重庆作为中国西部汽车工业重镇，拥有 长安汽车（000625）与 赛力斯（601127）两家代表性上市车企。两家企业在新能源转型中选择了截然不同的路径： 外部协同（赛力斯 × 华为智选，联合研发、技术赋能）与 自主研发（长安 SDA/EPA/CHN 自主技术平台，深蓝 / 阿维塔 / 启源多品牌并进）。
项目以 8 家 A 股乘用车整车厂为对标样本，整合三大报表与行业 NEV 数据， 运用 K-Means 聚类、孤立森林异常检测、6 模型时序预测、杜邦分析、Altman Z-score、沃尔评分与熵权法， 构建一套可复现、可解释、可预警的财务智能决策体系， 并以 2026Q1 样本外一步前向回测检验预测可靠性，最终给出差异化的风险对策建议。
两家公司均未落入危险区，但赛力斯处于灰色区间——高杠杆扩张叠加单一车型依赖， 是其"高评分 + 高风险"并存的结构性来源。
研究背景、核心结论速览，以及 8 家车企最新财务快照。
18 项指标的时间趋势 / 公司横向对比 / 核心指标热力图（双子图）。
K-Means 聚类、孤立森林、Z-score、沃尔评分与杜邦瀑布图。
6 模型预测曲线对比 + 2026Q1 样本外一步前向回测结果。
行业景气度、渗透率、季度销量结构，及赛力斯 vs 长安联动关系。
Notebook 与行业分析输出的 14+ 张 PNG 图表集中检索展示。
| 模型 / 方法 | 输入 | 输出 | 回答的问题 |
|---|---|---|---|
| Ridge 回归 | 季度财务指标（2016–2025） | 未来 4Q 预测 + 残差 | 谁在"往下走"？ |
| Prophet / ARIMA / LSTM 三次指数平滑 / 线性回归 | 同 Ridge | 趋势预测（交叉验证） | 与 Ridge 相比谁更优？ |
| 2026Q1 回测 | 训练剔除 2026Q1，预测 1 期 | MAE / sMAPE / 方向命中率 | 预测是否可靠？ |
| K-Means | 8 家车企 5 维风险向量 | K=3 聚类群组 | 各属哪个风险群？ |
| 孤立森林 | 同 K-Means 特征矩阵 | 异常得分 + 标签 | 谁的异常信号更强？ |
| 杜邦分析 | 利润表 + 资产负债表（年报） | ROE 三因素分解（瀑布图） | 盈利驱动力差异？ |
| Z-score | 财务分析指标（年报） | Z 值 + 破产风险判定 | 是否存在破产风险？ |
| 沃尔评分 | 5 项预警指标 + 分档评分 | 百分制综合得分 | 财务预警综合排名？ |
| 熵权法 | R² / sMAPE / σ 方法级指标 | 客观权重 + 综合分 | 客观赋权下最优模型？ |
采用新能源行业修正阈值：危险 < 1.20 / 灰色 1.20–2.20 / 安全 > 2.20； 对照组为传统制造业口径（1.81 / 2.99）。阈值下调反映整车行业 重资产、高杠杆、长周期的资本结构特征。
| 方法 | 35/45/20 | 40/40/20 | 熵权 |
|---|---|---|---|
| Ridge 回归 | 1 | 1 | 1 |
| 线性回归 | 2 | 2 | 2 |
| Prophet | 3 | 3 | 3 |
| ARIMA | 4 | 4 | 4 |
| LSTM | 5 | 5 | 5 |
| 三次指数平滑 | 6 | 6 | 6 |
熵权法实测权重：R² 42.9% / sMAPE 31.5% / σ 25.7%。 三种赋权方案下 Ridge 回归均位列第一，排名对权重设定不敏感。
误差指标改用有界的 sMAPE 后，LSTM 与三次指数平滑因毛利率近零产生的 巨额 MAPE（2000%+）被有效封顶，排名稳健性显著提升。
| 维度 | 赛力斯 · 代工协同 | 长安汽车 · 自主研发 |
|---|---|---|
| K-Means 聚类 | 稳健群 | 稳健群 |
| 孤立森林异常 | 正常（得分 0.166） | 正常（得分 0.160） |
| 沃尔评分（修正） | 第 1 名 · 90.4 分 | 第 5 名 · 78.4 分 |
| Z-score（新能源阈值） | 1.63 · 灰色区 | 1.82 · 安全区 |
| 杜邦 ROE 2023→2024 | -36.4% → 38.7% 净利率 +46.7pp 驱动 |
13.2% → 8.0% 净利率 -5.2pp 拖累 |
| 杜邦 ROE 2024→2025 | 38.7% → 15.0% 杠杆 -17.8pp 拖累 |
8.0% → 4.1% 净利率 -3.9pp 拖累 |
| 样本内预测最优 | Ridge 回归（三种权重方案均第一） | |
| 样本外回测最优 | LSTM / ARIMA（MAE 最低） | |
| 销量结构风险 | 高度集中（问界约 95%） | 多品牌均衡（新能源约 26%） |
赛力斯"高评分 + 高风险"并存。沃尔评分第 1 名源于营收增长突出，但 Z-score 落灰色区， 高杠杆叠加问界单车依赖；2024 扭亏由净利率驱动，2025 回落则由杠杆去化主导。
长安稳健但转型偏慢。连续两年 ROE 下行均由净利率拖累，规模效应尚未兑现， 新能源渗透率（约 26%）落后于行业节奏。
样本内最优 ≠ 样本外最优。Ridge 综合分第一，但回测显示 LSTM / ARIMA 的 MAE 更低； 模型选型须以样本外回测为准。
预测能力应分层使用。资产负债率 MAPE <20% 可用于精确预警； 毛利率 2026Q1 近零（赛力斯 -0.46%、长安 -0.06%），仅作方向判断。
AkShare（A 股交易所披露，会计准则统一）
CAAM 中国汽车工业协会新能源月度量价数据
财务 2016Q1–2025Q4（2026Q1 增量用于回测）
销量 2023–2026 ／ NEV 行业 2016–2025
每家 *_财务数据.xlsx 含 7+ Sheets： 资产负债表 / 利润表 / 现金流量表 / 财务分析指标 / 质量校验等
容错设计：Prophet 未安装 → 回退线性回归；statsmodels 缺失 → ARIMA / 三次指数平滑回退； torch 缺失 → LSTM 使用 NumPy 实现。任一可选依赖失效均不影响主流程运行。
# 1) 克隆仓库 git clone git@github.com:yohoten/fidac.git cd FIDAC # 2) 创建虚拟环境并安装依赖（阿里云镜像加速） python -m venv .venv && .venv\Scripts\activate pip install -r requirements.txt -i https://mirrors.aliyun.com/pypi/simple/ # 3) 启动 6 页 Streamlit 看板 → http://localhost:8501 streamlit run streamlit_app.py # 4) 或打开主 Notebook，按六章顺序复现全部分析 jupyter notebook 基于K-Means聚类与多模型时序预测的重庆上市车企财务智能预警研究.ipynb
tbb.dll 复制至 prophet/stan_model/；失败时自动回退线性回归。FIDAC/ ├── README.md # 项目说明（12 章） ├── 基于K-Means聚类与多模型时序预测的重庆上市车企财务智能预警研究.ipynb # ★ 主 Notebook（六章） ├── 基于K-Means聚类与多模型时序预测的重庆上市车企财务智能预警研究.pdf # 研究论文 ├── streamlit_app.py # ★ 6 页 Streamlit 看板 ├── requirements.txt # Python 依赖 ├── DEPLOY.md # 在线部署指南 ├── lib/financial_metrics.py # 统一指标/预测/评分/读取库 ├── data/ # 8 家财务 + NEV 行业数据（22 Sheets） ├── work/ # 独立运行脚本（K-Means/Prophet/NEV/回测） ├── reports/ # pictures / nb_charts / nev_industry_analysis ├── dosc/ # 竞赛手册 / 报告 / 代码附录 ├── templates/latex_chinese/ # 中文 LaTeX 模板 └── index.html # 本介绍页