Analyse fondamentale institutionnelle — Rapport HTML self-contained
Institutional Fundamental Analysis — Self-Contained HTML Report
Financial Analyzer Pro génère un rapport d'analyse fondamentale institutionnel complet pour n'importe quel ticker Yahoo Finance. En une seule commande, le système télécharge les états financiers sur 4 ans, calcule des métriques avancées (Altman Z-Score, Piotroski F-Score, décomposition DuPont), produit 4 graphiques, charge le contexte sectoriel macro/politique/concurrentiel, et génère un rapport HTML de ~230KB entièrement auto-suffisant.
pip install -r requirements.txt
python analyse.py AAPL
python analyse.py NVDA --peers AMD INTC QCOM AVGO
python analyse.py JPM --peers BAC WFC GS MS
python analyse.py LLY --peers NVO ABBV MRK PFEFinancial Analyzer Pro generates a comprehensive institutional fundamental analysis report for any Yahoo Finance ticker. In a single command, it downloads 4-year financial statements, computes advanced metrics, generates embedded charts, loads sector macro/political/competitive context, and outputs a self-contained ~230KB HTML report readable in any browser.
python analyse.py TICKER [--peers P1 P2 P3] [--no-browser]| Section | Contenu |
|---|---|
| Executive Dashboard | 6 cartes : Rev CAGR 3Y, Net Margin, FCF Quality, Piotroski F-Score, Altman Z-Score, Debt/Equity |
| Company Profile | Description business (yfinance), faits clés, secteur, industrie, employés, site web |
| Financial Statements | Compte de résultat + Bilan + Cash Flow (4 ans annuels, tableaux formatés) |
| Visual Analytics | 4 charts matplotlib (revenus, marges, FCF, prix vs SPY) — base64 embarqués |
| Profitability & DuPont | ROE, ROA, ROCE + décomposition DuPont (marge × rotation × levier) |
| Valuation Metrics | P/E trailing/forward, P/B, EV/EBITDA, EV/Revenue, FCF Yield, dividende |
| Risk Indicators | Altman Z-Score + Piotroski F-Score (9 critères détaillés) + Red Flags auto |
| Sector Context | Drivers de croissance, risques, dynamique concurrentielle, macro, politique/réglementation |
| Competitive Positioning | Tableau comparatif pairs avec best-in-class coloré |
| Investment Thesis | Bull case / Bear case auto-générés à partir des données |
Modèle de prédiction de faillite en 4 variables :
Z = 6.56·X1 + 3.26·X2 + 6.72·X3 + 1.05·X4
X1 = Fonds de roulement / Total actifs (liquidité)
X2 = Bénéfices non distribués / Total actifs (rentabilité cumulée)
X3 = EBIT / Total actifs (puissance bénéficiaire)
X4 = Capitalisation boursière / Total passifs (levier marché)
| Zone | Score | Risque |
|---|---|---|
| Sûre | > 2.60 | Faible |
| Grise | 1.10 – 2.60 | Modéré |
| Détresse | < 1.10 | Élevé |
⚠️ Non applicable aux banques et assureurs (levier structurel élevé par nature).
9 signaux binaires (1 point chacun) :
- Rentabilité (4) : ROA > 0, OCF > 0, ROA en hausse, qualité bénéfices (OCF > NI)
- Levier/Liquidité (3) : Dette réduite, current ratio amélioré, pas de dilution
- Efficacité (2) : Marge brute améliorée, rotation actifs améliorée
| Score | Interprétation |
|---|---|
| 8–9 | Fort — financièrement sain |
| 5–7 | Modéré — surveiller |
| 0–4 | Faible — signaux négatifs multiples |
ROE = Marge Nette × Rotation Actifs × Levier Financier
= (NI/Revenue) × (Revenue/Assets) × (Assets/Equity)
Permet d'identifier si le ROE vient de la profitabilité, de l'efficacité opérationnelle, ou du levier.
Ratio FCF/NI = Free Cash Flow / Net Income
> 1.2 → Excellent (bénéfices fortement cash-backed)
0.8–1.2 → Bon
0.5–0.8 → Modéré
< 0.5 → Faible (bénéfices à base d'accruals)
< 0 → FCF négatif
Le système détecte automatiquement :
- Déclin de revenus (YoY)
- Perte nette ou passage en négatif
- FCF négatif
- Divergence FCF/NI (qualité bénéfices)
- Compression des marges brutes (> -5%)
- Levier élevé (Net Debt/EBITDA > 4×)
- Couverture des intérêts faible (< 2×)
- Current ratio < 1.0
- Dividende non soutenable (payout > 100%)
- Faible R&D pour secteur Tech/Healthcare
Couverture de 10 secteurs GICS avec analyse genuine :
| Secteur | Contexte couvert |
|---|---|
| Technology | IA regulation, antitrust DMA, export controls chips |
| Semiconductors | Cycle IA, TSMC concentration, US-China export controls |
| Healthcare | IRA drug pricing, patent cliffs, GLP-1 revolution |
| Financial Services | Basel III, CFPB, taux directeurs, private credit |
| Energy | OPEC+, transition énergétique, géopolitique |
| Consumer Cyclical | Stress crédit consommateur, Amazon disruption |
| Consumer Defensive | GLP-1 risk, private label, pricing power |
| Industrials | Dépenses défense OTAN, Infrastructure Act |
| Communication Services | AI threat to search, TikTok risk |
| Basic Materials | Transition énergétique, China demand |
07_Financial_Analyzer/
├── analyse.py ← CLI entry point (pipeline complet)
├── data.py ← yfinance wrapper robuste (multi-key fallbacks)
├── metrics.py ← Altman Z, Piotroski F, DuPont, FCF, growth, red flags
├── report.py ← Générateur HTML (CSS + charts base64 + 11 sections)
├── sector_context.py ← Base de connaissance sectorielle (10 secteurs)
├── requirements.txt
├── LANCEMENT.md
└── README.md
Pour les tickers les plus courants, les pairs sont sélectionnés automatiquement :
| Ticker | Pairs auto |
|---|---|
| NVDA | AMD, INTC, QCOM, AVGO |
| AAPL | MSFT, GOOGL, META, AMZN |
| JPM | BAC, WFC, GS, MS |
| XOM | CVX, COP, SLB, BP |
| LLY | NVO, ABBV, MRK, PFE |
| TSLA | GM, F, RIVN, NIO |
| LMT | RTX, NOC, GD, BA |
Pour forcer des pairs personnalisés : --peers TICKER1 TICKER2 ...
pip install yfinance pandas numpy matplotlib
# ou
pip install -r requirements.txtAucune API key requise. Toutes les données proviennent de Yahoo Finance (yfinance).
Ce rapport est généré automatiquement à des fins éducatives et informatives uniquement.
Il ne constitue pas un conseil en investissement. Les données proviennent de Yahoo Finance et
peuvent contenir des inexactitudes. Consultez un professionnel avant toute décision d'investissement.
This report is auto-generated for informational purposes only. Not investment advice.
Financial Analyzer Pro · Analyse fondamentale institutionnelle · Python + yfinance
Copyright © 2026 — Tous droits réservés