请　[注册]　或　[登录]　 | 返回主站

量化交易吧 /  数理科学 帖子：3364705 新帖：26

价值低波（中）-- 市盈率研究

专门亏损发表于：5 月 10 日 04：33回复(1)

本篇是 价值低波（上）--因子加强的续篇。预告还有下集。
一般来说，三部曲的“上”比较精彩，“中”要打打酱油，补交作业，并且为“下”做铺垫。这儿，研究市盈率。

以下是根据历史数据回溯得到的沪深300的PE曲线，从2005-4-8到2019-3-30。
Img

以下是沪深300的PE分布。
Img
这是什么分布？什么概率分布都不是。咱也别去计算方差以及高阶统计信息了，没意思。
但是，有两个清晰的信息。左侧出现了明确的断崖，这就是说，价值投资是有道理的，当是市场跌到一定程度，它必然跌不下去了，在PE曲线图上即底部特征明显。右侧拉得很远，市场的疯狂程度不可限量，在P/E曲线上，2007、2010、2015三次牛市，高估的程度相差很大。

为了进一步探讨，我把价格曲线、P/E曲线归一化、对数化，绘制在一个图里边，然后手工画了一条横线：
Img

在对数图上，不但高点没规律，低点也没有。市场疯狂无可计算，市场的悲观也难以阻止。我们还是看一下统计数据吧：
Img

PE 的均值是16.66，中值13.77，于是，设计价值策略可以从PE=15划一刀，以上控制回撤，以下爱咋咋的，它又能咋地。

下面的系统是按以上思路设计的交易框架（强调，纯框架测试）：

1 沪深300 P/E < 15，满仓上证50ETF。这只是一个测试。
2 沪深300 P/E > 30，80%国债指数、20% 上证50ETF。在回测环境下指数是可以交易的，为这个功能点赞，因为？早期没基金可以选啊。

我觉得这个结果很好。前些日子JQ组织探讨什么是好的交易系统，我说，达到目标的系统就是好系统。这个系统达到了我的目标。首先，它跑赢了沪深300。其次，它控制住了风险。第三，它非常简单。我要一个够硬的框架，它是那个框架。

OK，价值低波的基本元素有了，这就是 “价值低波（上）”。“上”留下了一些问题，解决问题需要一个新框架。现在框架也有了，这就是“价值低波（中）”。接下来是“下”了，价值低波搬入新框架，新楼老住户。

import numpy as np
import pandas as pd
import datetime as dt
import matplotlib

# 取得2005-4-8 ~ 2019-3-30 之间的所有的交易日
index = '000300.XSHG'
start_date = dt.date(2005, 4, 8)
end_date =dt.date(2019, 3, 30)
p = get_price(index, start_date, end_date, 'daily', ['close'])
p[:10]
close
2005-04-08 1003.45
2005-04-11 995.42
2005-04-12 978.70
2005-04-13 1000.90
2005-04-14 986.98
2005-04-15 974.08
2005-04-18 963.77
2005-04-19 965.89
2005-04-20 950.87
2005-04-21 943.98 
# 作图
plt.subplots(figsize=(16,9))
plot(p.close, 'b')

[<matplotlib.lines.Line2D at 0x7f5731229550>]
# 建立市场估值
mp = pd.Series([],[])
for d in p.index:
    # 取得股票池
    stocks = get_index_stocks(index, date=d)
    # 基本面过滤
    df = get_fundamentals(query(
        valuation.code,
        valuation.market_cap,
        (valuation.market_cap/valuation.pe_ratio).label('value'),        
    ).filter(
        valuation.code.in_(list(stocks)),
    ), date=d).dropna()
    market_value = df.market_cap.sum()/df.value.sum()
    mp[d]= market_value
mp[:10]

# 作图
plt.subplots(figsize=(16, 9))
plot(mp)

# 直方图
pyplot.hist(mp, 100)

(array([  91.,   95.,  107.,   63.,   62.,  145.,  119.,  159.,  171.,
         108.,   87.,  157.,  198.,  203.,  190.,  108.,   83.,  122.,
         130.,   62.,   44.,   24.,   21.,   18.,   18.,   16.,   22.,
          37.,   52.,   24.,   21.,   16.,    7.,    6.,    7.,    7.,
           3.,    9.,   21.,   19.,   25.,   21.,   17.,   20.,   22.,
          27.,   30.,   23.,   29.,   17.,    6.,    5.,    8.,    4.,
           4.,    2.,    9.,    7.,    3.,    2.,   10.,    8.,    9.,
          12.,   12.,    7.,    8.,   11.,   13.,   14.,   14.,   13.,
          10.,    7.,    6.,    8.,   12.,    9.,   13.,    4.,    6.,
           9.,    7.,    5.,    5.,    6.,    6.,    1.,    3.,    0.,
           0.,    6.,    1.,    2.,    2.,    0.,    3.,    1.,    2.,    1.]),
 array([  8.01585711,   8.43872976,   8.86160242,   9.28447507,
          9.70734773,  10.13022038,  10.55309304,  10.97596569,
         11.39883835,  11.821711  ,  12.24458366,  12.66745631,
         13.09032896,  13.51320162,  13.93607427,  14.35894693,
         14.78181958,  15.20469224,  15.62756489,  16.05043755,
         16.4733102 ,  16.89618286,  17.31905551,  17.74192817,
         18.16480082,  18.58767348,  19.01054613,  19.43341879,
         19.85629144,  20.27916409,  20.70203675,  21.1249094 ,
         21.54778206,  21.97065471,  22.39352737,  22.81640002,
         23.23927268,  23.66214533,  24.08501799,  24.50789064,
         24.9307633 ,  25.35363595,  25.77650861,  26.19938126,
         26.62225391,  27.04512657,  27.46799922,  27.89087188,
         28.31374453,  28.73661719,  29.15948984,  29.5823625 ,
         30.00523515,  30.42810781,  30.85098046,  31.27385312,
         31.69672577,  32.11959843,  32.54247108,  32.96534374,
         33.38821639,  33.81108904,  34.2339617 ,  34.65683435,
         35.07970701,  35.50257966,  35.92545232,  36.34832497,
         36.77119763,  37.19407028,  37.61694294,  38.03981559,
         38.46268825,  38.8855609 ,  39.30843356,  39.73130621,
         40.15417887,  40.57705152,  40.99992417,  41.42279683,
         41.84566948,  42.26854214,  42.69141479,  43.11428745,
         43.5371601 ,  43.96003276,  44.38290541,  44.80577807,
         45.22865072,  45.65152338,  46.07439603,  46.49726869,
         46.92014134,  47.34301399,  47.76588665,  48.1887593 ,
         48.61163196,  49.03450461,  49.45737727,  49.88024992,  50.30312258]),
 <a list of 100 Patch objects>)
# 把估值数据加入表格
p['pv_ratio'] = mp
p[:10]
close pv_ratio
2005-04-08 1003.45 15.529399
2005-04-11 995.42 15.430660
2005-04-12 978.70 15.069911
2005-04-13 1000.90 15.532478
2005-04-14 986.98 15.354481
2005-04-15 974.08 15.153486
2005-04-18 963.77 15.340893
2005-04-19 965.89 15.351643
2005-04-20 950.87 15.159701
2005-04-21 943.98 15.252221 
# 归一化
p['n_price'] = p.close/p.close[0]
p['n_pv_ratio'] = p.pv_ratio/p.pv_ratio[0]
p[:10]
close pv_ratio n_price n_pv_ratio
2005-04-08 1003.45 15.529399 1.000000 1.000000
2005-04-11 995.42 15.430660 0.991998 0.993642
2005-04-12 978.70 15.069911 0.975335 0.970412
2005-04-13 1000.90 15.532478 0.997459 1.000198
2005-04-14 986.98 15.354481 0.983587 0.988736
2005-04-15 974.08 15.153486 0.970731 0.975793
2005-04-18 963.77 15.340893 0.960456 0.987861
2005-04-19 965.89 15.351643 0.962569 0.988554
2005-04-20 950.87 15.159701 0.947601 0.976194
2005-04-21 943.98 15.252221 0.940734 0.982151 
# 对数化
p['ln_price'] = np.log(p.n_price)
p['ln_pv_ratio'] = np.log(p.n_pv_ratio)
p[:10]
close pv_ratio n_price n_pv_ratio ln_price ln_pv_ratio
2005-04-08 1003.45 15.529399 1.000000 1.000000 0.000000 0.000000
2005-04-11 995.42 15.430660 0.991998 0.993642 -0.008035 -0.006379
2005-04-12 978.70 15.069911 0.975335 0.970412 -0.024974 -0.030035
2005-04-13 1000.90 15.532478 0.997459 1.000198 -0.002544 0.000198
2005-04-14 986.98 15.354481 0.983587 0.988736 -0.016550 -0.011328
2005-04-15 974.08 15.153486 0.970731 0.975793 -0.029706 -0.024504
2005-04-18 963.77 15.340893 0.960456 0.987861 -0.040347 -0.012213
2005-04-19 965.89 15.351643 0.962569 0.988554 -0.038149 -0.011512
2005-04-20 950.87 15.159701 0.947601 0.976194 -0.053822 -0.024094
2005-04-21 943.98 15.252221 0.940734 0.982151 -0.061094 -0.018010 
# 作图
plt.subplots(figsize=(16,9))
plot(p[['ln_price', 'ln_pv_ratio']])

[<matplotlib.lines.Line2D at 0x7f843d3c9b50>,
 <matplotlib.lines.Line2D at 0x7f84263e1e10>]
# 统计特征
p.describe()
close pv_ratio n_price n_pv_ratio ln_price ln_pv_ratio
count 3399.000000 3399.000000 3399.000000 3399.000000 3399.000000 3399.000000
mean 2909.334340 16.665296 2.899332 1.073145 0.992122 -0.025169
std 988.861751 8.376520 0.985462 0.539398 0.410975 0.412232
min 818.030000 8.015857 0.815217 0.516173 -0.204300 -0.661313
25% 2331.255000 11.427354 2.323240 0.735853 0.842963 -0.306725
50% 3013.150000 13.774953 3.002790 0.887024 1.099542 -0.119883
75% 3480.470000 17.734901 3.468504 1.142021 1.243723 0.132799
max 5877.200000 50.303123 5.856993 3.239219 1.767636 1.175332 
from jqdata import finance
q = query(finance.STK_EXCHANGE_TRADE_INFO.exchange_name, \
        finance.STK_EXCHANGE_TRADE_INFO.pe_average,\
        finance.STK_EXCHANGE_TRADE_INFO.date)\
        .filter(finance.STK_EXCHANGE_TRADE_INFO.date=='2019-04-12')
f = finance.run_query(q)
f
exchange_name pe_average date
0 上海A股 15.990 2019-04-12
1 上海B股 12.284 2019-04-12
2 上海市场 15.977 2019-04-12
3 中小企业板 28.800 2019-04-12
4 深市主板 18.690 2019-04-12
5 深圳市场 26.040 2019-04-12
6 创业板 41.970 2019-04-12

       

全部回复

0/140

量化课程

    移动端课程