真正的领军股，它们往往是在接近或位于新的股价高点之上时才开始大规模涨势的，而不是在接近新的低点或是从高点巨量跌落之后才转跌为升的。——威廉·欧奈尔《笑傲股市》
1 引言
股票市场经常流传着一句话：“强者恒强”。最近两个多月A股市场交投火热，大部分股票出现了巨幅反弹甚至创出 2015年以来的新高，尤其是以东方通信为代表的妖股，120日收益率翻了五倍。强者恒强背后的逻辑可以用大家熟知的“马太效应”和“二八法则”来解释。马太效应来自圣经《新约·马太福音》中的一则寓言： “凡有的，还要加给他叫他多余；没有的，连他所有的也要夺过来。”二八法则是意大利经济学家帕累托1897年提出来的，揭示了20%的人占有80%社会财富的一种不平等。同样道理，市场总是朝着阻力最小的路径走，而主力运作个股也需要沿着阻力最小的路径去操作。所以市场20%的股票涨势往往超过80%的股票，80%的资金总是追逐20%的股票。因此，看上去价格高、风险大的股票，反而能够再创新高；而看上去价格低、风险小的股票，则通常继续走低。这也是“强者愈强，弱者愈弱”的表现。那么如何选出“强势股”呢？本文将为大家介绍威廉·欧奈尔的RPS选股方法，重点是如何使用Python实现RPS指标的计算、排序和可视化，筛选出市场的强势股，寻找下一波行情的大黑马。
截至2019年3月19日，创业板指数30日收益率接近40%
2 欧奈尔的RPS指标
威廉·欧奈尔是美国股市的传奇人物，驰骋股票市场数十年长盛不衰，并自创了一套投资体系，通过《笑傲股市》一书为广大散户带来了投资希望。电子书可在公众号 Python 金融量化后台回复“笑傲江湖”免费下载。
RPS英文全称 Relative Price Strength Rating，即股价相对强度，该指标是欧奈尔CANSLIM选股法则中的趋势分析，具有很强的实战指导意义。RPS指标是指在一段时间内，个股涨幅在全部股票涨幅排名中的位次值。比如A股共有3500只股票，若某只股票的120日涨幅在所有股票中排名第350位，则该股票的RPS值为：(1-350/3500)*100=90。
RPS的值代表该股的120日涨幅超过其他90%的股票的涨幅。通过该指标可以反映个股股价走势在同期市场中的表现相对强弱。RPS的值介于0-100之间，在过去的一年中，所有股票的涨幅排行中，前1%的股票的RPS值为99至100，前2%的股票的RPS值为98至99，以此类推。RPS时间周期可以自己根据需要进行调整，常用的有60日（3个月）、120日（半年）和250日（一年）等。
3 使用Python计算RPS
RPS的计算公式很简单，难的是对RPS指标的具体应用，需要大量的实战经验积累和严格的操作纪律。下面给出从数据获取、数据处理、指标计算和可视化的Python核心代码。
#先引入后面可能用到的library
importpandasaspd
importtushareasts
importmatplotlib.pyplotasplt
%matplotlib inline
#正常显示画图时出现的中文和负号
frompylabimportmpl
mpl.rcParams['font.sans-serif']=['SimHei']
mpl.rcParams['axes.unicode_minus']=False
#使用之前先输入token，可以从个人主页上复制出来，
#每次调用数据需要先运行该命令
token='输入你在tushare获得的token'
ts.set_token(token)
pro=ts.pro_api()
数据来源于tushare，首先使用stock_basic获取当前交易日的所有股票代码。截至2019年3月19日，一共有3594只股票。
df = pro.stock_basic(exchange='', list_status='L',
fields='ts_code,symbol,name,area,industry,list_date')
print(len(df))
#输出结果：3594
考虑到A股新股上市交易的情况，上市后前一段时间往往会一字涨停，然后出现下跌调整。为了剔除新股次新股的影响，这里选择2017年1月1日前上市的股票作为分析样本，共得到3024只股票。
#排除掉新股次新股，这里是只考虑2017年1月1日以前上市的股票
df=df[df['list_date'].apply(int).values<20170101]
len(df)
#输出结果：3024
#获取当前所有非新股次新股代码和名称
codes=df.ts_code.values
names=df.name.values
#构建一个字典方便调用
code_name=dict(zip(names,codes))
#使用tushare获取上述股票周价格数据并转换为周收益率
#设定默认起始日期为2018年1月5日，结束日期为2019年3月19日
#日期可以根据需要自己改动
defget_data(code,start='20180101', end='20190319'):
df=pro.daily(ts_code=code, start_date=start, end_date=end,fields='trade_date,close')
#将交易日期设置为索引值
df.index=pd.to_datetime(df.trade_date)
df=df.sort_index()
#计算收益率
returndf.close
通过定义的函数获取上述3024只股票自2018年1月5日以来的所有日交易数据，并计算每只股票120日滚动收益率。
#构建一个空的dataframe用来装数据
data=pd.DataFrame()
forname,codeincode_name.items():
data[name]=get_data(code)
#data.to_csv('daily_data.csv',encoding='gbk')
#data=pd.read_csv('stock_data.csv',encoding='gbk',index_col='trade_date')
#data.index=(pd.to_datetime(data.index)).strftime('%Y%m%d')
#计算收益率
defcal_ret(df,w=5):
'''w:周5;月20;半年：120; 一年250
'''
df=df/df.shift(w)-1
returndf.iloc[w:,:].fillna(0)
经过这一轮的大幅上涨，截至2019年3月19日，上述3024只股票中，有49只股票120日收益率超过100%，占比1.68%；收益率在20%-100%之间的股票有1280只，占比达到43.99%；仍有360只股票120日收益率为负数。
ret120=cal_ret(data,w=120)
#计算RPS
defget_RPS(ser):
df=pd.DataFrame(ser.sort_values(ascending=False))
df['n']=range(1,len(df)+1)
df['rps']=(1-df['n']/len(df))*100
returndf
#计算每个交易日所有股票滚动w日的RPS
defall_RPS(data):
dates=(data.index).strftime('%Y%m%d')
RPS={}
foriinrange(len(data)):
RPS[dates[i]]=pd.DataFrame(get_RPS(data.iloc[i]).values,columns=['收益率','排名','RPS'],index=get_RPS(data.iloc[i]).index)
returnRPS
rps120=all_RPS(ret120)
#获取所有股票在某个期间的RPS值
defall_data(rps,ret):
df=pd.DataFrame(np.NaN,columns=ret.columns,index=ret.index)
fordateinret.index:
date=date.strftime('%Y%m%d')
d=rps[date]
forcind.index:
df.loc[date,c]=d.loc[c,'RPS']
returndf
#构建一个以前面收益率为基础的空表
df_new=pd.DataFrame(np.NaN,columns=ret120.columns,index=ret120.index)
计算所有股票在每一个交易日的向前120日滚动RPS值。对股票价格走势和RPS进行可视化。
fordateindf_new.index:
date=date.strftime('%Y%m%d')
d=rps120[date]
forcind.index:
df_new.loc[date,c]=d.loc[c,'RPS']
defplot_rps(stock):
plt.subplot(211)
data[stock][120:].plot(figsize=(16,16),color='r')
plt.title(stock+'股价走势',fontsize=15)
plt.yticks(fontsize=12)
plt.xticks([])
ax = plt.gca()
ax.spines['right'].set_color('none')
ax.spines['top'].set_color('none')
plt.subplot(212)
df_new[stock].plot(figsize=(16,8),color='b')
plt.title(stock+'RPS相对强度',fontsize=15)
my_ticks = pd.date_range('2018-06-9','2019-3-31',freq='m')
plt.xticks(my_ticks,fontsize=12)
plt.yticks(fontsize=12)
ax = plt.gca()
ax.spines['right'].set_color('none')
ax.spines['top'].set_color('none')
plt.show()
查看2018年7月31日-2019年3月19日每月RPS情况。下面仅列出每个月RPS排名前十的股票，里面出现不少熟悉的“妖股”身影。
dates=['20180731','20180831','20180928','20181031','20181130','20181228','20190131','20190228','20190319']
df_rps=pd.DataFrame()
fordateindates:
df_rps[date]=rps120[date].index[:50]
东方通信是这一波上涨行情中的最大牛股，主要受益于5G题材的持续炒作。从下图可见，2018年11月，其120日RPS首次出现大于90，然后一直处于高位，具有非常明显的强势股特征。华业资本是本次120日收益率中最低的股票，自2018年8月其其RPS一直下跌，然后持续处于低位，股价一直反弹不起来。顺鑫农业的RPS在2018年6月-11月一直处于高位，然后股价出现了较大的回调。可见RPS的实战意义是，在强势股出现第一波上涨后发现它，然后深入挖掘，判断是否会出现第二、三波的再创新高。
plot_rps('东方通信')
plot_rps('华业资本')
plot_rps('顺鑫农业')
4 结语
欧奈尔研究了1953年至1993年，500只年度涨幅最大的股票，发现每年涨幅居前的，在他们股价真正大幅度攀升之前，其平均的相对强弱指标RPS为87％。这并不意味着，只要RPS>87%就可以买入该股票呢？其实RPS指标只是对强势股的个一个初步筛选，对于A股而言，RPS大于87%的股票就有400多只，都买进也不太现实，具体运用还需结合个股基本面、题材和整体市场情况分析。RPS实际上是欧奈尔在《笑傲股市》中提出的CANSLIM 七步选股法的一个技术分析。各字母含义如下所示：
C：最近一季度报表显示的盈利（每股收益）
A：每年度每股盈利的增长幅度
N：新产品，新服务，股价创新高
S：该股流通盘大小，市值以及交易量的情况
L：该股票在行业中的低位，是否为龙头
I：该股票有无有实力的庄家，机构大流通股东
M：大盘走势如何，如何判断大盘走向
RPS可以帮助选出创出新高的股票。牛股一定创新高，但是新高不一定是牛股。所以关键是将RPS结合基本面进一步选择，基本面情况好，销售额和盈利增长很快，且这种增长是由公司推出的新产品或新服务带来的。本文主要分享了欧奈尔RPS指标的原理和Python计算方法，受篇幅所限，文中只给出了核心代码，如需完整代码可通过加入知识星球，向博主索要。文中提及股票不构成任何投资建议，投资有风险，入市需谨慎！
关于Python金融量化
专注于分享Python在金融量化领域的应用。加入知识星球，可以免费获取30多g的量化投资视频资料、公众号文章Python完整源码、量化投资前沿分析框架，与博主直接交流、结识圈内朋友等。
