价格相对强度（PRS）也称为相对强度（RS），是衡量在一段时间区间（通常为12个月）内一个股票价格相对于整体股票的强度，它的值在1至99之间，值越大，相对强度越高。PRS在国际投资界被广泛使用。

       通常的计算方法：在同一段时间区间内，计算每一只个股的涨幅，按降序排列（rank），根据排名打分，第一名99分，最后一名1分，以此类推。（IPO未满一年的股票，以及长期停牌的股票一般要剔除。）

      长期的大牛股的PRS值一般都大于85。趋势投资或动量投资建议不要买RS值小于60的股票。成长股的RS值一般在80或85以上。

      由于整体股票市场的体量较大，以A股为例， 3680多家的股票， RS值在80以上的个股也有730多家，这对我们选股也是有难度的。

      而从行业分布着手，事情变得相对容易，再者，行业分析也更适合产业政策和实体经济。

      聚宽的JQData提供了被广泛使用的申万行业一级指数的历史数据（finance.SW1_DAILY_PRICE）以及估值数据（finance.SW1_DAILY_VALUATION）。

其具体的api可以参照：

      我们对申万28个一级行业，通过jqdata的获取申万行业一级指数的历史数据（finance.SW1_DAILY_PRICE），按照PRS的计算方法可以得到不同时间区间的PRS的值。

而行业指数RS值在80以上的只有5至6个行业，这给我们分析阶段市场资金的流向以及行业前景的预期很有帮助。

      jqdata的申万一级行业估值数据（finance.SW1_DAILY_VALUATION）则已经直接计算出了28个行业的每日的换手率，PE，PB和分红比率。这给我们分析不同行业的估值水平（PE，PB）和市场偏好（PB）以及市场热点（换手率）提供了有用的数据。

      具体的分析方法可以查看我的研究代码。

      通过价格相对强度（RS）研究数据我们可以看到：近3个月来，电子，计算机，国防军工，食品饮料，医药生物的RS值排名最高，这给我们选股指明了方向。

以上这些只是初步的分析，提供一种思路。通过JQdata提供的申万行业的指数的数据，我们还可以进一步计算各个行业的PRS值的曲线，分析变化趋势。还可以计算行业的历史估值区间的数据，来判断当前估值水平在历史估值中的位置。欢迎大家一起讨论！

研究

收起          

*研究          

0          

您需要登录后才能查看源码 ，点击登录

# 申万行业指数import pandas as pdfrom jqdata import *import datetime

lastTD = get_trade_days(count=2)[-1] # 最近一个交易日print(f'最近一个交易日: {str(lastTD)}')beforeLastTD = get_trade_days(count=3)[-2] # 前一个交易日print(f'前一个交易日: {str(beforeLastTD)}')

最近一个交易日: 2019-09-06
前一个交易日: 2019-09-05

class Industry():""" 通过计算阶段时间的申万一级行业指数的涨幅，发现指数的价格相对强度（PRS）；        通过获取申万一级行业的换手率， 发现市场热点，估值水平则分应投资者对不同行业的喜好程度。    """def __init__(self, industry_type='sw_l1', Date=lastTD):self.industry_type = industry_typeself.Date = Datedef industry_name(self): #　行业代码和名称'''Q:为什么有些申万行业代码没有成分股?            A:申万的行业代码在14年2月21有一次比较大改动,新增了11个行业代码:            ['801710','801720','801730','801740','801750','801760','801770',            '801780','801790','801880','801890'],弃用了6个行业代码:['801060',            '801070','801090','801100','801190','801220']            所以新增行业代码在2014-02-21之前没有成分股,弃用的行业代码在2014-02-21之后没有成分股。        '''industry_name = get_industries(self.industry_type)inds = []for i in industry_name.index.tolist():if len(get_industry_stocks(i)):inds.append(i)df_inds = industry_name[industry_name.index.isin(inds)]df_inds = df_inds[['name']]return df_inds#     def __str__(self):#         return f'sw_l1 industry_code list: {self.industry_name()}'def RS_industry_swl1(self): # 申万一级行业指数的价格相对强度（PRS）RS = pd.DataFrame()for periods in [20, 60, 120]: # 这里的交易时间间隔可以根据需要自定义start_date = get_trade_days(count=periods)[0]print(start_date)df = finance.run_query(query(finance.SW1_DAILY_PRICE ).filter(finance.SW1_DAILY_PRICE.code.in_(self.industry_name().index.tolist()),  finance.SW1_DAILY_PRICE.date >= start_date,  ).order_by(finance.SW1_DAILY_PRICE.date.desc()))df = df.set_index('code')print(len(df))# df.dropna()df = df[['name', 'change_pct']]rt = df.groupby(by='code').sum()rt['rank'] = rt['change_pct'].rank(ascending=False)rt['rs'] = round(100*(1 - rt['rank']/len(rt)), 2)rt = rt.rename(columns={'change_pct': f'rt_{str(periods)}'})rt = rt.rename(columns={'rs': f'rs_{str(periods)}'})RS = pd.concat([RS, rt, self.industry_name()['name']], axis=1, sort=True)RS = RS.sort_values(by='rs_20', ascending=False)#RS = pd.concat([RS, self.industry_name()['name']], axis=1, sort=True),return RSdef industry_swl1_valuation(self): # 申万一级行业的估值""" 这里的时间通过while循环直到取得数据为止，不然数据为空！！！        """tradedate = datetime.date.today()     #print(tradedate)i = 0while True:df = finance.run_query(query(finance.SW1_DAILY_VALUATION ).filter(finance.SW1_DAILY_VALUATION.code.in_(self.industry_name().index.tolist()),  finance.SW1_DAILY_VALUATION.date == tradedate ,  ).order_by(finance.SW1_DAILY_VALUATION.date.desc()))df = df[['date', 'code', 'name', 'turnover_ratio', 'pe', 'pb', 'dividend_ratio']]df = df.set_index('code')df = df.sort_values(by='turnover_ratio', ascending=False)if len(df) != 0:breakelse:i += 1           # print(i)tradedate = get_trade_days(count=5)[-i]print(tradedate)return df# if __name__ == '__main__':#     inds = Industry('sw_l1')#     indus_name =inds.industry_name()#     print(f'申万一级行业代码及名称， 一共有{str(len(indus_name))}个：')#     print(indus_name)#     print('申万一级行业的估值，换手率等：')#     val_inds = inds.industry_swl1_valuation()#     print(val_inds)#     # 可以将数据保存为csv文件，方便进一步分析查看#     print('申万一级行业指数的价格相对强度（PRS）:')#     RS_inds = inds.RS_industry_swl1()#     print(RS_inds)#     # 可以将数据保存为csv文件，方便进一步分析查看

inds = Industry('sw_l1')indus_name =inds.industry_name()print(f'申万一级行业代码及名称， 一共有{str(len(indus_name))}个：')indus_name

申万一级行业代码及名称， 一共有28个：

.dataframe tbody tr th:only-of-type {        vertical-align: middle;    }    .dataframe tbody tr th {        vertical-align: top;    }    .dataframe thead th {        text-align: right;    }

print('申万一级行业的估值，换手率等：')val_inds = inds.industry_swl1_valuation()val_inds# 可以将数据保存为csv文件，方便进一步分析查看

申万一级行业的估值，换手率等：
2019-09-06

.dataframe tbody tr th:only-of-type {        vertical-align: middle;    }    .dataframe tbody tr th {        vertical-align: top;    }    .dataframe thead th {        text-align: right;    }

print('申万一级行业指数的价格相对强度（PRS）:')RS_inds = inds.RS_industry_swl1()#可以将数据保存为csv文件，方便进一步分析查看RS_inds

申万一级行业指数的价格相对强度（PRS）:
2019-08-12
560
2019-06-17
1680
2019-03-18
3360

.dataframe tbody tr th:only-of-type {        vertical-align: middle;    }    .dataframe tbody tr th {        vertical-align: top;    }    .dataframe thead th {        text-align: right;    }