ID:399899
RPS/RS指标,又称为股价相对强度指标,由美国的美国著名的成长性企业的投资大师,威廉·欧奈尔提出并首先运用于美国早期股票市场的分析。
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,某个市场共有1000只股票,若某个股票的月涨幅在1000只股票中排名第100位,那么该股的RPS值就是:(1-100/1000)*100=90。
RPS指标衡量了某一给定股票在过去一段时间,相对市场中其他股票的表现。市场内每只股票都被指定了1-00范围内的某一数值,100代表相对强度最高
RPS=100
表示该股票在价格方面表现比其他的公司都更为优秀
RPS=70
表示该股票比其他70%公司表现好
如果你选择的股票RPS数值低于70,说明它目前的涨幅落后于股市中30%其他表现更好的股票。
根据欧奈尔的统计,从20世纪50年代早期到2008年,表现最好的股票在其股票大涨前的平均RS值为87。
因此,欧奈尔认为:PRS值为80或90以上,是买入一只股票前的必要筛选条件
首先剔除次新股 次新股的定义可以根据自己需求设定 我这里是一年以内为次新。
剔除次一个原因是:计算RPS指标时 例如 RPS120 120天为周期计算 前120条数据是只能计算出一个值。也就是前一百二十天 所有股票的涨幅情况。所以适当地选中次新可以避免程序无法运行。
其余不再赘述,如下代码 (下面以十日为周期作为示例)有对应提示:
the_day = '20210820' #截至计算时间
#先引入后面可能用到的library
import tushare as ts
import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
import time
from statistics import mean
%matplotlib inline
#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
ts.set_token('这里是自己的token码 可以在tushare个人主页找到')
pro = ts.pro_api()
#正常显示画图时出现的中文和负号
from pylab import mpl
mpl.rcParams['font.sans-serif']=['SimHei']
mpl.rcParams['axes.unicode_minus']=False
#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2021年8月20日,一共有4444只股票。
##########################################################
df = pro.stock_basic(exchange='', list_status='L',
fields='ts_code,symbol,name,area,industry,list_date')
print(len(df))
#########################################################
#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2020年8月1日前上市的股票作为分析样本,共得到3893只股票。
#排除掉新股次新股,这里是只考虑2020年8月1日以前上市的股票
###########################################################
# df=df[df['list_date'].apply(int).values<2020801]
df = df[df['list_date'] < '20200801']
print(len(df))
##########################################################
#输出结果:3893
#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2020年06月01日,结束日期为2021年08月20日
#日期可以根据需要自己改动
def get_data(code,start='20200601', end='20210820'):
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
return df.close
#构建一个空的dataframe用来装数据
data=pd.DataFrame()
n = 0
for name,code in code_name.items():
print(n)
n += 1
data[name]=get_data(code)
time.sleep(0.1) #避免调用过快 引发调用限制 在这里使用sleep函数
data = data.fillna(method='bfill') #补充缺失值
#计算收益率
def cal_ret(df,w=5):
'''w:周5;月20;半年:5; 一年250
'''
df=df/df.shift(w)-1
return df.iloc[w:,:].fillna(0)
ret10=cal_ret(data,w=10)
#计算RPS
def get_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
return df
#计算每个交易日所有股票滚动w日的RPS
def all_RPS(data):
dates=(data.index).strftime('%Y%m%d')
RPS={}
for i in range(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)
return RPS
rps10=all_RPS(ret10)
#获取所有股票在某个期间的RPS值
def all_data(rps,ret):
df=pd.DataFrame(np.NaN,columns=ret.columns,index=ret.index)
for date in ret.index:
date=date.strftime('%Y%m%d')
d=rps[date]
for c in d.index:
df.loc[date,c]=d.loc[c,'RPS']
return df
#构建一个以前面收益率为基础的空表
df_new=pd.DataFrame(np.NaN,columns=ret10.columns,index=ret10.index)
for date in df_new.index:
print(date)
date=date.strftime('%Y%m%d')
d=rps10[date]
for c in d.index:
df_new.loc[date,c]=d.loc[c,'RPS']
def plot_rps(stock):
plt.subplot(211)
data[stock][10:].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('2020-11-1',the_day,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()
这样计算主体部分就写好了
然后调用函数查看一下情况
rps10['20210818']
调用上面的plot_rps函数可以查看 某只股票的股价变化以及他的RPS值变化
plot_rps('全柴动力')