tushare数据实现股票温度计算

1.tushare

一直用tushare获取数据，数据准确，获取方便，感谢米哥。

2.股票温度

股票价值投资 (Value Investing)一种常见的投资方式，专门寻找价格低估的证券。价值投资常用的参数就是pe,pb。可以用于个股，也可以用于板块，指数。本文用个股简单的举个例子而已。

2.1计算方法

$$f(x,\mu ,\sigma )=\frac{1}{\sqrt{2\pi }}{e}^{-}\frac{(x-\mu {)}^2}{2\sigma }\ast 100=F(Pe)\ast 100$$

2.2.公式解释

假设Pe是服从正态分布的，则F(Pe)为Pe在此正态分布中纵坐标的值，取值范围是[0,1]，则通过F(Pe)就可以计算Pe值在样本数据中是高分位还是低分位了。

3.实现

3.1.通过tushare获取数据

import tushare as ts
import datetime
ts.set_token(TOKEN)  # TOKEN为个人申请值
pro = ts.pro_api()
end_date = datetime.date.today().strftime('%Y%m%d')
start_date = (datetime.date.today() - datetime.timedelta(days=365 * 10)).strftime('%Y%m%d')  # 获取十年期间的数据
df = pro.daily_basic(ts_code='000001.sz', start_date=start_date, end_date=end_date, fields='ts_code,trade_date,close, turnover_rate,volume_ratio,pe,pe_ttm,pb')
print(df.head(5))

3.2.计算温度

import numpy as np
import pandas as pd

def norm_dist_func(x, _mean, _std):
    result = norm_dist_func_s(x, _mean, _std)
    return round(result * 100.0, 2)


def norm_dist_func_s(x, _mean, _std):
    oor2pi = 1 / np.sqrt(2.0 * np.pi)
    x2 = (x - _mean) / _std
    if x2 == 0:
        res = 0.5
    else:
        t = 1 / (1.0 + 0.2316419 * np.abs(x2))
        t = t * oor2pi * np.exp(-0.5 * x2 * x2) * (0.31938153 + t * (-0.356563782 + t * (1.781477937 + t * (-1.821255978 + t * 1.330274429))))
        if x2 > 0:
            res = 1.0 - t
        else:
            res = t
    return res
    
pe_std = np.std(df['pe'], ddof=1)  # pe的标准差
pe_mean = np.mean(df['pe'])  # pe的平均值
pb_std = np.std(df['pb'], ddof=1)  # pb的标准差
pb_mean = np.mean(df['pb'])  # pb的平均值

df['pe_temperature'] = df['pe'].apply(norm_dist_func, _mean=pe_mean, _std=pe_std)  # 计算pe温度
df['pb_temperature'] = df['pb'].apply(norm_dist_func, _mean=pb_mean, _std=pb_std)  # 计算pb温度
df['temperature'] = df['pe_temperature'] * 0.5 + df['pb_temperature'] * 0.5

3.3.温度和收盘价展示

可以看出，温度比较低的时候，上涨概率较大。

3.4. 关于温度的统计分析

dic_temperature_upper_counter = {}  # 特定温度下的上涨次数
dic_temperature_upper_profit = {}  # 特定温度下的上涨次数
dic_temperature_all = {}  # 特定温度下的出现次数
for j in range(df.shape[0]):
    temperature_level = str(int(df.iloc[j]['temperature_level']))
    if temperature_level not in dic_temperature_upper_counter.keys():
        dic_temperature_upper_counter[temperature_level] = 0
        dic_temperature_all[temperature_level] = 0
        dic_temperature_upper_profit[temperature_level] = 0
    if df.iloc[j]['profit'] > 0:
        dic_temperature_upper_counter[temperature_level] = dic_temperature_upper_counter[temperature_level] + 1
    dic_temperature_all[temperature_level] = dic_temperature_all[temperature_level] + 1
for k, v in dic_temperature_upper_counter.items():
    dic_temperature_upper_profit[k] = round(v / dic_temperature_all[k] * 100, 2)
    print('温度{0}出现次数:{1}, 上涨概率{2}%'.format(k, dic_temperature_upper_counter[k], dic_temperature_upper_profit[k]))

sorted_dic_counter = sorted(dic_temperature_upper_profit.items(), key=lambda d: d[1], reverse=True)
print('股票:{0}最适宜温度是{1}，上涨概率是{2}%'.format('000001.sz', sorted_dic_counter[0][0], sorted_dic_counter[0][1]))

从统计数据中可以看出，并不是温度越低越好，每个股票都有自己的最适宜温度

4.结语

股票分析有很多方法，本文只是一个比较简单的方法来进行量化，再次感谢米哥提供如此好的数据源。