前面介绍过《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》，通过估值来进行指数基金的投资。
当估值百分位为90%-100%的时候，指数处于严重高估状态，可以考虑全仓卖出；
当估值百分位为80%-90%的时候，指数处于高估状态，可以考虑大份额卖出；
当估值百分位为60%-80%的时候，指数处于正常偏高状态，可以考虑小份额卖出；
当估值百分位为40%-60%的时候，指数处于正常状态，可以考虑持有；
当估值百分位为20%-40%的时候，指数处于正常偏低状态，可以考虑小份额定投；
当估值百分位为10%-20%的时候，指数处于低估状态，可以考虑大份额定投；
当估值百分位为0%-10%的时候，指数处于严重低估状态，可以考虑大份额定投+增量买入；
有了这个策略，就需要观察每个指数的估值百分位情况，如果一个一个查看会很麻烦，最简单的办法就是把各个指数直观的通过图形的方式表现出来，如下图所示：
图中按照严重低估、低估、正常偏低、正常、正常偏高、高估和严重高估划分了对应的区域，并用不同的颜色进行了区分，然后分别计算每一个指数的估值百分位，然后把计算出来的结果画在相应的区域，这样就可以非常直观的看到所有指数的一个估值情况。
源码
源码中用到的估值数据文件g_*.csv可以联系小将获取。
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
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
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]
if index_name_csv[i] == 'g_zzyh.csv':
data_calc = index_data['pe']
xx = np.where(data_calc < data_calc.values[-1])
data_percentage_add = len(xx[0]) / data_calc.shape[0]
index_info[i] = 0.8*data_percentage + 0.2*data_percentage_add
else:
index_info[i] = data_percentage
plt.figure(3)
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
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)
time_end = '2020/12/21'
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=28)
plt.axis('off')
g_globalMarket = pd.read_csv('./importfile/indexSeries/indexValuation/g_globalMarket/g_globalMarket.csv')
index_data_pe = g_globalMarket['pe'].values[1:len(g_globalMarket['pe']):1]
index_data_pb = g_globalMarket['pb'].values[1:len(g_globalMarket['pb']):1]
size_title = 28
size_label = 23
size_text = 35
size_line = 3
size_rotation = 20
plt_gap = 10
plt.show()
程序中用到的数据如果有问题，大家可以留言获取也可以添加小将前行的微信xjqx_666进行获取，欢迎大家一起交流沟通_
课程参考：基于Python的量化指数基金投资