前面介绍过针对每一个单独的指数，可以通过市盈率和市净率的计算获得指数的估值百分位，从而进行相应的投资（《基于Python的指数基金量化投资 - 通过市盈率和市净率对指数估值》）。

这里介绍一个可以把所有指数估值信息进行汇总的方式：指数估值榜，这样可以直观的看出所有指数的估值点位，从整体上来进行选择，而不是一个指数一个指数的筛选，更加高效和便捷。

图中标示出了大部分目前的主流指数，纵坐标的单位是0%到100%，然后通过不同的背景颜色对估值高低进行区分，从上到下分为7个颜色区间，从红色过度绿色分别对应严重高估、高估、正常偏高、正常、正常偏低、低估和严重低估，这个区间是按照前面介绍的估值区间划分的（《基于Python的指数基金量化投资 - 通过市盈率和市净率对指数估值》），如下所示。

分别计算出每个指数的估值百分位，然后放到对应的区间，就能获得估值榜的数据。

例如沪深300算出来的估值百分位是75%，然后就把它放在60%-80%正常偏高这个区间内找到75%的位置画一个白点进行标识，而中证500算出来的估值百分位是23%，则在20%-40%正常偏低区间内找到23%的位置画一个白点进行标识，依次找出所有指数的估值点位后画出即可。

下面是具体的代码实现过程。

import numpy as np

import pandas as pd

import matplotlib.pyplot as plt

import datetime

index_name_csv = ['g_hs300.csv',  # 沪深300 - 0

'g_zz500.csv',  # 中证500 - 1

'g_zz100.csv',  # 中证100 - 2

'g_shz50.csv',  # 上证50  - 3

'g_hsyy300.csv',  # 沪深医药300 - 4

'g_zzyh.csv',   # 中证银行  -5

'g_zzxf.csv',   # 中证消费  -6

'g_zzbj.csv',   # 中证白酒  -7

'g_db500.csv',  # 500低波动 -8

'g_jz300.csv',  # 300价值   -9

'g_yy100.csv',  # 医药100   -10

'g_zzyyao.csv',   # 中证医药  -11

'g_jbm50.csv',  # 基本面50  -12

'g_shzhl.csv',  # 上证红利  -13

'g_zzhl.csv',   # 中证红利  -14

'g_zzjg.csv',   # 中证军工  -15

'g_spyl.csv',   # 食品饮料  -16

'g_zqgs.csv',   # 证券公司  -17

'g_ylcy.csv',   # 养老产业  -18

'g_szhl.csv',   # 深证红利  -19

'g_zzhb.csv',   # 中证环保  -20

'g_cyb.csv',    # 创业板    -21

'g_hszs.csv',   # 恒生指数  -22

'g_hsgqzs.csv',   # 恒生国企指数  -23

'g_zghl50.csv',  # 中国互联50  -24

'g_xgdp.csv',  # 香港大盘  -25

'g_xgzx.csv']  # 香港中小  -26

# 指数估值数据

index_info = np.zeros([len(index_name_csv),1])

for i in range(len(index_name_csv)):

index_data = pd.read_csv('./importfile/indexSeries/indexValuation/g/' + index_name_csv[i])

if index_name_csv[i] == 'g_zzyh.csv' or index_name_csv[i] == 'g_zqgs.csv':

data_calc = index_data['pb']

else:

data_calc = index_data['pe']

xx = np.where(data_calc < data_calc.values[-1])

data_percentage = len(xx[0]) / data_calc.shape[0]

index_info[i] = data_percentage

# 指数估值百分位计算

plt.figure(1)

plt.rcParams['font.sans-serif'] = ['Microsoft YaHei']

plt.plot(index_info, '--ow', ms=12, linewidth=2)

plt.axhspan(0, 0.1, facecolor='#4D8070')

plt.axhspan(0.1, 0.2, facecolor='#21DB85')

plt.axhspan(0.2, 0.4, facecolor='#B0D91C')

plt.axhspan(0.4, 0.6, facecolor='#E3BD00')

plt.axhspan(0.6, 0.8, facecolor='#FF9421')

plt.axhspan(0.8, 0.9, facecolor='#F56600')

plt.axhspan(0.9, 1.4, facecolor='#B22222')

plt.xlim(-1, len(index_info))

plt.ylim(-0.15, 1.4)

scale_y = 0.07

offset_x = 0.25

offset_y = 0.062

offset_x_num = 0.1

offset_x_alpha = 0.15

font_size = 22

# 估值区间绘制（背景）

index_name = ['沪深300',

'中证500',

'中证100',

'上证50',

'沪深医药300',

'中证银行',

'中证消费',

'中证白酒',

'500低波动',

'300价值',

'医药100',

'中证医药',

'基本面50',

'上证红利',

'中证红利',

'中证军工',

'食品饮料',

'证券公司',

'养老产业',

'深证红利',

'中证环保',

'创业板',

'恒生指数',

'H股指数',

'中国互联50',

'香港大盘',

'香港中小']

font = {'size': font_size, 'color': 'w', 'weight': 'black'}

for i in range(len(index_name)):

index_name_word = index_name[i]

for j in range(len(index_name_word)):

if index_name_word[j].isdigit():

plt.text(i - offset_x + offset_x_num, index_info[i] - j * scale_y + len(index_name_word) * offset_y,

index_name_word[j], fontdict=font)

else:

plt.text(i - offset_x, index_info[i] - j * scale_y + len(index_name_word) * offset_y, index_name_word[j],

fontdict=font)

# 根据每个指数的估值百分位画出具体的位置

time_end = '2021/04/09'

plt.figure(1)

plt.plot([-1,len(index_info)],[-0.025,-0.025],color='#CCCCCC',linewidth=2,linestyle='--')

shift_x = 4.23

text_base_x = -0.8

text_base_shift_x = 0.55

plt.gca().add_patch(plt.Rectangle((-1+0*shift_x,-0.15),2.6,0.1,color='#4D8070'))

plt.text(text_base_x+0*shift_x,-0.123,'严重低估',fontdict=font)

plt.gca().add_patch(plt.Rectangle((-1+1*shift_x,-0.15),2.6,0.1,color='#21DB85'))

plt.text(text_base_x+text_base_shift_x+1*shift_x,-0.123,'低估',fontdict=font)

plt.gca().add_patch(plt.Rectangle((-1+2*shift_x,-0.15),2.6,0.1,color='#B0D91C'))

plt.text(text_base_x+2*shift_x,-0.123,'正常偏低',fontdict=font)

plt.gca().add_patch(plt.Rectangle((-1+3*shift_x,-0.15),2.6,0.1,color='#E3BD00'))

plt.text(text_base_x+text_base_shift_x+3*shift_x,-0.123,'正常',fontdict=font)

plt.gca().add_patch(plt.Rectangle((-1+4*shift_x,-0.15),2.6,0.1,color='#FF9421'))

plt.text(text_base_x+4*shift_x,-0.123,'正常偏高',fontdict=font)

plt.gca().add_patch(plt.Rectangle((-1+5*shift_x,-0.15),2.6,0.1,color='#F56600'))

plt.text(text_base_x+text_base_shift_x+5*shift_x,-0.123,'高估',fontdict=font)

plt.gca().add_patch(plt.Rectangle((-1+6*shift_x,-0.15),2.6,0.1,color='#B22222'))

plt.text(text_base_x+6*shift_x,-0.123,'严重高估',fontdict=font)

plt.title(time_end,size=15)

# plt.gca().add_patch(plt.Rectangle((-1, -0.15), 2.6, 0.1, color='#4D8070'))

# plt.text(-0.7, -0.123, '严重低估', fontdict=font)

plt.axis('off')

plt.show()

# 最后画图

代码里面需要用到的指数估值数据大家如果需要可以添加小将前行的微信号xjqx_666进行获取，如果大家有什么问题可以留言同样也可以添加微信号，欢迎拍砖^_^

课程参考：基于Python的量化指数基金投资

基于Python的指数基金量化投资 - 通过指数估值榜进行指数投资相关推荐

1. 基于Python的指数基金量化投资——指数数据获取

   做基金的量化,最最重要的是要有数据,所以指数的数据是所有分析的源头. Baostock就提供比较全面的指数数据,具体可以参考<基于Python的指数基金量化投资 - 股票数据源baostock& ...

2. 基于Python的指数基金量化投资 ——A股所有个股名称和证券代码获取

   前面介绍过怎么获取A股个股的数据<基于Python的指数基金量化投资 - 股票数据源baostock>,里面包含了个股的各种历史数据,包含:股价.市盈率.市净率.成交量.换手率等等. 但是 ...

3. 基于Python的指数基金量化投资-股票数据源baostock

   基于Python的指数基金量化投资-股票数据源baostock 课程参考:基于Python的量化指数基金投资 微信公众号: 量化用到的数据源来自baostock,可以通过www.baostock.co ...

4. 基于Python的指数基金量化投资——指数基金偏离度计算

   什么是指数偏离度 它是指数涨跌的快慢和偏离幅度指标. 当指数快速上涨,偏离度数据会迅速的向上偏离,当快速下跌时,偏离度数据会迅速的向下偏离. 而持续的上涨中出现下跌,偏离度就会急转直下,另一种持续的下 ...

5. 基于Python的指数基金量化投资——指数基金间相关度计算

   每一种指数基金都是由一篮子股票组成的,少的有几十个成分股,多的有几百上千个成分股,而整个A股目前有四千多家上市公司,每种指数基金都从A股这个大篮子里面选取成分股,那就会有个问题,不同的指数基金选择的成 ...

6. 基于Python的指数基金量化投资——A股全市场成交量计算

   成交量是反映市场情绪和流动性一个很重要的指标,当出现牛市时成交量会急剧放大,当出现熊市时成交量会急剧缩小. 通过成交量可以反映出市场的情绪是处于正常.平淡还是疯狂,可以在一定程度上指导我们的投资操作, ...

7. 基于Python的指数基金量化投资-为什么量化指数基金投资

   上一次写了基于Python的指数基金量化投资-股票数据源baostock 这次来说一下为什么要量化指数基金投资. 进行指数基金投资我们需要清楚几个关键点:该投资哪些指数品种,为什么投资这些品种.这些品 ...

8. 基于Python的指数基金量化投资 - 指数投资技巧（三）不定期定额

   指数投资方式中有四种基本的方法,分别是定期定额.定期不定额.不定期定额和不定期不定额,这四种方式投资效果不同,对投资者的要求也不同,定期定额最简单,但收益不算高,不定期不定额最复杂,对投资者的要求最高 ...

9. 基于Python的指数基金量化投资——指数包含的个股数据获取

   要计算指数的加权值,指数的市盈率.市净率,或者指数的净资产收益率,都需要用到指数所包含的个股信息,前面分享的<指数的净资产收益率计算>和<指数的市盈率和市净率计算>等文中都有提 ...

10. 基于python的股票程序化交易论文_基于Python工具的股票量化投资策略研究

    2019 年第 07 期 20 世 纪 80 年代, 一 些 投 资 者 开 始 利用 计 算 机 研究金 融 数据 , 并 初显 成 效 . 20 世 纪 末 , 投 资 者 把 计 算 机 技术 ...

最新文章

1. 计算机基础知识精品课程,计算机应用基础精品课
2. Silverlight/Windows8/WPF/WP7/HTML5周学习导读(6月25日-7月1日)
3. php 获取用户的IP、地址、来源
4. SQL Server 临时表
5. 【NOI 2011】阿狸的打字机
6. Ajax调用MVC控制器参数为实体
7. Ubuntu16.04 休眠状态无法唤醒解决方案
8. 红米airdots掉了怎么查找_红米K30 Pro 荣耀V30pro 这两款手机该怎么选呢？
9. 一步一步图文介绍SpriteKit使用TexturePacker导出的纹理集Altas
10. 湿气重的人，脸上会有哪些信号？
11. 从事计算机工作的应该,未来想从事计算机方面的工作，现在应该学习些什么东西？...
12. 如何下载一个屏幕画笔软件pointofix
13. java编写万年历的报告,用java编写的万年历代码
14. CADD课程学习（7）-- 模拟靶点和小分子相互作用 （半柔性对接 AutoDock）
15. JAVA共享图片管理系统毕业设计 开题报告.
16. 资源搜索神器 海量精品资源教程 大大啦啦资源神器
17. Eclipse下如何使用Maven——超详细教程
18. c++经典小游戏，源码奉上（免费复制）
19. [原][彩]情诗两首[下]--期对酒于襄阳，待重归于长江。
20. 软件需求分析与IT创新

热门文章

1. Bootstrap（三）可视化布局系统
2. oracle数据库hiredate,Oracle数据库学习三
3. Ubuntu 18.04双系统卸载教程，不借助第三方软件（UEFI）
4. vscode配置代理
5. 去除MacBook屏幕下方的白条
6. ITMO-HDU Image Processing Lab4 Report
7. spss入门——简单的数据预处理到时间序列分析系列（六）
8. 怎么用c语言做自动回复消息,【微信开发学习笔记】01消息自动回复关键词自动回复...
9. python实现微信机器人： AI智能回复
10. ant-design-vue 动态主题 css前缀变更