游戏夜读 | 毛利率有多少?

吉比特2017年游戏收入达14亿,毛利率90.88%,成本主要为游戏分成,占比53.67%。新增游戏《不思议迷宫》和《地下城堡2》贡献显著。

吉比特2017年报中显示,游戏收入的毛利率是90.88%,比上一年的毛利率减少了5.11个百分点。2017年,游戏收入达到14亿元,其中成本是1.3亿元,成本的大头部分依次是:游戏分成约七千万、职工薪酬约两千七百万、运营维护费约两千六百万,详细数据引用可见Page28的成本分析表,单位:元 。

如此看来,主要的成本在于游戏分成,占比53.67%,这一项成本是2016年的779倍,增长主要系新增的游戏《不思议迷宫》和《地下城堡2》产生的分成。这样说的话,那分成大部分应该是进了研发商暨控股公司,报告数字较多,具体分析按下不表。

但只说分发成本是很片面的,毕竟全部的营业成本只是营业收入的5个点,不能忽略十之八九的毛利率。这几天看新闻,听说冻品市场的毛利率也比较高。都说不同行业之间的毛利率是不可以互相比较的,但比较一下又何妨呢?好像贵州茅台的毛利率也是十之八九。那在玩家眼里,这游戏是多好玩、多有名、多奢华呢?

文/良宵听雨。授权“游戏夜读”发表。

### 权重分配与打分逻辑调整 在多因子选股模型中,因子权重的合理分配对于策略表现至关重要。不同因子对白马股的筛选效果不同,因此需要根据因子的解释力和稳定性进行加权处理。以下是一个基于盈利能力、估值、成长性、财务健康等维度的因子权重分配方案,并更新了加权打分逻辑。 #### 因子权重分配 根据因子在白马股筛选中的重要性,可设置如下权重: | 因子名称 | 权重 | |-----------------------|--------| | ROE(净资产收益率) | 0.25 | | 净利润增长率 | 0.20 | | PE(市盈率) | -0.15 | | 营收增长率 | 0.15 | | 资产负债率 | -0.10 | | 总市值 | 0.10 | | PB(市净率) | -0.05 | | 货币资金 / 短期负债 | 0.05 | | 毛利率 | 0.05 | | 净利率 | 0.05 | 其中,负向因子(如 PE、PB、资产负债率)表示数值越低越优,正向因子(如 ROE、净利润增长率、营收增长率)表示数值越高越优。 #### 加权打分逻辑实现 ```python import pandas as pd # 假设 df 是已经清洗后的财务数据 # 包含字段:'roe_dt', 'profit_growth', 'pe', 'revenue_growth', 'debt_to_assets', # 'total_market_cap', 'pb', 'cash_ratio', 'gross_profit_margin', 'net_profit_margin' # 权重配置 weights = { 'roe_dt': 0.25, 'profit_growth': 0.20, 'pe': -0.15, 'revenue_growth': 0.15, 'debt_to_assets': -0.10, 'total_market_cap': 0.10, 'pb': -0.05, 'cash_ratio': 0.05, 'gross_profit_margin': 0.05, 'net_profit_margin': 0.05 } # 数据标准化(极差法) df_scaled = (df[list(weights.keys())] - df[list(weights.keys())].min()) / \ (df[list(weights.keys())].max() - df[list(weights.keys())].min()) # 应用权重并计综合得分 df['score'] = df_scaled.mul(list(weights.values)).sum(axis=1) # 按综合得分排序 top_stocks = df.sort_values(by='score', ascending=False).head(20) print(top_stocks[['ts_code', 'name', 'score']]) ``` 该打分逻辑采用极差法进行标准化,适用于因子分布不均的情况。标准化后对各因子加权求和,得到最终得分,从而选出综合表现最优的股票。 #### 筛选逻辑补充 为进一步提高选股质量,可在综合得分基础上增加阈值筛选条件: ```python # 筛选条件 selected_stocks = df[ (df['roe_dt'] > 15) & (df['profit_growth'] > 15) & (df['pe'] < 30) & (df['revenue_growth'] > 10) & (df['debt_to_assets'] < 60) & (df['cash_ratio'] > 1) & (df['gross_profit_margin'] > df.groupby('industry')['gross_profit_margin'].transform('mean')) & (df['net_profit_margin'] > df.groupby('industry')['net_profit_margin'].transform('mean')) ] # 重新计得分并排序 selected_stocks['score'] = selected_stocks[list(weights.keys())].apply( lambda row: (row - df[list(weights.keys())].min()) / (df[list(weights.keys())].max() - df[list(weights.keys())].min()) @ list(weights.values), axis=1) # 输出最终结果 top白马股 = selected_stocks.sort_values(by='score', ascending=False).head(10) print(top白马股[['ts_code', 'name', 'score']]) ``` 通过设置行业均值比较、现金流安全边际等条件,可以进一步优化选股质量,确保选出的股票不仅在因子得分上表现优异,同时在基本面层面具备稳健性。 --- ###
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值