⚡

Excel金融建模与数据分析Skill xlsx

此技能专注于使用Excel进行高级数据分析和金融模型构建，包括颜色编码标准、数字格式化、公式应用、财务模型创建和量化交易支持。关键词：Excel、数据分析、金融建模、量化交易、财务模型、公式、pandas、openpyxl、股票分析、量化策略、SEO搜索。

量化策略 0 次安装 2 次浏览 更新于 3/20/2026

名称: xlsx 描述: “全面的电子表格创建、编辑和分析，支持公式、格式化、数据分析和可视化。当 Claude 需要处理电子表格（如 .xlsx, .xlsm, .csv, .tsv 等）时，用于：(1) 创建带有公式和格式的新电子表格，(2) 读取或分析数据，(3) 修改现有电子表格并保留公式，(4) 在电子表格中进行数据分析和可视化，或 (5) 重新计算公式” 许可证: 专有。LICENSE.txt 包含完整条款

输出要求

所有 Excel 文件

零公式错误

  • 每个 Excel 模型必须交付时为零公式错误（#REF!、#DIV/0!、#VALUE!、#N/A、#NAME?）

保留现有模板（更新模板时）

  • 在修改文件时，研究和完全匹配现有格式、样式和惯例
  • 永不将对有既定模式的文件施加标准化格式化
  • 现有模板惯例始终覆盖这些指南

财务模型

颜色编码标准

除非用户或现有模板另有说明

行业标准颜色惯例

  • 蓝色文本（RGB: 0,0,255）：硬编码输入，以及用户将更改用于场景的数字
  • 黑色文本（RGB: 0,0,0）：所有公式和计算
  • 绿色文本（RGB: 0,128,0）：从同一工作簿中其他工作表拉取的链接
  • 红色文本（RGB: 255,0,0）：指向其他文件的外部链接
  • 黄色背景（RGB: 255,255,0）：需要注意的关键假设或需要更新的单元格

数字格式化标准

所需格式规则

  • 年份：格式化为文本字符串（例如，“2024”而非“2,024”）
  • 货币：使用 $#,##0 格式；始终在标题中指定单位（“收入（$百万）”）
  • 零：使用数字格式化使所有零显示为“-”，包括百分比（例如，“$#,##0;($#,##0);-”）
  • 百分比：默认为 0.0% 格式（一位小数）
  • 倍数：格式化为 0.0x 用于估值倍数（EV/EBITDA、P/E）
  • 负数：使用括号（123）而非减号 -123

公式构建规则

假设放置

  • 将所有假设（增长率、利润率、倍数等）放在单独的假设单元格中
  • 在公式中使用单元格引用而非硬编码值
  • 示例：使用 =B5*(1+$B$6) 而非 =B5*1.05

公式错误预防

  • 验证所有单元格引用正确
  • 检查范围中的错位错误
  • 确保所有预测期间公式一致
  • 使用边缘情况测试（零值、负数）
  • 验证无意外循环引用

硬编码的文档要求

  • 在单元格旁注释或内嵌（如果在表末尾）。格式：“来源：[系统/文档]、[日期]、[具体引用]、[URL 如适用]”
  • 示例：
    • “来源：公司 10-K、FY2024、第 45 页、收入说明、[SEC EDGAR URL]”
    • “来源：公司 10-Q、Q2 2025、Exhibit 99.1、[SEC EDGAR URL]”
    • “来源：Bloomberg Terminal、2025/8/15、AAPL US Equity”
    • “来源：FactSet、2025/8/20、共识估计屏幕”

XLSX 创建、编辑和分析

概述

用户可能要求您创建、编辑或分析 .xlsx 文件的内容。您有不同的工具和工作流可用于不同任务。

重要要求

LibreOffice 用于公式重新计算：您可以假设 LibreOffice 已安装，用于使用 recalc.py 脚本重新计算公式值。脚本在首次运行时自动配置 LibreOffice

读取和分析数据

使用 pandas 进行数据分析

对于数据分析、可视化和基本操作，使用 pandas，它提供强大的数据操作能力：

import pandas as pd

# 读取 Excel
df = pd.read_excel('file.xlsx')  # 默认：第一个工作表
all_sheets = pd.read_excel('file.xlsx', sheet_name=None)  # 所有工作表作为字典

# 分析
df.head()      # 预览数据
df.info()      # 列信息
df.describe()  # 统计信息

# 写入 Excel
df.to_excel('output.xlsx', index=False)

Excel 文件工作流

关键：使用公式，而非硬编码值

始终使用 Excel 公式，而非在 Python 中计算值并硬编码。 这确保电子表格保持动态和可更新。

❌ 错误 - 硬编码计算值

# 错误：在 Python 中计算并硬编码结果
total = df['Sales'].sum()
sheet['B10'] = total  # 硬编码 5000

# 错误：在 Python 中计算增长率
growth = (df.iloc[-1]['Revenue'] - df.iloc[0]['Revenue']) / df.iloc[0]['Revenue']
sheet['C5'] = growth  # 硬编码 0.15

# 错误：Python 计算平均值
avg = sum(values) / len(values)
sheet['D20'] = avg  # 硬编码 42.5

✅ 正确 - 使用 Excel 公式

# 正确：让 Excel 计算总和
sheet['B10'] = '=SUM(B2:B9)'

# 正确：增长率作为 Excel 公式
sheet['C5'] = '=(C4-C2)/C2'

# 正确：使用 Excel 函数计算平均值
sheet['D20'] = '=AVERAGE(D2:D19)'

这适用于所有计算 - 总计、百分比、比率、差异等。电子表格应在源数据更改时能够重新计算。

常见工作流

  1. 选择工具：pandas 用于数据，openpyxl 用于公式/格式化
  2. 创建/加载：创建新工作簿或加载现有文件
  3. 修改：添加/编辑数据、公式和格式化
  4. 保存：写入文件
  5. 重新计算公式（使用公式时必须）：使用 recalc.py 脚本
    python recalc.py output.xlsx
  6. 验证并修复任何错误：
    • 脚本返回带有错误详情的 JSON
    • 如果 status 为 errors_found，检查 error_summary 获取特定错误类型和位置
    • 修复识别的错误并再次重新计算
    • 常见错误修复：
      • #REF!：无效单元格引用
      • #DIV/0!：除以零
      • #VALUE!：公式中的错误数据类型
      • #NAME?：未识别的公式名称

创建新 Excel 文件

# 使用 openpyxl 用于公式和格式化
from openpyxl import Workbook
from openpyxl.styles import Font, PatternFill, Alignment

wb = Workbook()
sheet = wb.active

# 添加数据
sheet['A1'] = 'Hello'
sheet['B1'] = 'World'
sheet.append(['Row', 'of', 'data'])

# 添加公式
sheet['B2'] = '=SUM(A1:A10)'

# 格式化
sheet['A1'].font = Font(bold=True, color='FF0000')
sheet['A1'].fill = PatternFill('solid', start_color='FFFF00')
sheet['A1'].alignment = Alignment(horizontal='center')

# 列宽
sheet.column_dimensions['A'].width = 20

wb.save('output.xlsx')

编辑现有 Excel 文件

# 使用 openpyxl 保留公式和格式化
from openpyxl import load_workbook

# 加载现有文件
wb = load_workbook('existing.xlsx')
sheet = wb.active  # 或 wb['SheetName'] 用于特定工作表

# 处理多个工作表
for sheet_name in wb.sheetnames:
    sheet = wb[sheet_name]
    print(f"工作表: {sheet_name}")

# 修改单元格
sheet['A1'] = 'New Value'
sheet.insert_rows(2)  # 在第 2 行插入行
sheet.delete_cols(3)  # 删除第 3 列

# 添加新工作表
new_sheet = wb.create_sheet('NewSheet')
new_sheet['A1'] = 'Data'

wb.save('modified.xlsx')

重新计算公式

由 openpyxl 创建或修改的 Excel 文件包含公式作为字符串，但没有计算值。使用提供的 recalc.py 脚本重新计算公式：

python recalc.py <excel_file> [timeout_seconds]

示例：

python recalc.py output.xlsx 30

脚本：

  • 首次运行时自动设置 LibreOffice 宏
  • 重新计算所有工作表中的所有公式
  • 扫描所有单元格以查找 Excel 错误（#REF!、#DIV/0! 等）
  • 返回带有详细错误位置和计数的 JSON
  • 在 Linux 和 macOS 上工作

公式验证清单

快速检查以确保公式正确工作：

基本验证

  • [ ] 测试 2-3 个样本引用：在构建完整模型前验证它们拉取正确值
  • [ ] 列映射：确认 Excel 列匹配（例如，列 64 = BL，非 BK）
  • [ ] 行偏移：记住 Excel 行从 1 开始索引（DataFrame 行 5 = Excel 行 6）

常见陷阱

  • [ ] NaN 处理：使用 pd.notna() 检查空值
  • [ ] 最右列：FY 数据通常在列 50+
  • [ ] 多个匹配：搜索所有出现，而非仅第一个
  • [ ] 除以零：在公式中使用 / 前检查分母（#DIV/0!）
  • [ ] 错误引用：验证所有单元格引用指向预期单元格（#REF!）
  • [ ] 跨工作表引用：使用正确格式（Sheet1!A1）链接工作表

公式测试策略

  • [ ] 从小开始：在广泛应用前在 2-3 个单元格上测试公式
  • [ ] 验证依赖：检查公式中引用的所有单元格存在
  • [ ] 测试边缘情况：包括零、负数和非常大的值

解释 recalc.py 输出

脚本返回带有错误详情的 JSON：

{
  "status": "success",           // 或 "errors_found"
  "total_errors": 0,              // 总错误计数
  "total_formulas": 42,           // 文件中公式数量
  "error_summary": {              // 仅当发现错误时存在
    "#REF!": {
      "count": 2,
      "locations": ["Sheet1!B5", "Sheet1!C10"]
    }
  }
}

最佳实践

库选择

  • pandas：最适合数据分析、批量操作和简单数据导出
  • openpyxl：最适合复杂格式化、公式和 Excel 特定功能

使用 openpyxl

  • 单元格索引从 1 开始（row=1, column=1 指单元格 A1）
  • 使用 data_only=True 读取计算值：load_workbook('file.xlsx', data_only=True)
  • 警告：如果以 data_only=True 打开并保存，公式被值替换并永久丢失
  • 对于大文件：使用 read_only=True 读取或 write_only=True 写入
  • 公式保留但未评估 - 使用 recalc.py 更新值

使用 pandas

  • 指定数据类型以避免推断问题：pd.read_excel('file.xlsx', dtype={'id': str})
  • 对于大文件，读取特定列：pd.read_excel('file.xlsx', usecols=['A', 'C', 'E'])
  • 正确处理日期：pd.read_excel('file.xlsx', parse_dates=['date_column'])

代码风格指南

重要：当生成用于 Excel 操作的 Python 代码时：

  • 编写最小、简洁的 Python 代码，无需不必要注释
  • 避免冗长变量名和冗余操作
  • 避免不必要打印语句

对于 Excel 文件本身：

  • 对复杂公式或重要假设的单元格添加注释
  • 记录硬编码值的数据来源
  • 包括关键计算和模型部分的注释