数据研究两篇：
绩效评价与波动预测

A新能源上市公司经营绩效综合评价与风险判别

问题：新能源赛道内部分化剧烈——电池、光伏、风电、燃料电池各走各的周期。只看利润表分不出好公司和风险公司，需要一个多维评价体系把优质标的和风险标的分开。

做法

• 取数：用 akshare 抓取东方财富 + 新浪财经 2025 年年报数据，构建规模、盈利、成长、偿债、运营 5 维度 16 指标体系；
• 降维：VIF 诊断 + 典型相关分析处理共线性；PCA 提取 6 个主成分（累计贡献率 83.98%，KMO=0.721），再用因子分析 Varimax 旋转交叉验证；
• 分层：K-Means 与 Ward 层次聚类按轮廓系数择优，把企业划成 A/B/C 三级风险梯队；LDA/QDA 五折交叉验证检验分类稳定性。

发现

构建出 PCA+FA 加权综合评价模型，完成 108 家企业绩效排序与三级分层。四大赛道的画像差异清晰：电池龙头综合领先，光伏两极分化，风电稳健低波动。全流程 Python 实现，自动输出 Word + PDF 双格式报告。

方法论上最大的收获：降维不是目的，"可解释的降维"才是。PCA 结果必须和 Varimax 旋转后的因子结构互相印证，才敢拿去给企业分层。

BCPI、PPI 与社零的多元时间序列波动分析与短期预测

问题：物价波动如何向消费传导？哪种模型对消费走势的短期预测更准？这是政策制定的核心依据之一。

做法

• 预处理：爬取 2008-2025 年 CPI、PPI、社零月度数据，对数变换 + 季节性分解；
• 检验：ADF 检验判断平稳性，协整检验验证三变量长期均衡关系；
• 建模：VAR 模型刻画短期联动，输出脉冲响应函数；ARIMA 与 SARIMA 网格搜索（AIC/BIC 择优）做 6 期滚动预测对比，Ljung-Box 检验确认残差白噪声。

发现

SARIMA 在季节性消费序列上 MAE/RMSE 全面优于 ARIMA；脉冲响应揭示了 CPI 冲击向社零传导的 3 期路径——物价的变动不是当月就体现在消费上，而是有一个可量化的时滞。同样全流程自动生成双格式报告。

这两篇研究教会我的共同一课：模型选型永远是"数据说话"——季节性明显的序列别硬用 ARIMA，共线性严重的指标别硬塞进模型。检验跑在建模前面，结论才立得住。

→这两篇研究在说什么

单看技术栈（akshare、PCA、K-Means、VAR、SARIMA）只是工具箱；把它们连起来看，是一条完整的路径：从原始数据出发，经过检验、降维、建模、验证，最后落成一份别人拿得起走的报告。这也是我对"数据素养"的理解——不是会调包，而是每一步都knows why，每个结论都有出处。

两篇研究独立完成于 2026 年 6 月，方法与数据细节以研究报告为准。如需查看代码与报告样例，欢迎通过主页联系方式找我。