siat 3.7.2__py3-none-any.whl → 3.7.4__py3-none-any.whl

siat/common.py

@@ -3836,6 +3836,8 @@ def upgrade_siat(module_list=['siat','akshare','pandas','pandas_datareader', \
     或python -m pip install --upgrade pip
     如果上述方法不适用，您可能需要重新安装Python，并确保在安装过程中选中了“Add Python to PATH”
     """
+    DEBUG=False
+    
     print("Upgrading siat and related modules, please wait ... ...")
     
     #获取系统目录
@@ -3865,7 +3867,8 @@ def upgrade_siat(module_list=['siat','akshare','pandas','pandas_datareader', \
         if sp_list[-1] == 'anaconda3': break
     
     #生成pip命令字符串前半段，仅缺插件名
-    cmdstr=sp+sep_flag+'Scripts'+sep_flag+pipcmd+' '
+    #cmdstr=sp+sep_flag+'Scripts'+sep_flag+pipcmd+' '
+    cmdstr=sp+sep_flag+pipcmd+' '
     
     #检查是否使用镜像源
     if alternative == "":
@@ -3898,17 +3901,25 @@ def upgrade_siat(module_list=['siat','akshare','pandas','pandas_datareader', \
     for m in tqdm(module_list):
         #print("Upgrading",m,"... ...",end='')
         #print_progress_percent2(m,module_list,steps=5,leading_blanks=2)
+        if DEBUG:
+            print("  DEBUG: m={}".format(m))
         
         if alternative == "":
             cmdstr1=cmdstr+m
         else:
             cmdstr1=cmdstr+m+' '+alter_source
-        #print(cmdstr1)
+        if DEBUG:
+            print("  DEBUG: cmdstr1={}".format(cmdstr1))
         
         #proc=subprocess.run(cmdstr1.split(' '),stdout=subprocess.PIPE)
-        proc=subprocess.run(cmdstr1.split(' '))
-        rcode=proc.returncode
-        if rcode !=0: fail_list=fail_list+[m]
+        try:
+            proc=subprocess.run(cmdstr1.split(' '))
+            rcode=proc.returncode
+            if rcode !=0: fail_list=fail_list+[m]
+        except:
+            print("  #Error(upgrade_siat): executable file python not found in {}".format(sp))
+            print("  Solution: find out the exact path where the executable file python locates")
+            return
     
     if len(fail_list) == 0:
         print("All specified modules are successfully upgraded!")
@@ -3918,7 +3929,7 @@ def upgrade_siat(module_list=['siat','akshare','pandas','pandas_datareader', \
         
         if 'pip' in fail_list:
             print("Upgrading for pip, in Anaconda Prompt (Windows) or Terminal (Mac):")
-            print("  python -m pip install --upgrade pip")
+            print("  python -m pip install --upgrade --user pip")
         
     return
 

siat/event_study.py

@@ -54,6 +54,16 @@ if __name__=='__main__':
     market_index='000300.SS'
     RF="market model"
     
+    #测试组3
+    ticker=['600519.SS','399997.SZ']
+    
+    event_date='2024-4-2' #贵州茅台2023年报披露日
+    start='auto'; end='auto'
+    event_window=[0,1]
+    method='CAPM'
+    market_index='000001.SS'
+    RF="1YCNY.B"   
+    
     #共同部分
     post_event_days=7
     method='CAPM'
@@ -63,7 +73,8 @@ if __name__=='__main__':
     ret_type="Daily Adj Ret%"
     ticker_type='stock' #贵州茅台为股票
     facecolor="whitesmoke"
-    show_AR='auto'
+    show_AR=True
+    show_RF=True
     loc='best'
     
     es=event_study("600519.SS",event_date="2024-4-2", \
@@ -90,8 +101,8 @@ if __name__=='__main__':
         
         
 def event_study(ticker,event_date, \
-                start='MRM',end='today', \
-                event_window=[0,0], \
+                start='auto',end='auto', \
+                event_window=[1,3], \
                 post_event_days=0, \
                 method='CAPM', \
                 early_response_days=-2, \
@@ -100,7 +111,8 @@ def event_study(ticker,event_date, \
                 RF="market index", \
                 ret_type="Daily Adj Ret%", \
                 ticker_type='auto', \
-                facecolor="whitesmoke",show_AR='auto',loc='best'):
+                facecolor="whitesmoke",show_AR='auto',show_RF=False, \
+                loc='best'):
     """
     
     功能：展示事件研究法的累计异常收益率CAR。
@@ -114,7 +126,7 @@ def event_study(ticker,event_date, \
         注意：事件窗口不一定包括事件日（适用于事件日在非交易日的情形，例如周末或假日）
         如果事件日为非交易日，事件窗口需要后移至事件日后的第一个交易日。
         如果怀疑市场提前对事件发生反应，可以考虑前移事件窗口的开始日期。
-    post_event_days：用于分析事件窗口后的漂移效应，取事件窗口后多少天，默认取7天。
+    post_event_days：用于分析事件窗口后的漂移效应，取事件窗口后多少天。默认不分析，取0天。
     method：估计事件窗口以及事件后窗口收益率预期值的方法，默认为CAPM（主要用于ticker为股票等）
         如果ticker为股票等，也可以直接使用指数的收益率为其预期收益率，此时method为Market或Index。
         如果ticker为指数，无法再借助指数，method只能使用Random Walk，即使用前一个收益率为预期收益率。
@@ -126,11 +138,13 @@ def event_study(ticker,event_date, \
         默认在事件窗口开始日期+提前反应天数前的365个自然日（约250个交易日）。
     market_index：当method为CAPM时，用于计算市场收益率。默认中国市场采用000300.SS。
         注意：需要根据不同市场采取不同的市场指数，例如香港市场为恒生指数，美国市场为标普500指数等。
-    RF：默认使用市场模型"market index"，无需指定；可直接指定具体数值；
+    RF：年化无风险收益率，默认使用市场模型"market index"，无需指定；可直接指定具体数值；
         也可指定特定指标，例如一年期中国国债收益率"1YCNY.B"或一年期美债收益率"1YUSY.B"等。
+    show_RF：在使用市场模型或指定指标时是否显示计算出的RF均值，默认为False。
     ticker_type：显式指明ticker的证券类型，当siat误判其类型（中国内地股票/债券/基金）时使用，默认'auto'。
     facecolor：显式指定绘图背景颜色，默认"whitesmoke"。
-    show_AR：是否绘图时绘制异常收益率AR，默认'auto'（单个ticker时绘制，多个时不绘制），也可指定True/False强行绘制/不绘制。
+    show_AR：是否绘图时绘制异常收益率AR，默认'auto'（单个ticker时绘制，多个时不绘制）。
+        也可指定True/False强行绘制/不绘制。
     """
     
     DEBUG=False
@@ -177,7 +191,6 @@ def event_study(ticker,event_date, \
             adjust_end=-2
     event_window_end=date_adjust(event_window_end,adjust=adjust_end)
     event_window_new[1]=event_window[1]+adjust_start+adjust_end
-
     
     if DEBUG:
         print("  DEBUG: event window is between {0} to {1}".format(event_window_start,event_window_end))
@@ -231,6 +244,14 @@ def event_study(ticker,event_date, \
     if DEBUG:
         print("  DEBUG: regression period starts from {0} to {1}".format(est_window_start,est_window_end))
      
+    #处理绘图时显示的日期范围
+    if start=='auto':
+        start=date_adjust(early_response_date,adjust=-7)
+    if end=='auto':
+        if len(ticker) == 1 or show_AR:
+            end=date_adjust(post_event_end,adjust=7)
+        else:
+            end=date_adjust(post_event_end,adjust=2)
     
     #=====判断ticker是否为指数，调整预期收益率计算方法============================
     if isinstance(ticker,str):
@@ -257,29 +278,28 @@ def event_study(ticker,event_date, \
     #基于CAPM获取数据
     if 'capm' in method.lower(): 
         method_type="capm"
+        df_ret=compare_msecurity(tickers=ticker+[market_index],measure=ret_type, \
+                                 start=est_window_start,end=end, \
+                                 ticker_type=ticker_type, \
+                                 graph=False)
+        
         if isinstance(RF,int) or isinstance(RF,float):
             #RF为具体数值
             RF_type="value"
-            df_ret=compare_msecurity(tickers=ticker+[market_index],measure=ret_type, \
-                                     start=est_window_start,end=end, \
-                                     ticker_type=ticker_type, \
-                                     graph=False)
         
         elif "market" in (str(RF)).lower() or "index" in (str(RF)).lower():
             #RF通过市场模型计算，无需指定
             RF_type="model"
-            df_ret=compare_msecurity(tickers=ticker+[market_index],measure=ret_type, \
-                                     start=est_window_start,end=end, \
-                                     ticker_type=ticker_type, \
-                                     graph=False)
         else:
-            #指定RF代码，例如1YCNY.B
+            #指定RF代码，例如1YCNY.B，注意1：得到的是年化收益率%，注意2：中国的只有近一年的数据
             RF_type="code"
-            df_ret=compare_msecurity(tickers=ticker+[market_index,RF],measure=ret_type, \
+
+        if RF_type=="code":
+            df_rf=compare_msecurity(tickers=RF,measure='Close', \
                                      start=est_window_start,end=end, \
-                                     ticker_type=ticker_type, \
                                      graph=False)
-
+            RF=df_rf[list(df_rf)[0]].mean() / 100.0
+            
     #基于市场指数获取数据
     elif 'market' in method.lower() or 'index' in method.lower(): 
         method_type="market"
@@ -329,78 +349,82 @@ def event_study(ticker,event_date, \
         df_reg=df_reg.replace([np.nan, None], np.nan).dropna()
         
         import statsmodels.api as sm
-        if RF_type=="value":
-            if not ("%" in ret_type): #注意：RF不是百分比
-                X=df_reg[ticker_name(market_index)] - RF #无截距项回归，指定RF具体数值
+        if RF_type in ["value","code"]:
+            if not ("%" in ret_type): #注意：RF是年化收益率(需要转化为日收益率)，这里不是百分比
+                X=df_reg[ticker_name(market_index)] - RF/365.0 #无截距项回归，指定RF具体数值
             else:
-                X=df_reg[ticker_name(market_index)] - RF*100.0
+                X=df_reg[ticker_name(market_index)] - RF/365.0 * 100.0 #这里需要转化为日收益率百分比%
                 
-        elif RF_type=="model":
+        else: #RF_type=="model"
             X=df_reg[ticker_name(market_index)]
             X=sm.add_constant(X) #有截距项回归，基于市场模型 
-        else: #RF_type=="code"
-            if not ("%" in ret_type): #注意：1YCNY.B数值是百分比%
-                X=df_reg[ticker_name(market_index)] - df_reg[ticker_name(RF)]/100.0
-            else:
-                X=df_reg[ticker_name(market_index)] - df_reg[ticker_name(RF)]
 
         if DEBUG:
-            print("  DEBUG: method_type={0}, RF_type={1}".format(method_type,RF_type))
+            print("  DEBUG: method_type={0}, RF_type={1}, RF={2}".format(method_type,RF_type,RF))
         
         #CAPM回归
-        beta_dict={}; intercept_dict={}; pvalue_dict={}
+        beta_dict={}; intercept_dict={}; pvalue_dict={}; rf_dict={}
         for t in ticker_name(ticker,ticker_type):
             try:
-                if RF_type=="value":
-                    if not ("%" in ret_type): #注意：RF不是百分比
-                        y=df_reg[t] - RF
+                if RF_type in ["value","code"]:
+                    if not ("%" in ret_type): #注意：RF是年化收益率(需要转化为日收益率)，不是百分比
+                        y=df_reg[t] - RF/365.0
                     else:
-                        y=df_reg[t] - RF*100.0
+                        y=df_reg[t] - RF/365.0 * 100.0
                 
-                elif RF_type=="model":
+                else: #RF_type=="model"
                         y=df_reg[t]
-                        
-                else: #RF_type=="code"
-                    if not ("%" in ret_type): #注意：1YCNY.B数值是百分比%
-                        y=df_reg[t] - df_reg[ticker_name(RF)]/100.0
-                    else:
-                        y=df_reg[t] - df_reg[ticker_name(RF)]
             except: continue
             
             model = sm.OLS(y,X)	#定义回归模型y=X
             results = model.fit()	#进行OLS回归
             
+            if DEBUG2:
+                print("  DEBUG: RF_type={0}, results.params={1},results.pvalues={2}".format(RF_type,results.params,results.pvalues))
+            
             #提取回归系数，详细信息见results.summary()
-            intercept=results.params[0]
-            beta=results.params[1]; pvalue=results.pvalues[1]
+            if RF_type=="model":
+                intercept=results.params[0]
+                beta=results.params[1]; pvalue=results.pvalues[1]
+                try:
+                    #此处回归得到的rf应该为日收益率，转为年化收益率。
+                    #注意：不同证券回归出的结果可能差异较大，原因可能是混入了回归残差！
+                    if not ("%" in ret_type):
+                        rf=intercept / (1-beta) * 365.0
+                    else:
+                        rf=intercept / (1-beta) / 100.0 * 365.0
+                except: rf=0
+                
+            else: #RF_type in ["value","code"]
+                intercept=0
+                beta=results.params[0]; pvalue=results.pvalues[0]
+                rf=RF
             
-            beta_dict[t] = beta; intercept_dict[t] = intercept; pvalue_dict[t] = pvalue;
-            if DEBUG:
-                print("  DEBUG: {0}, intercept={1}, beta={2}, pvalue={3}".format(t,round(intercept,4),round(beta,4),round(pvalue,4)))
+            beta_dict[t] = beta; intercept_dict[t] = intercept; pvalue_dict[t] = pvalue; rf_dict[t]=rf
+            if DEBUG2:
+                print("  DEBUG: t={0}, intercept={1}, beta={2}, pvalue={3}, annualized rf={4}".format(t,round(intercept,4),round(beta,4),round(pvalue,4),round(rf,4)))
 
         #计算收益率预期和AR
         for t in ticker_name(ticker,ticker_type):
             try:
-                if RF_type=="value":
+                if RF_type in ["value","code"]:
+                    #CAPM模型：E(R) = RF + (Rm-RF)*beta
                     RF_text=str(round(RF*100.0,4))[:6]+'%'
-                    if not ("%" in ret_type): #注意：RF不是百分比
-                        df_ret[t+"_predicted"]=(df_ret[ticker_name(market_index)] - RF)*beta_dict[t] + RF  
+                    if not ("%" in ret_type): #注意：RF是年化收益率，此处不是百分比
+                        df_ret[t+"_predicted"]=(df_ret[ticker_name(market_index)] - RF/365.0)*beta_dict[t] + RF/365.0  
                     else:
-                        df_ret[t+"_predicted"]=(df_ret[ticker_name(market_index)] - RF*100.0)*beta_dict[t] + RF*100.0
+                        df_ret[t+"_predicted"]=(df_ret[ticker_name(market_index)] - RF*100.0/365.0)*beta_dict[t] + RF*100.0/365.0
                         
-                elif RF_type=="model":
+                else: #RF_type=="model"
+                    #市场模型：E(R) = intercept + Rm*beta
                     RF_text="基于市场模型回归"
                     df_ret[t+"_predicted"]=df_ret[ticker_name(market_index)]*beta_dict[t] + intercept_dict[t]
-                    
-                else: #RF_type=="code"
-                    RF_text=ticker_name(RF)
-                    df_ret[t+"_predicted"]=(df_ret[ticker_name(market_index)] - df_ret[ticker_name(RF)])*beta_dict[t] + df_ret[ticker_name(RF)]
                         
                 df_ret[t+"_AR"]=df_ret[t] - df_ret[t+"_predicted"]
             except: continue
             
         if DEBUG2:
-            print("  DEBUG: RF_type={0}, RF_text={1}".format(RF_type,RF_text))
+            print("  DEBUG: RF_type={0}, RF_text={1}, rf_dict={2}".format(RF_type,RF_text, rf_dict))
         
     #=====计算CAR==============================================================
     for t in ticker_name(ticker,ticker_type):
@@ -475,9 +499,19 @@ def event_study(ticker,event_date, \
     
     #显著性检验：异于零的t检验，事件窗口
     df_event_window=df0[(df0.index >=event_window_start) & (df0.index <=event_window_end)]
-    footnote5="事件窗口CAR的p值："
+    footnote5="事件窗口CAR(终值，p值)："
     for c in list(df_event_window):
         if 'CAR' in c.upper():
+            c_name=c[:-4]
+            
+            event_window_endpd=pd.to_datetime(event_window_end)
+            #car_value=df_event_window[df_event_window.index == event_window_endpd][c].values[0]
+            car_value=df_event_window[c][-1]
+            if car_value > 0:
+                car_value_str=str(round(car_value,4))[:6]
+            else:
+                car_value_str=str(round(car_value,4))[:7]
+            
             if len(df_event_window[c])==1:
                 if  abs(df_event_window[c].values[0]) > 0.01:
                     p_value=0.0
@@ -485,17 +519,36 @@ def event_study(ticker,event_date, \
                     p_value=1.0
             else:
                 p_value=ttest(df_event_window[c],0)
-            footnote5=footnote5+c[:-4]+str(p_value)[:6]+"，"
-    footnote5=footnote5.strip("，")
+            if p_value > 0:
+                p_value_str=str(round(p_value,4))[:6]
+            else:
+                p_value_str=str(round(p_value,4))[:7]
+            #footnote5=footnote5+c_name+p_value_str+"，"
+            footnote5=footnote5+"{0}({1}, {2}), ".format(c_name,car_value_str,p_value_str)
+    footnote5=footnote5.strip(", ")
 
     #显著性检验：异于零的t检验，事件后窗口
-    if post_event_days == 0:
+    df_post_event_window=df0[(df0.index >event_window_end) & (df0.index <=post_event_end)]
+    if len(df_post_event_window) == 0:
+        footnote6=''
+
+    elif len(df_post_event_window) == 0:
         footnote6=''
     else:
-        df_post_event_window=df0[(df0.index >event_window_end) & (df0.index <=post_event_end)]
-        footnote6="事件后窗口CAR的p值："
+        footnote6="事件后窗口CAR(终值，p值)："
         for c in list(df_post_event_window):
             if 'CAR' in c.upper():
+                c_name=c[:-4]
+                post_event_endpd=pd.to_datetime(post_event_end)
+                if DEBUG2:
+                    print("  DEBUG: c={0},post_event_end={1},df_post_event_window={2}".format(c,post_event_end,df_post_event_window))
+                #car_value=df_post_event_window[df_post_event_window.index == post_event_endpd][c].values[0]
+                car_value=df_post_event_window[c][-1]
+                if car_value > 0:
+                    car_value_str=str(round(car_value,4))[:6]
+                else:
+                    car_value_str=str(round(car_value,4))[:7]
+                
                 if len(df_post_event_window[c])==1:
                     if  abs(df_post_event_window[c].values[0]) > 0.01:
                         p_value=0.0
@@ -503,8 +556,14 @@ def event_study(ticker,event_date, \
                         p_value=1.0
                 else:
                     p_value=ttest(df_post_event_window[c],0)
-                footnote6=footnote6+c[:-4]+str(p_value)[:6]+"，"
-        footnote6=footnote6.strip("，")
+                if p_value > 0:
+                    p_value_str=str(round(p_value,4))[:6]
+                else:
+                    p_value_str=str(round(p_value,4))[:7]
+                    
+                #footnote6=footnote6+c[:-4]+str(p_value)[:6]+"，"
+                footnote6=footnote6+"{0}({1}, {2}), ".format(c_name,car_value_str,p_value_str)
+        footnote6=footnote6.strip(", ")
     
     footnote7="数据来源：Sina/EM/Yahoo/Stooq/SWHY，"+stoday
 
@@ -615,18 +674,26 @@ def event_study(ticker,event_date, \
     #title_txt=title_txt+"，窗口收益率"
     
     if "CAPM" in method.upper():
-        footnotex="CAPM回归期间：{0}至{1}，无风险收益率RF：{2}".format(est_window_start,est_window_end,RF_text)
+        footnotex="CAPM回归期间：{0}至{1}，无风险收益率{2}".format(est_window_start,est_window_end,RF_text)
         footnotey="CAPM贝塔系数："
         for k in beta_dict:
             footnotey=footnotey+k+str(round(beta_dict[k],4))[:6]+"，"
         footnotey=footnotey.strip("，")
-    
-        footnote=footnote2+footnote3+footnote4+'\n'+footnotex+'\n'+footnotey+'\n'+footnote5+'\n'+footnote6
+        
+        if show_RF:
+            footnotez="无风险收益率均值："
+            for r in rf_dict:
+                footnotez=footnotez+r+str(round(rf_dict[r]*100.0,4))[:6]+"%, "
+                
+            footnotez=footnotez.strip(", ")
+            footnote=footnote2+footnote3+footnote4+'\n'+footnotex+'\n'+footnotey+'\n'+footnotez+'\n'+footnote5+'\n'+footnote6
+        else:
+            footnote=footnote2+footnote3+footnote4+'\n'+footnotex+'\n'+footnotey+'\n'+footnote5+'\n'+footnote6
     else:
         footnote=footnote2+footnote3+footnote4+'\n'+footnote5+'\n'+footnote6
     
-    
-    df_display_CSS(df1,titletxt=title_txt,footnote=footnote,facecolor='papayawhip',decimals=4, \
+    #显示结果表格
+    df_display_CSS(df1,titletxt=title_txt,footnote=footnote,facecolor=facecolor,decimals=4, \
                    first_col_align='left',second_col_align='left', \
                    last_col_align='center',other_col_align='center')
 

{siat-3.7.2.dist-info → siat-3.7.4.dist-info}/METADATA

@@ -1,6 +1,6 @@
 Metadata-Version: 2.1
 Name: siat
-Version: 3.7.2
+Version: 3.7.4
 Summary: Securities Investment Analysis Tools (siat)
 Home-page: https://pypi.org/project/siat/
 Author: Prof. WANG Dehong, International Business School, Beijing Foreign Studies University

{siat-3.7.2.dist-info → siat-3.7.4.dist-info}/RECORD

@@ -18,7 +18,7 @@ siat/capm_beta.py,sha256=cxXdRVBQBllhbfz1LeTJAIWvyRYhW54nhtNUXv4HwS0,29063
 siat/capm_beta2.py,sha256=-ZYYp1HK7SkfTR3vBKZ0QVC4Q_tbST2O4MGbX_V77J0,32031
 siat/capm_beta_test.py,sha256=ImR0c5mc4hIl714XmHztdl7qg8v1E2lycKyiqnFj6qs,1745
 siat/cmat_commons.py,sha256=Nj9Kf0alywaztVoMVeVVL_EZk5jRERJy8R8kBw88_Tg,38116
-siat/common.py,sha256=Ed89feCX9c7i_hbd_pcDk8h7Ie-VHOVKITSH4cKA02M,162842
+siat/common.py,sha256=2Y51NN6n4FhkNXDRFnV9xPE2Z7XcjqcqaWtZLRaDmgQ,163283
 siat/compare_cross.py,sha256=3iP9TH2h3w27F2ARZc7FjKcErYCzWRc-TPiymOyoVtw,24171
 siat/compare_cross_test.py,sha256=xra5XYmQGEtfIZL2h-GssdH2hLdFIhG3eoCrkDrL3gY,3473
 siat/concepts_iwencai.py,sha256=m1YEDtECRT6FqtzlKm91pt2I9d3Z_XoP59BtWdRdu8I,3061
@@ -32,7 +32,7 @@ siat/economy.py,sha256=ijMAVA5ydghbQDgNDDdz8fz9NPd2eq90RzpJSRGWz5c,78638
 siat/economy_test.py,sha256=6vjNlPz7W125pJb7simCddobSEp3jmLIMvVkLRZ7zW8,13339
 siat/esg.py,sha256=GMhaonIKtvOK83rhpQUH5aJt2OL3HQBSVfD__Yw-0oo,19040
 siat/esg_test.py,sha256=Z9m6GUt8O7oHZSEG9aDYpGdvvrv2AiRJdHTiU6jqmZ0,2944
-siat/event_study.py,sha256=HLfgXyr2a5GJZaHiQOlydkgx7DVdlbzThrL3bw8cEQs,29061
+siat/event_study.py,sha256=Q_AdnJzxxL6udCjn5LP6rdhOngsDRWPu5udFkK1CJZw,32223
 siat/exchange_bond_china.pickle,sha256=zDqdPrFacQ0nqjP_SuF6Yy87EgijIRsFvFroW7FAYYY,1265092
 siat/fama_french.py,sha256=aUTC-67t_CEPbLk4u79woW_zfZ7OCP6Fo4z5EdWCSkQ,48051
 siat/fama_french_test.py,sha256=M4O23lBKsJxhWHRluwCb3l7HSEn3OFTjzGMpehcevRg,4678
@@ -141,8 +141,8 @@ siat/valuation_china.py,sha256=CVp1IwIsF3Om0J29RGkyxZLt4n9Ug-ua_RKhLwL9fUQ,69624
 siat/valuation_market_china_test.py,sha256=gbJ0ioauuo4koTPH6WKUkqcXiQPafnbhU5eKJ6lpdLA,1571
 siat/var_model_validation.py,sha256=R0caWnuZarrRg9939hxh3vJIIpIyPfvelYmzFNZtPbo,14910
 siat/yf_name.py,sha256=r0Q67cSMMlfebEkI9h9pdGlJCooEq7hw_3M5IUs4cSI,20081
-siat-3.7.2.dist-info/LICENSE,sha256=NTEMMROY9_4U1szoKC3N2BLHcDd_o5uTgqdVH8tbApw,1071
-siat-3.7.2.dist-info/METADATA,sha256=oZuRuVwB5c3XwvB-P0hRuRo1vWlf549Va29ZO0sE230,8009
-siat-3.7.2.dist-info/WHEEL,sha256=GJ7t_kWBFywbagK5eo9IoUwLW6oyOeTKmQ-9iHFVNxQ,92
-siat-3.7.2.dist-info/top_level.txt,sha256=r1cVyL7AIKqeAmEJjNR8FMT20OmEzufDstC2gv3NvEY,5
-siat-3.7.2.dist-info/RECORD,,
+siat-3.7.4.dist-info/LICENSE,sha256=NTEMMROY9_4U1szoKC3N2BLHcDd_o5uTgqdVH8tbApw,1071
+siat-3.7.4.dist-info/METADATA,sha256=Z5_tRV4Qco5cFw7n0OY1MUd17AVse6nzSrziWnY9PMI,8009
+siat-3.7.4.dist-info/WHEEL,sha256=GJ7t_kWBFywbagK5eo9IoUwLW6oyOeTKmQ-9iHFVNxQ,92
+siat-3.7.4.dist-info/top_level.txt,sha256=r1cVyL7AIKqeAmEJjNR8FMT20OmEzufDstC2gv3NvEY,5
+siat-3.7.4.dist-info/RECORD,,