一級市場搬磚工的福音-使用Excel VBA增強識別掃描版財務報表

關於搬磚時的財務分析這事，一級市場黑工們的困境和二級市場黑工們的困境還不太一樣，二級市場的黑工們還有Wind、Bloomberg，再不濟也有免費的雪球、Yahoo! Finance或者TuShare可以用。而一級市場的黑工們往往就只能拿到掃描版本的，或者紙質版本的財務報表了（誰讓現在資產荒呢，資金方全成乙方了）。

而自從有了ABBYY這等毛熊開發的變態軟體，一級市場的黑工們就再也不甘於一個個敲數字，敲到深更半夜了。（提示:ABBYY中把財報區域選中為表格，識別效率更高）

不過搬磚狗們能拿到手的掃描版本的財報，也就是100ppi以下的了。也是，300ppi以上的幾十上百頁的掃描版pdf，以金融企業的普遍網速，和公司郵箱十幾兆的附件限制，還是有點不現實呢。

這種100ppi的圖像，掃描出來的效果估計也就是上圖所示了。這是什麼鬼，完全沒有減輕民工們的工作量啊！

那麼，有沒有一種辦法，讓這個財報自動變成下圖這樣呢？

（none是幾個應收長得太像了，ABBYY識別的時候都只識別出了應收二字，所以很難區分...）

於是開始想辦法，經過了整整一個月，終於從搬磚空隙中抽出了幾個小時，發現了一種多次匹配的識別方法：

說起來想法也挺簡單的。大概分以下的幾步：

一、把要識別的字元拆開，拆成一個個的字元串。（只保留漢字）

二、把資料庫中的字元拆開，拆成一個個的字元串。

三、把1中的字元串一個個與資料庫中的字元匹配，如果有一個字元串的匹配概率是最高並且是唯一，記下該字元串。

四、繼續匹配剩下的要匹配字元串和資料庫字元串。

五、重複3-4

根據我的經驗，這種簡單的匹配函數，一輪識別能識別出60-70%，二次的識別能達到75-85%的識別精度，三輪識別能達到85-95%的識別精度。

什麼叫簡單的識別函數呢，就是用要匹配的字元和資料庫字元相匹配，用含有的字元的個數除以總計的字元的個數。

當然還有更精確的匹配演算法，比如可以加上兩個因素的權重：

1.是否連續

2.這些字元出現的位置和應當出現的位置是否匹配

不過確實沒啥必要啊。

然後辛苦的寫啊寫啊寫。終於寫完了，具體過程可以參考：

http://tsauliu.com/finreport-ehanced-ocr

http://tsauliu.com/finreport-ehanced-ocr-2

可以在這下載試用：ABBYY增強識別.xlsm

使用流程大致如下：

一、輸入Entry Match 函數

二、輸入第一個參數（要匹配的財務報表區域）

三、輸入第二個參數（該區域屬於什麼類型）

具體類型和區域的匹配參見worksheet!dicts，這個詞典可以自己修改，增加準確度

然後按一下Enter，它就會自動把該區域匹配完成並且填充好：

清潔數字的函數是Cnum，這個比較簡單，直接Cnum(A1)這種，引用好要清潔的數字就好，ABBYY很不好的一點就是經常把 「，」 識別成 「 . 」，這個函數可以很好的修正這種情況。

不過我也在進一步修正這個函數。

下一步大概是做到三張表可以自動檢查是否配平，不過這個只能之後寫了。

知友們也可以給我留言或者發郵件至mail@tsauliu.com，提提修改意見啥的。

熟悉的知友可以私信我要便攜版的ABBYY。

估計下一個版本一個月之後release吧。

推薦閱讀：