文章目录

• 1.什么是量化交易？
• 2.分析展示
• 3.逻辑解读
• 4.代码展示

• 阅前提醒：本文仅作技术交流，不做投资建议，投资有风险，入市须谨慎

1.什么是量化交易？

我们利用计算机技术，通过建模分析、优化参数等手段，从历史金融数据中挖掘出影响投资的指标，使用程序进行自动交易来获得“超额”的收益，这种投资方法就叫做量化交易。

现在，很多量化机构将人工智能和机器学习与量化策略相结合。国内的一些顶尖私募，比如：九坤、幻方、朱雀等都在使用AI量化策略，从各大公司的招聘公告上也可以看出这点。

2.分析展示

指标解读:

• P/E = P r i c e E P S \frac{Price} {EPS} EPSPrice​
• Price：当前股价-每日PE->每日的收盘价
• EPS ：每股收益

分析目的：

• 辅助判断整个全A市场什么时候来大牛市
• time-series分析

图解:

• 分析日期：2006-01-01 ~ 2020-06-29
• X轴：by_day 时间轴
• Y轴：沪深在流通股等权重P/E ratio(市盈率）
• 上图走势基本类似于沪深指数，但是又有点儿区别，
• 每次牛市爆发的点以及牛市结束的点都分别位于等权重PE的相对低位和相对高位

交易策略：

• market neutal市场中性的多因子策略是剔除了大盘（ β \beta β）风险的
• 当处于如图等权重PE低位的状态时候，就可以不用对冲 β \beta β风险了，
• 相反可以多配点儿 β \beta β产品，以获得 β \beta β收益

3.逻辑解读

市场上券商披露的PE,都是按市值加权的
容易被大市值股影响，中国A股市场上的大市值股
传统金融、石油能源等，这些股票的PE本身就很低，所以会拉低整个A股的PE
等权还原PE,不区分大盘小盘股

15年的指数没有破07、08的6124高位，但是PE已经破了
可以用来，辅助牛市抄底逃顶
比如前段时间做完这张图之后，下跌风险很低了，最多就是损失时间成本，
但是上涨空间是巨大的，配点儿 β \beta β产品，比如上证50etf，沪深300etf等
还是可以获得比较可观的收益的，我自己买的比较少没挣多少，上一波也得了30%的收益

4.代码展示

数据来源：Tushare金融大数据开放社区
运行准备：点击上方官网，注册tushare账户，获取token

获取数据

#导入库
import tushare  as ts
import pandas as pd
import numpy as np
import time,random
pro = ts.pro_api(token='你自己的token')

# L上市 D退市 P暂停上市
# ts_code 股票代码 exchange 交易所 SSE上交所 SZSE 深交所 
# list_date 上市日期 delist_date 退市日期
stock_L = pro.stock_basic(exchange='', list_status='L', fields='ts_code,exchange,list_date,delist_date')
stock_D = pro.stock_basic(exchange='', list_status='D', fields='ts_code,exchange,list_date,delist_date')
stock_P = pro.stock_basic(exchange='', list_status='P', fields='ts_code,exchange,list_date,delist_date')

#整合所有股票
data=pd.concat([stock_L,stock_D,stock_P],axis=0).reset_index(drop=True)

result = pd.DataFrame()
count=0
for ts_code in data.ts_code.tolist():
    start_time=time.time()
    df = pro.daily_basic(ts_code=ts_code, trade_date='', start_date='20060101',fields='ts_code,trade_date,pe')
    result=pd.concat([result,df],axis=0).reset_index(drop=True)
    count+=1
    if count%200:
        pass
    else:
        end_time=time.time()
        tm=end_time-start_time
        
        #限制60秒内最多请求200次
        while tm<=60 :
            time.sleep(60-tm+1)
            end_time=time.time()
            tm=end_time-start_time
        print(count,"耗时 %s 秒"%tm)
        
#获取到的数据保存到本地，也可以存到数据库里持续更新 
result.to_csv("PE监控.csv",index=False)

注意：做这个图的时候还是沿用原来的指数规则，2020/7/22上证指数进行了修正

可视化绘图

#导入库
import warnings
warnings.filterwarnings("ignore")
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
plt.style.use('seaborn')
%matplotlib inline

#导入之前获取的数据
result=pd.read_csv("PE监控.csv")
#等权重处理
data=pd.pivot_table(result,values='pe',index='trade_date',aggfunc='mean')
#绘图
data.plot(figsize=(15,6),subplots=True)