파이썬으로 주식 종목 비교 분석 코카콜라(KO) vs 펩시코(PEP) #2 - 유동비율/현금자산비중/재고자산비중

2021.03.28 - [Data Analysis/Investment] - 파이썬으로 주식 종목 비교 분석 코카콜라(KO) vs 펩시코(PEP) #1 - 매출액/당기순이익/EPS

파이썬으로 주식 종목 비교 분석 코카콜라(KO) vs 펩시코(PEP) #1 - 매출액/당기순이익/EPS

Coca Cola VS Pepsico

지난 코카콜라와 펩시 비교 분석 글을 이어나가도록 하겠다. 지난 글에서는 매출액, 당기순이익, EPS 수익성을 비교했다면 오늘은 기업의 건전성 지표라고 볼 수 있는 유동비율, 부채비율, 현금비중, 재고자산 비중을 확인해보도록 하겠다. 오늘도 물론 FinancailModelingPrep API를 활용해보도록 하겠다.

 

1. 유동비율 비교

내가 주식 투자를 하는 데 있어서 가장 중요하게 보는 지표가 바로 유동비율이다. 보통 유동비율이라고 하면 유동자산/유동부채로 계산하는데 유동자산의 경우 재고자산이 포함되기 때문에 나는 유동자산에서 재고자산을 빼고 계산하는 편이다. 그러면 조금 더 확실한 유동비율을 볼 수 있기 때문이다. 

 

아래 그래프에서 볼 수 있듯이 확실히 같은 업종에 속해서 그런지 유동비율은 두 기업 모두 유사한 점을 확인할 수 있다. 그래도 코카콜라가 펩시보다는 조금 높기는 하다. 

import pandas as pd
import requests

furl=f'https://financialmodelingprep.com/api/v3/balance-sheet-statement/KO?limit=10&apikey={api}'
fres=requests.get(furl)
fdata=fres.json()
ko=pd.DataFrame.from_dict(fdata)

purl=f'https://financialmodelingprep.com/api/v3/balance-sheet-statement/PEP?limit=10&apikey={api}'
pres=requests.get(purl)
pdata=pres.json()
pep=pd.DataFrame.from_dict(pdata)

ko['Year']=ko['date'].apply(lambda x:x[:4])
pep['Year']=pep['date'].apply(lambda x:x[:4])

ko['ca']=ko['totalCurrentAssets']-ko['inventory']
ko['currentratio']=ko['ca']/ko['totalCurrentLiabilities']
pep['ca']=pep['totalCurrentAssets']-pep['inventory']
pep['currentratio']=pep['ca']/pep['totalCurrentLiabilities']
CR=pd.concat([ko[['Year','currentratio']],pep[['currentratio']]],axis=1)
CR.columns=['Year','KO','PEP']
CR=CR.sort_values(by='Year',ascending=True)

import plotly.express as px

currentratio = px.line(CR, x="Year", y=['KO','PEP'], title='2016~2020 CurrentRatio')
currentratio.show()
crgraph=currentratio.to_json()

 

2. 현금자산/재고자산 비중 비교

 

유동비율 다음으로 보는 지표가 바로 현금자산과 재고자산이 총 자산에서 차지하는 비중이다. 현금이 많은 기업은 언제나 환영이기 때문에 긴말을 하지 않겠다. 재고자산 관리는  특히 코카콜라나 펩시 같은 B2C 기업에게는 핵심이라고 생각한다. 재고자산 증가는 제품이 제대로 팔리지 않다는 반증이기도 하기 때문이다.

 

아래 그래프에서 보면 총 자산에서 현금 비중은 펩시가 높고, 재고자산 비중은 코카콜라가 우위에 있는 점을 확인할 수 있다. 솔직히 거기거 거기인 것 같다.

 

ko['CashRatio']=ko['cashAndCashEquivalents']/ko['totalAssets']
ko['InventoryRatio']=ko['inventory']/ko['totalAssets']
pep['CashRatio']=pep['cashAndCashEquivalents']/pep['totalAssets']
pep['InventoryRatio']=pep['inventory']/pep['totalAssets']

ratio=pd.concat([ko[['Year','CashRatio','InventoryRatio']],pep[['CashRatio','InventoryRatio']]],axis=1)
ratio.columns=['Year','ko_cash_ratio','ko_inventory_ratio','pep_cash_ratio','pep_inventory_ratio']
ratio=ratio.sort_values(by='Year',ascending=True)

fig = px.line(ratio, x="Year", y=['ko_cash_ratio','ko_inventory_ratio','pep_cash_ratio','pep_inventory_ratio'], 
             title='2016~2020 Cash/Inventory Ratio'
             )
fig.show()
ff=fig.to_json()