基于Python的指数基金量化投资—

前面介绍过《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》，通过估值来进行指数基金的投资。

当估值百分位为90%-100%的时候，指数处于严重高估状态，可以考虑全仓卖出；
当估值百分位为80%-90%的时候，指数处于高估状态，可以考虑大份额卖出；
当估值百分位为60%-80%的时候，指数处于正常偏高状态，可以考虑小份额卖出；
当估值百分位为40%-60%的时候，指数处于正常状态，可以考虑持有；
当估值百分位为20%-40%的时候，指数处于正常偏低状态，可以考虑小份额定投；
当估值百分位为10%-20%的时候，指数处于低估状态，可以考虑大份额定投；
当估值百分位为0%-10%的时候，指数处于严重低估状态，可以考虑大份额定投+增量买入；

有了这个策略，就需要观察每个指数的估值百分位情况，如果一个一个查看会很麻烦，最简单的办法就是把各个指数直观的通过图形的方式表现出来，如下图所示：

图中按照严重低估、低估、正常偏低、正常、正常偏高、高估和严重高估划分了对应的区域，并用不同的颜色进行了区分，然后分别计算每一个指数的估值百分位，然后把计算出来的结果画在相应的区域，这样就可以非常直观的看到所有指数的一个估值情况。

源码

源码中用到的估值数据文件g_*.csv可以联系小将获取。

import pandas as pd
import numpy as np
import matplotlib.pyplot as pltindex_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  -26index_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]if index_name_csv[i] == 'g_zzyh.csv':data_calc = index_data['pe']xx = np.where(data_calc < data_calc.values[-1])data_percentage_add = len(xx[0]) / data_calc.shape[0]index_info[i] = 0.8*data_percentage + 0.2*data_percentage_addelse:index_info[i] = data_percentage
plt.figure(3)
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 = 22index_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)time_end = '2020/12/21'
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=28)
plt.axis('off')g_globalMarket = pd.read_csv('./importfile/indexSeries/indexValuation/g_globalMarket/g_globalMarket.csv')
index_data_pe = g_globalMarket['pe'].values[1:len(g_globalMarket['pe']):1]
index_data_pb = g_globalMarket['pb'].values[1:len(g_globalMarket['pb']):1]
size_title = 28
size_label = 23
size_text = 35
size_line = 3
size_rotation = 20
plt_gap = 10plt.show()

程序中用到的数据如果有问题，大家可以留言获取也可以添加小将前行的微信xjqx_666进行获取，欢迎大家一起交流沟通^_

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——指数基金估值榜相关推荐

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 ...
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 ...
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 ...
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& ...
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 ...
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 ...
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, ...
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 ...
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 ...
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 ...

基于Python的指数基金量化投资——指数基金估值榜

源码

基于Python的指数基金量化投资——指数基金估值榜相关推荐

最新文章

热门文章