve satışların maliyeti rakamları ise Key_Figures_Memo veri kümesinde sağlandı.

Bilançoda yalnızca tek bir satırla ilgileniyoruz: Alacaklar (Receivables; borçlular olarak da bilinir). Bu yüzden buna göre bir filtre oluşturmamız gerekiyor. Bu egzersizde, veri kümesini metric sütununda Receivables olan satırlara göre filtrelemek için boolean indeksleme (boolean indexing) kullanacağız. Önce ilgilendiğimiz metriği ('Receivables') belirleyeceğiz, sonra da ilgili sütunun her satırında bu değerin olup olmadığını kontrol edeceğiz. Bu işlem True ve False değerlerinden oluşan bir boolean seri üretir. Bu seriyi kullanarak mevcut veri kümesini filtreleyebiliriz.

Veri kümesini filtreledikten sonra, en güncel dönemden alacaklar değerini çekip borç tahsil süresi oranını (aşağıda verilmiştir) hesaplayacağız.

\(Debtor Days = \frac{Ending\,Balance\,Debtors}{Sales} \times Days\,in\,Financial\,Year\)

balance_sheet ve sales rakamları sağlanmıştır.

Bu egzersiz

Python ile Finansal Tahminleme

kursunun bir parçasıdır

Kursu Görüntüle

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# Create the filter metric for Receivables
receivables_metric = ____

# Create a boolean series with your metric
receivables_filter = balance_sheet.____.____(____)

# Use the series to filter the dataset
filtered_balance_sheet = ____[____]

Kodu Düzenle ve Çalıştır

Bu egzersiz

Python ile Finansal Tahminleme

kursunun bir parçasıdır

IntermediárioNível de habilidade

4.8+

Kursa Ücretsiz Başlayın

In this chapter, we will learn the basics of financial statements, with a specific focus on the income statement, which provides details on our sales, costs, and profits. We will learn how to calculate profitability metrics and finish off what we have learned by building our profit forecast for Tesla!

Exercise 1: Introduction to financial statements Exercise 2: Calculating gross profit Exercise 3: Calculating net profit Exercise 4: Elements within net profit & gross profit Exercise 5: Calculating sales & Cost of Goods Sold (COGS)Exercise 6: Calculating sales Exercise 7: Forecasting sales with a discount Exercise 8: Calculating COGS Exercise 9: Calculating the break-even point Exercise 10: Working with raw forecast datasets Exercise 11: Tesla income statement Exercise 12: Forecasting profit for Tesla

In this chapter, we will learn a bit more about the balance sheet, covering assets and liabilities and specific ratios to help evaluate the financial health and efficiency of a company, as well as how these ratios can assist us in building a great forecast.

Exercise 1: Bilanço’ya giriş Exercise 2: Alacak hesaplarının (borçluların) hesaplanması Exercise 3: Şüpheli alacaklar Exercise 4: Borç hesaplarını (alacaklılar) hesaplama Exercise 5: Borç ve alacak hesaplarını anlama Exercise 6: Bilanço verimlilik oranları - Bölüm 1 Exercise 7: Alacak devir süresi oranı Exercise 8: Ödenecek gün sayısı (Days Payable Outstanding)Exercise 9: Bilanço verimlilik oranları - Bölüm 2 Exercise 10: Stoktaki günler ve varlık devir hızı oranı Exercise 11: Oranları anlama Exercise 12: Ford için bilançodaki oranların hesaplanması

Geçerli Egzersiz

Exercise 13: Ford için bilançoyu tahmin etme

We have gotten a basic understanding of income statements and balance sheets. However, consolidating data for forecasting is complex, so in this chapter, we will look at some basic tools to help solve some of the complexities specifically relating to finance - working with dates and different financial periods, and formatting our raw data into the correct format for financial forecasting.

Exercise 1: Financial periods and how to work with them Exercise 2: Converting quarters into months Exercise 3: Merging months into quarters Exercise 4: The datetime library Exercise 5: Working with the datetime library Exercise 6: Converting date formats - simple Exercise 7: Converting date formats - explicit Exercise 8: Tips and tricks when working with datasets Exercise 9: Working with datasets - month totals Exercise 10: Working with datasets - combining datasets Exercise 11: Working with datasets - exporting data

In this chapter, we will be exploring two more aspects to creating a good forecast. First, we will look at assumptions, what drives them and what happens when an assumption changes? Next, we will look at variances, as a forecast is built at one point in time, but what happens when the actual results do not correspond to our forecast? We need to build a sensitive forecast that can be sensitive to changes in both assumptions and take into account variances, and this is what we will explore in this chapter.

Exercise 1: Building sensitive forecast models Exercise 2: Weighted probability Exercise 3: Market sentiment Exercise 4: Dependencies and sensitivity Exercise 5: Assigning dependencies for sales and COGS Exercise 6: Building a sensitivity analysis for gross profit Exercise 7: Assigning dependencies for expenses Exercise 8: Build a sensitivity analysis for the net profit Exercise 9: Working with variances in the forecast Exercise 10: Building an alternate forecast Exercise 11: Building a gap analysis between forecasts Exercise 12: Setting dependencies for Netflix Exercise 13: Calculating an alternative forecast for Netflix