8 实战演示：清洗 CSMAR 企业财务数据

本章通过一个完整的实战案例，演示如何使用 Claude Code 清洗 CSMAR（国泰安）企业财务数据，计算常用的公司特征变量。

8.1 任务说明

目标：从企业基本信息和财务报表数据中，计算 5 个企业特征变量：

变量	含义	计算公式
Size	公司规模	ln(总资产)
Age	公司年龄	当年年份 - 上市年份
Lev	资产负债率	负债合计 / 资产总计
Growth	营业收入增长率	(本期营收 - 上期营收) / \|上期营收\|
ROA	资产收益率	净利润 / 资产总计

额外要求：

删除金融行业（行业代码 J 开头）
计算出的指标需进行缩尾处理
输出：.do 文件、.dta 数据集、.md 工作小结

8.2 数据概况

本次使用的数据来自 CSMAR 数据库，包含 4 个数据集：

数据集	文件名	主要内容
资产负债表	`FS_Combas.csv`	资产、负债、所有者权益等 154 个变量
利润表	`FS_Comins.csv`	营业收入、净利润等 80 个变量
现金流量表（间接法）	`FS_Comscfi.csv`	经营/投资/筹资现金流等 27 个变量
上市公司基本信息年度表	`STK_LISTEDCOINFOANL.csv`	股票代码、行业分类、上市日期等

每个数据集都附有 [DES][csv].txt 说明文件，包含完整的变量定义。

8.3 prompt

【data/】里面是实证金融研究用的 A 股上市公司数据，需要清洗合并后计算常用控制变量（Size、Age、Lev、Growth、ROA），对这些指标进行描述性统计。用 stata 完成。

注意事项：删除金融行业（行业代码J*）、计算出的指标要缩尾

- 我不确定具体要执行哪些数据清洗操作，需要你结合数据结构和数据处理的惯例判断

最后输出三个文件：处理数据的.do文档；处理后数据集.dta文件；数据处理工作小结.md文档（包含数据处理操作和最后的描述性统计结果）

8.3.1 关键发现

AI 通过读取说明文件和导入样本行，发现了以下关键信息：

1. 变量名不统一

不同数据集使用不同的变量名来表示相同的概念：

股票代码：基本信息表用 Symbol，其他表用 Stkcd
报告期：现金流量表用 EndDate，其他表用 Accper

2. 金额以字符串存储

CSMAR 的 CSV 文件中，金额类字段以字符串格式存储（如 "19802000000.00"），Stata 导入后需要通过 destring 转为数值型。

3. 报表类型区分

每家公司同时有合并报表（Typrep = "A"）和母公司报表（Typrep = "B"），需要筛选保留合并报表。

4. 报告期频率

数据包含年度（12-31）和季度报告，实证研究通常只保留年度数据。

8.4 计划阶段

AI 根据探索结果生成详细的数据处理计划书，包含以下步骤：

预处理：导入 4 个数据集，保留合并报表（typrep == "A"）、保留年度数据（accper 以 “12” 结尾）
变量准备：重命名统一标识符（Symbol → Stkcd，EndDate → Accper），字符串转数值（destring）
去重：以 stkcd + year 为键去重
合并：以 stkcd + year 为键，依次合并 4 个数据集
样本筛选：剔除金融行业（行业代码 J 开头）、剔除 ST 股票、剔除总资产为负的异常值
变量计算：计算 Size、Age、Lev、Growth、ROA
缩尾：对计算的指标在 1%/99% 分位数进行缩尾
描述性统计：输出均值、标准差、最小值、最大值等

8.5 执行阶段

确认计划无误后，AI 开始执行。整个过程约 10 分钟。

8.6 输出结果

执行完成后，AI 生成以下文件：

输出文件	位置	说明
数据处理代码	`code/`	完整的、带注释的 `.do` 文件
清洗后数据	`data/processed/`	`.dta` 格式的清洗数据集
工作小结	`file/`	`.md` 格式的处理报告，包含每步操作和描述性统计结果

8.7 经验小结

在 CLAUDE.md 提前写明路径规范和目录约定，可以避免重复沟通或者试错
对计划或者完整流程不确定的时候，可以用 plan mode，把确定的部分写下来，让 AI 完善