基于Python的指数基金量化投资 -通过指数估值榜进行指数投资

前面介绍过针对每一个单独的指数，可以通过市盈率和市净率的计算获得指数的估值百分位，从而进行相应的投资（《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》）。

这里介绍一个可以把所有指数估值信息进行汇总的方式：指数估值榜，这样可以直观的看出所有指数的估值点位，从整体上来进行选择，而不是一个指数一个指数的筛选，更加高效和便捷。

图中标示出了大部分目前的主流指数，纵坐标的单位是0%到100%，然后通过不同的背景颜色对估值高低进行区分，从上到下分为7个颜色区间，从红色过度绿色分别对应严重高估、高估、正常偏高、正常、正常偏低、低估和严重低估，这个区间是按照前面介绍的估值区间划分的（《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》），如下所示。

分别计算出每个指数的估值百分位，然后放到对应的区间，就能获得估值榜的数据。

例如沪深300算出来的估值百分位是75%，然后就把它放在60%-80%正常偏高这个区间内找到75%的位置画一个白点进行标识，而中证500算出来的估值百分位是23%，则在20%-40%正常偏低区间内找到23%的位置画一个白点进行标识，依次找出所有指数的估值点位后画出即可。

下面是具体的代码实现过程。

import numpy as np

import pandas as pd

import matplotlib.pyplot as plt

import datetime

index_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  -26

# 指数估值数据

index_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]

   index_info[i] = data_percentage

# 指数估值百分位计算

plt.figure(1)

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 = 22

# 估值区间绘制（背景）

index_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)

# 根据每个指数的估值百分位画出具体的位置

time_end = '2021/04/09'

plt.figure(1)

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=15)

# plt.gca().add_patch(plt.Rectangle((-1,-0.15), 2.6, 0.1, color='#4D8070'))

# plt.text(-0.7, -0.123, '严重低估', fontdict=font)

plt.axis('off')

plt.show()

# 最后画图

如需代码里面用到的指数估值数据或者有疑问，大家可以留言，欢迎拍砖^_^

课程参考：网易云课堂  基于Python的量化指数基金投资