计算RPS指标 Python实现

ID:399899

使用tushare数据计算RPS指标

什么是RPS指标

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

如何计算RPS指标

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']

这样就可以看到某一天的全盘股票RPS排行情况

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')

好啦 我的介绍到这里 更多关于RPS值的使用 大家自行探索