对于以定投指数的方式理财的朋友,最需要关注的指标便是各个指数的估值,在指数低估时买入,高估时卖出,那如何制作一张估值图来跟踪指数的估值情况呢?本文就从0到1介绍如何用Matplotlib画一张漂亮的指数估值图。
作者 | 易执
准备数据
首先,准备我们需要的数据,一般来说,经历了一轮牛熊周期的历史估值更具比较意义,所以,这里以上证指数2013年到目前为止的行情数据为例进行演示,同时,采用滚动市盈率为估值指标。数据来源为tushare。
<code>import
pandasas
pdimport
numpyas
npimport
matplotlib.pyplotas
pltimport
tushareas
tsfrom
datetimeimport
* %matplotlib inline plt.rcParams['font.sans-serif'
] ='FangSong'
pro = ts.pro_api() index_df = pro.index_dailybasic(ts_code ="000001.SH"
,start_date ="20130101"
, end_date ="20200311"
,fields="trade_date,pe_ttm"
) index_df.sort_values(by
="trade_date"
,inplace=True) x = pd.to_datetime(index_df["trade_date"
]).values y = index_df["pe_ttm"
].values/<code>
根据得到的数据,可以绘制出上证指数市盈率的走势图:
<code>fig,ax = plt.subplots(figsize=(12,8)) ax.plot(x,y)/<code>
接下来便需要根据一定的规则,将估值划分为高估区、正常区以及低估区。
估值区间划分
参照比较常见的划分方法,本文将大于80%分位数的区域视为高估区间,低于20%分位数的区域视为低估区间,位于两者之间的,则为正常区间。下面的代码算出了这几个关键数据点
<code>max
= np.max(y)pe_80
= np.percentile(y,80
)pe_20
= np.percentile(y,20
)min
= np.min(y)now
= y[-1
] /<code>
绘图
根据分割的数据点,就可以进行绘图了,这里主要用到fill_between函数绘制各区域的颜色分割,将高估区域用红色块填充,正常区间用黄色块填充,低估值区域用绿色块填充。同时为了显示效果,将图的上下限分别设置为最大值+1和最小值-1。
<code>fig,ax = plt.subplots(figsize=(12
,8
)) ax.plot(x,y,linewidth=3
) ax.fill_between(x,min
-1
,pe_20,facecolor ="#00ff80"
,alpha=0.2
) ax.fill_between(x,pe_20,pe_80,facecolor ="#ffff4d"
,alpha=0.2
) ax.fill_between(x,pe_80,max
+1
,facecolor ="#ff69b4"
,alpha=0.2
)/<code>
整个图形的大致轮廓已经出来了,为了更好的显示效果,接下来还需要对图形进行微调。比如:
- 去掉坐标轴的刻度并将相应字体放大-->ax.tick_params()
- 去掉图形与坐标轴之间的空白-->ax.margins()
- 在图中标出当日市盈率-->ax.text()
- 将图形的方框去掉-->plt.box()
- 为图标添加标题-->plt.title
所以,在之前代码的基础上,加入下面的调整代码,就可以得到最终的成品图
<code>fig,ax = plt.subplots(figsize=(12
,8
)) ax.plot(x,y,linewidth=3
) ax.fill_between(x,min
-1
,pe_20,facecolor ="#00ff80"
,alpha=0.2
) ax.fill_between(x,pe_20,pe_80,facecolor ="#ffff4d"
,alpha=0.2
) ax.fill_between(x,pe_80,max
+1
,facecolor ="#ff69b4"
,alpha=0.2
) ax.tick_params(axis='both'
, which='both'
,length=0
) ax.tick_params(axis='both'
, which='major'
, labelsize=16
) ax.margins(0.01
,0
) ax.text(0.75
,0.9
,"市盈率 = {}"
.format
(now),transform=ax.transAxes,fontdict={'size'
:18
}) plt.xticks(rotation=45
) plt.box(False) plt.title("上证指数估值图"
,fontdict={'size'
:24
})/<code>
函数封装
进一步地,为了将上面的代码复用,可以将所有绘图的代码封装成函数,之后只需要输入相应的指数代码(可以值宽基指数、行业板块指数)和时间范围,即可快速生成一张估值图。
<code>def pe_plot(ts_code = "",name="",period=5): now = datetime.now() end_date = str(now.date()).replace("-"
,""
) start_date =str
(now.year-period
)+end_date[4
:] index_df = pro.index_dailybasic(ts_code = ts_code,start_date = start_date, end_date = end_date,fields
="trade_date,pe_ttm"
) index_df.sort_values(by
="trade_date"
,inplace=True
) x = pd.to_datetime(index_df["trade_date"
]).values y = index_df["pe_ttm"
].valuesmax
= np.max(y) pe_80 = np.percentile(y,80
) pe_20 = np.percentile(y,20
)min
= np.min(y)now
= y[-1
] fig,ax = plt.subplots(figsize=(12
,8
)) ax.plot(x,y,linewidth=3
) ax.fill_between(x,min
-1
,pe_20,facecolor ="#00ff80"
,alpha=0.2
) ax.fill_between(x,pe_20,pe_80,facecolor ="#ffff4d"
,alpha=0.2
) ax.fill_between(x,pe_80,max
+1
,facecolor ="#ff69b4"
,alpha=0.2
) ax.tick_params(axis='both'
, which='both'
,length
=0
) ax.tick_params(axis='both'
, which='major'
, labelsize=16
) ax.margins(0.01
,0
) ax.text(0.75
,0.9
,"市盈率 = {}"
.format(now
), transform=ax.transAxes,fontdict={'size'
:18
}) plt.xticks(rotation=45
) plt.box(False
) plt.title("{}估值图"
.format(name
),fontdict={'size'
:24
}) plt.show()/<code>
比如,生成一张创业板指数近5年的估值图
<code>pe_plot
(ts_code="399006.SZ"
,name="创业板指"
,period=5
)/<code>
【五一感恩回馈大放送】
CDA数据科学研究院也隆重推出五一小长假幸运狂欢周活动,回馈广大的莘莘学子,回馈一直不断学习、不断进取的每一个行路人!
【活动时间】
4月30--5月6日
【丰厚奖品】
一等奖:iphone11
二等奖:5折万元优惠
三等奖:CDA系列图书
51幸运奖:天猫精灵
数量有限,先到先得,抽完为止!!
扫描下方海报二维码参与抽奖吧↓↓↓