这两天恰好看到一本比较有趣的书，《FOF组合基金》。讲的是Fund of Fund,讲的是组合基金的理论，架构和实践。可以说是有既有理论高度，又有实践的策略。
其中有段话比较值得玩味。“可行集中包括无数个可供投资者选择的证券投资组合。投资者可通过有效集定理来找到最佳的投资组合。所谓最佳投资组合。。。。。满足两个条件：
1、相同风险下具有最大收益率的投资组合
2、同样收益率的水平下具有最小风险的投资组合
实践中还有另外一个很重要的因子，资金容量
所有人都在寻找高收益率，低风险，大容量的策略。但遗憾的是三者不可兼得。。。。共有8种类型的策略。其中比较有代表性的是相对价值策略，事件驱动策略，宏观因素策略。
上周股市大涨，本周股市大跌。那么，现在以2月1日的收盘数据来看，指数中有哪些符合中三种策略的指数？
我尝试用Python和手中的数据做了一个简单基于Z值的分析，自我学习和分享讨论。
1 、相对价值策略。（低收益，低风险，高容量）
书中谈的相对价值策略主要是类固定收益（银行理财，货币基金，债卷，对冲套利等），代价是牺牲”收益率“，从而保证风险可控，和规模扩大。
书中谈的方法。基本上需要通过期货，期限套利，跨期套利，分级基金折价，溢价，ETF套利，可转债，波动率，期权等方式。也许这种方式就是雪球上 低风险投资的策略吧。
相对价值策略需要拥有广阔的知识面和大额的资金。而且2015年后，卷商的ETF交易系统接口已经关闭,ETF套利很难运行。未来发展有赖于接口系统重新开放。
既然那么复杂，我就把问题简单化。
1.容量： 设为 500亿以上~5000亿日交易额规模。（盘子必须要大，流动性要好）
2.风险： 设为该日市盈率和市净率为Z值之和最小的5个指数。（风险要低）
3.收益率： 无所谓，可以牺牲。
结果如下： 找到的这5个指数的净资产收益率较低（小于10%），相对风险释放比较多（市盈率和市净率的Z值都是历史中的非常低位置），（盘子比较大（超过500亿）。其中以中证1000为最甚。
不过这里的风险最小，只是指数自己和自己历史比较的Z值。Z值可以衡量相对风险。绝对风险，也许只有FOF组合基金中讲的对冲，和组合等策略才能做到。
2、宏观因素策略。（高收益，高风险，高容量）
以牺牲风险为代价。。。也称择时策略。。。做对，自然收益会搞；但是如果做错，则损失也会很大。。。总的来说可以分成两类：拐点择时和趋势择时。
注： 这种策略应该就是人们常说的”投机“。
这些策略是技术流。利用了SVM(支持向量机）挖掘历史模型，Hurst指数，情绪指数，噪声指数等或者是各种均线等。
技术流暂且不研究，我们可以先看看市场中那些是宏观因素策略指数。把问题简化为：
1.高收益：ROE(PB/PB) 等级为高（15%~21%)（收益率必须要高。注：这里的收益率是长期的）
2.高容量： 50亿~500亿日交易额 （盘子必须要大，流动性要好）
3.高风险：（风险无所谓，可以适当放宽）
结果如下：
消费，食品，饮料等净资产回报率很高在20%左右，但是相对价格，市盈率，市净率的Z值有的都已经超过了3，或者4. 当这些指数回归均值时，估计要“疑似银河落九天”
不过创业成长指数，近资产汇报率19%，但是PB,PE的Z值都非常地。日后好好研究，看看是否是一支被错杀的创业板指数。
3、事件驱动策略（低风险，高收益，资金容量比较小）
把问题简化为：
1.低风险：当市净率，市盈率Z值最低
2.高收益： ROE(PB/PB) 较高的5只指数（收益率必须要高。注：这里的收益率是长期的）
3.容量： 不设限制
他们分别是创业成长，新能源车，和文化类指数。
新能源车由于补贴政策的变化，不断的估值调整，下滑。
文化类指数，由于乐视这个老鼠屎，整个系列都在过去两年垫底。
不过创业成长指数净资产回报率非常高，却估值很低，风险释放充分。
代码在后面：
1、初始化环境 主要用到了Python numpy,Pandas, Scipy.stats, Matplotlib,还有seaborn 等包. 证券投资的机器学习预测，通常需要准备大量数据进行回测。 本文不包含预测和回测部分。
注：预测和回测也没用。看了FOF组合基金一书才知道，2015年卷商交易接口已经关闭。估计ETF高频套利也不能做了。 此处如果理解有误，还请高人指点。
1. `import pandas as pd`
2. `import numpy as np`
3. `from scipy import stats`
4. `import matplotlib.pyplot as plt`
5. `import seaborn as sns`
6. `%matplotlib inline`
7. `!free -h`
8.
9. `# 以下代码是为了显示正文正常`
10. `import matplotlib as mpl`
11. `import matplotlib.font_manager as font_manager`
12. `path_eng = '/usr/share/fonts/chinese/REFSAN.TTF'`
13. `path_CHN = "/usr/share/fonts/chinese/simhei.ttf"`
14. `prop = font_manager.FontProperties(fname=path_CHN) #Set the microsoft sans serief as default font family. if show chinese test, set path_CHN instead.`
15. `#prop.set_weight = 'light'`
16. `mpl.rcParams['font.family'] = prop.get_name()`
17.
18. `Today = "2018-02-01"`
数据概览
1. `def view_data():`
2. `print("数据载入中...")`
3. `sec_map = pd.read_hdf("uqer/sec_map.h5","map") # sec_map 包含了约2800多个指数,实际指数约550只`
4. `history = pd.read_hdf("uqer/uq_history.h5","history") #hisotry 包含了从2004年到2017年11月16日的指数数据( 大约86万条数据).`
5. `#history = history.sort_index(level=0)`
6. `ntickers = history.index.levshape[0]`
7. `nTradeDate =history.index.levshape[1]/250`
8. `nRecords = history.shape[0]/10**4`
9.
10. `print("交易历史数据库包含了:\n\t{1:,.0f}万条日交易数据.\n\t{0}只指数，\n\t单只指数最长交易记录为{2:.1f}年.".format(ntickers,nRecords,nTradeDate))`
11. `print("\n注 ： 数据源基于Uqer,作了初步校对和修正，后存储在 History_fixed.h5 。例如：中证传媒2017年12月~1月的市盈率数据修正为choice的数据。\n\n")`
12. `print("历史交易数据：\n 特征列表：{0}".format(history.columns.tolist()))`
13. `print("股指名称数据：\n 特征列表：{0}".format(sec_map.columns.tolist()))`
14. `view_data()`
15. `map_E2C = {"ticker":"指数代码","secShortName":"指数名称",`
16. `'tradeDate':"日期", 'Close':"收盘价-Close",`
17. `'PB1':"市净率-PB", 'PE1':"市盈率-PE",`
18. `'TurnoverValue':"成交额", 'TurnoverVol':"成交量","ROE":"净资产回报率-ROE"}`
19.
20. `print("\n本文使用的特征为：{0}".format(list(map_E2C.values())))`
数据载入中... 交易历史数据库包含了: 91万条日交易数据. 550只指数， 单只指数最长交易记录为10.8年.
注 ： 数据源基于Uqer,作了初步校对和修正，后存储在 History_fixed.h5 。例如：中证传媒2017年12月~1月的市盈率数据修正为choice的数据。
历史交易数据： 特征列表：['secID', 'Close', 'PB1', 'PB2', 'PE1', 'PE2', 'TurnoverValue', 'TurnoverVol'] 股指名称数据： 特征列表：['baseDate', 'basePoint', 'endDate', 'indexType', 'indexTypeCD', 'porgFullName', 'pubOrgCD', 'publishDate', 'secID', 'secShortName']
本文使用的特征为：['指数代码', '指数名称', '日期', '收盘价-Close', '市净率-PB', '市盈率-PE', '成交额', '成交量', '净资产回报率-ROE']
特征工程
1.2.1 筛选有效数据
- 数据中存在缺失，故只筛选截至2018年1月25日有交易记录的数据。
- 历史交易数据过少，没有统计意义（暂定至少3年）
1. `def filter_history():`
2.
3. `def ticker_filter(x):`
4. `ntradedays_annual = 250 # 假设一年交易日为250天`
5. `nyear=3 # 假设至少需要3年数据`
6. `checkday=Today # Checkday是设定有效的交易日期。默认为Today, 全局变量`
7. `mask_years = x.shape[0]>(ntradedays_annual*nyear)`
8. `mask_checkday = x.index.isin([checkday],level="tradeDate").any()`
9. `mask = mask_years & mask_checkday`
10. `return mask`
11.
12. `history = pd.read_hdf("uqer/uq_history.h5","history") #hisotry 包含了从2004年到2017年11月16日的指数数据( 大约86万条数据).`
13. `history= history.loc(axis=0)[:,:Today]`
14. `history_filtered= history.groupby(level=0).filter(ticker_filter)`
15. `ntickers = len(history_filtered.groupby(level=0).groups)`
16. `print("{0}只指数交易时间超过了3年 且在{1}日有交易记录".format(ntickers,Today))`
17. `return history_filtered`
18.
19. `history =filter_history()`
483只指数交易时间超过了3年 且在2018-02-01日有交易记录
1.2.2 添加ROE（净资产回报率）特征
1. `history[
"ROE"
] = history[
"PB1"
]/history[
"PE1"
]`
1.2.3 特征提取
- 交易日最新数据汇总。 取指定交易日因子数据
- 净资产回报率特征。 取一年的数据平均值，然后按回报率分成4个级别。级别(超低，低，中，高）
- 交易额规模特征。取一年的数据平均值，然后按日平均交易额分成4个级别（小于5亿，小于50亿，小于500亿，小于5000亿）
- Z值（各个指标的标准差倍数）。 针对所有历史数据，计算Zscore(标准差倍数）。
1. `def Check_summary():`
2. `def lastz(x):`
3. `freedom = 1 # it is sample, so the sample std degree of freedome should not be 0 but 1`
4. `Arry=x.values`
5. `zscore = stats.zmap(Arry[-1],Arry,ddof=freedom)`
6. `return zscore`
7. `def recent_mean(x):`
8. `mean = x.tail(250).sum()/250`
9. `return mean`
10.
11. `grp = history.groupby(level=0)`
12. `grp_last = grp.agg({"Close":"last","PE1":"last","PB1":"last","ROE":"last","TurnoverValue":"last"})`
13. `grp_last["TurnoverValue"] =grp_last["TurnoverValue"]`
14.
15. `grp_rank = grp.agg({"ROE":recent_mean,"TurnoverValue":recent_mean})`
16. `grp_z = grp.agg({"Close":lastz,"PE1":lastz,"PB1":lastz,"ROE":lastz,"TurnoverValue":lastz})`
17.
18. `ROE_rank = pd.cut(grp_rank.ROE,bins=4,labels=["超低","低","中","高"])`
19. `TV_rank = pd.cut(grp_rank.TurnoverValue,bins=5*np.logspace(7,11,5),labels=["5亿","50亿","500亿","5000亿"])`
20. `ROE_rank.name = "净资产回报率等级"`
21. `TV_rank.name ="日交易额规模"`
22. `sec_map = pd.read_hdf("uqer/sec_map.h5","map") # sec_map 包含了约2800多个指数,实际指数约550只{}`
23. `#decimals = pd.Series([1,1,1,2,1 ], index=["Close","PE1","PB1","ROE","TurnoverValue"])`
24.
25. `combined = sec_map[["secShortName"]].join(grp_last,how="right").join(ROE_rank,rsuffix="_R").join(TV_rank,rsuffix="_R")`
26. `combined = combined.join(grp_z,rsuffix="_Z")`
27. `return combined`
28.
29. `checkday_summary = Check_summary()`
30. `checkday_summary.columns`
Index(['secShortName', 'Close', 'PE1', 'PB1', 'ROE', 'TurnoverValue', '净资产回报率等级', '日交易额规模', 'CloseZ', 'PE1Z', 'PB1Z', 'ROEZ', 'TurnoverValue_Z'], dtype='object')
1.3 数据探索
1.3.1 不同日交易额的指数群中指数的数量
1. `tmp=sns.countplot(
'日交易额规模'
,data=checkday\_summary)`
1. `checkday\_summary.groupby(
by
=
"日交易额规模"
)[[
"ROE"
]].mean().rename(columns={
"ROE"
:
"平均净资产回报率"
})`
1.3.2 收盘价（Close)
1. `col="Close"`
2.
3. `fig,ax = plt.subplots(1,2,figsize=(10,5))`
4.
5. `sns.boxplot(x='日交易额规模',y=col,ax=ax[0],data=checkday_summary)`
6. `ax[0].set_title("不同规模指数 - {0}({1})箱体图".format(map_E2C[col],col))`
7. `sns.boxplot(x='日交易额规模',y=col+"_Z",ax=ax[1],data=checkday_summary)`
8. `ax[1].set_title("不同规模指数 - {0}({1})-Z值 箱体图".format(map_E2C[col],col))`
指定日收盘价汇总箱形图 展现不同指数的收盘价差异： 左图是绝对值：不同规模的指数在该日收盘价价值不同。 右图是相对值：用Z值（即几个标准差）来衡量不同规模指数群的收盘价和各指数自己历史相比的差异。（500亿规模的指数收盘价差异比较大，Z指在4和-1之间。 从右图可以看出， 除了交易规模为50亿的小盘指数外，其他指数的日收盘价的Z值均值都在1附近。 各个日交易规模的指数群都有些Z值在（-1，1）之外的指数，这中间也许存在机会和风险。 Z值<-1, 有低估的可能。 可以考虑定投的方式逐步买入。 Z值>1, 有高估的可能。可以考虑逐步买出。
注：考虑到通货膨胀和指数内股票的增长，通常指数收盘价会出现Z值小于-1的情况。收盘价Z值>1甚至大于2都是比较常见的情况。
1.3.3 市盈率（PE1)
1. `col="PE1"`
2.
3. `fig,ax = plt.subplots(1,2,figsize=(10,5))`
4.
5. `sns.boxplot(x='日交易额规模',y=col,ax=ax[0],data=checkday_summary)`
6. `ax[0].set_title("不同规模指数 - {0}({1})箱体图".format(map_E2C[col],col))`
7. `sns.boxplot(x='日交易额规模',y=col+"_Z",ax=ax[1],data=checkday_summary)`
8. `ax[1].set_title("不同规模指数 - {0}({1})-Z值 箱体图".format(map_E2C[col],col))`
指定日市盈率汇总箱形图 展现不同指数的市盈率差异： 左图是绝对值：不同规模的指数在该日市盈率估值不同。 注：由于市盈率计算方法不一样，例如：加权，等权，算术平均等模式。故不同数据源的市盈率，市净率差异比较大。指数官网的市盈率和市净率比较权威。不过使用费用比较高。本文使用的是免费数据。因此可以看出这一天5亿规模指数群中有一个指数的市盈率小于-150倍。这是明显错误的。需要过滤掉。
右图是相关值：用Z值（即几个标准差）来衡量不同规模指数的市盈率和各自历史相比差异。 由于Z值计算是用全部历史数据来计算，故历史上的错误数据（如果数量不大的话，例如小于1%），对整理影响不大。只要将异常点过滤即可。 从右图可以看出，除了交易规模为50亿的小盘指数外，其他指数的日收盘价的Z值均值都在0附近。但是也有一些指数群中有（-1，1）之外的Z值。 Z值<-1, 有低估的可能。 可以考虑定投的方式逐步买入。 Z值>1, 有高估的可能。可以考虑逐步买出。 接下来，我们来看看都有哪些指数市盈率存在低估？
1. `def show_min_PE_Z():`
2. `col="PE1"`
3. `def get_max(x):`
4. `colz= col+"_Z"`
5. `index =x[colz].idxmax()`
6. `return x.loc[index][["secShortName",col,colz]]`
7. `def get_min(x):`
8. `colz= col+"_Z"`
9. `index =x[colz].idxmin()`
10. `return x.loc[index][["secShortName",col,colz]]`
11.
12. `print(checkday_summary.groupby("日交易额规模").apply(get_max).round(1))`
13.
14. `print(checkday_summary.groupby("日交易额规模").apply(get_min).round(1))`
15.
16. `show_min_PE_Z()`
如上表中，所展示， 低估指数： Z值小于-1。 例如：中证1000(000852)，新能源车（399417），文化指数分别是日交易规模（大盘，中盘，小盘）中Z值最低的指数。 高估指数：Z值大于2。 例如： 中经GDP,央视50（399550），水电指数分别是日交易规模（大盘，中盘，小盘）中Z值最高的指数。 如果这些指数的历史分布是正态， 那么根据经验法则，就存在较大的机会（针对低估）和风险（针对高估） 接下来，看看500亿日交易额规模指数群中新能源车和央视50这两个比较常见的指数历史数据的市盈率的波动。
1. `tickers=["399417","399550"]`
2. `sec_map = pd.read_hdf("uqer/sec_map.h5","map")`
3. `for ticker in tickers:`
4. `print("{0} base day is {1}".format(ticker,sec_map.loc[ticker].baseDate))`
5. `fig,ax = plt.subplots(1,2,figsize=(6,3))`
6. `fig.suptitle(ticker)`
7. `PE1 = history.loc[ticker]["PE1"]`
8. `PE1_Z = history.loc[ticker][["PE1"]].apply(stats.zscore)`
9. `PE1.plot(ax=ax[0])`
10. `sns.distplot(PE1_Z,ax=ax[1],vertical=True)`
从上图可以看出，2018年2月1日的市盈率图 新能源市盈率为22倍，绝对值不算高。但是Z指接近-1.5，相对值比较低，未来有很大的机会。 央视50市盈率为13倍，绝对值比较低。但是Z值接近4，相对值极度高，未来存在回归历史均值的风险
1.3.4 市净率 （PB1)
1. `col="PB1"`
2.
3. `fig,ax = plt.subplots(1,2,figsize=(10,5))`
4.
5. `sns.boxplot(x='日交易额规模',y=col,ax=ax[0],data=checkday_summary)`
6. `ax[0].set_title("不同规模指数 - {0}({1})箱体图".format(map_E2C[col],col))`
7. `sns.boxplot(x='日交易额规模',y=col+"_Z",ax=ax[1],data=checkday_summary)`
8. `ax[1].set_title("不同规模指数 - {0}({1})-Z值 箱体图".format(map_E2C[col],col))`
与市盈率数据类似 指定日市净率汇总箱形图 展现不同指数的市净率差异： 左图是绝对值：不同规模的指数在该日市净率估值不同。 右图是相关值：用Z值（即几个标准差）来衡量不同规模指数的市净率和各自历史相比差异。 从右图可以看出，除了交易规模为50亿的小盘指数外，其他指数的日收盘价的Z值均值都在0附近。但是也有一些指数群中有（-1，1）之外的Z值。 Z值<-1, 有低估的可能。 可以考虑定投的方式逐步买入。 Z值>1, 有高估的可能。可以考虑逐步买出。 接下来，我们来看看都有哪些指数市净率存在低估？
1. `def show_min_PB_Z():`
2. `col="PB1"`
3. `def get_max(x):`
4. `colz= col+"_Z"`
5. `index =x[colz].idxmax()`
6. `return x.loc[index][["secShortName",col,colz]]`
7. `def get_min(x):`
8. `colz= col+"_Z"`
9. `index =x[colz].idxmin()`
10. `return x.loc[index][["secShortName",col,colz]]`
11.
12. `print(checkday_summary.groupby("日交易额规模").apply(get_max).round(1))`
13.
14. `print(checkday_summary.groupby("日交易额规模").apply(get_min).round(1))`
15.
16. `show_min_PB_Z()`
从上图可以看出，2018年2月1日的市盈率图 新能源车市盈率为2.7倍，绝对值不算高。而且Z指接近-1.5，相对值比较低，未来有很大的机会。 国证食品市盈率为6.7倍，绝对值非常高。而且Z值接近3.2，相对值极度高，未来存在回归历史均值（3年历史）的风险。 注：由于国证食品指数在2004年就成立，缺少之前近十年历史数据。无法完全确定是否高估
1.3.5 净资产回报率（ROE）
1. `col="ROE"`
2.
3. `fig,ax = plt.subplots(1,2,figsize=(10,5))`
4.
5. `sns.boxplot(x='日交易额规模',y=col,ax=ax[0],data=checkday_summary)`
6. `ax[0].set_title("不同规模指数 - {0}({1})箱体图".format(map_E2C[col],col))`
7. `sns.boxplot(x='日交易额规模',y=col+"_Z",ax=ax[1],data=checkday_summary)`
8. `ax[1].set_title("不同规模指数 - {0}({1})-Z值 箱体图".format(map_E2C[col],col))`
与市盈率数据类似 指定日净资产回报率汇总箱形图 展现不同指数的净资产回报率差异： 左图是绝对值：不同规模的指数在该日净资产回报率估值不同。 右图是相关值：用Z值（即几个标准差）来衡量不同规模指数的净资产回报率和各自历史相比差异。 和市盈率与市净率不同，净资产回报率（ROE=PB/PE= profit/equity)排除了收盘价的短期波动影响，是比较长期的指标。我个人认为，长期指标稳健比较好。即ROE>0.1 而且Z指在（-1，1）之间的指数。
1.3.6 综合分析 - 流动性 + 风险 + 收益
前面已经单独对4个因子作了分析。他们分别代表了
- 流动性(日交易额规模)，
- 风险（市盈率和市净率）
- 收益（净资产回报）
现在，让我们试着把这四个因子综合起来看看。
1. `mask_scale= checkday_summary["日交易额规模"].isin(["50亿","500亿","5000亿"])`
2. `print("满足流动性规模的指数有{0}只".format(mask_scale.sum()))`
3.
4. `risk_zscore= -1.4 #注 z值小于 -1 的 指数太少，故改设为-0.3`
5. `mask_risk= (checkday_summary["PE1_Z"]<0) & (checkday_summary["PB1_Z"]<0)\`
6. `&((checkday_summary["PE1_Z"] + checkday_summary["PB1_Z"]<risk_zscore))`
7. `print("满足低风险要求的指数有{0}只".format(mask_risk.sum()))`
8.
9. `roe_score =["中","高"]`
10. `roe_zscore =[-2,2]`
11. `mask_roe = checkday_summary["净资产回报率等级"].isin(roe_score) & checkday_summary["ROE_Z"].between(roe_zscore[0],roe_zscore[-1])`
12. `print("满足收益率要求的指数有{0}只".format(mask_roe.sum()))`
13.
14. `mask_all = mask_scale & mask_risk & mask_roe`
15. `result =checkday_summary[mask_all].drop_duplicates(subset=["secShortName"])`
16. `print("满足高流动性，低风险，较好收益率要求的指数有{0}只".format(result.shape[0]))`
满足流动性规模的指数有478只 满足低风险要求的指数有59只 满足收益率要求的指数有310只 满足高流动性，低风险，较好收益率要求的指数有24只
投资策略
1. `def strategy_tickers_today(strategy="customize",scale_score =None,risk_zscore =None,roe_score =None):`
2. `if strategy =="customize":`
3. `scale_score =["50亿","500亿","5000亿"]`
4. `scale_zscore=(-1,1)`
5.
6. `risk_zscore= -1.4 #注 z值小于 -1 的 指数太少，故改设为-0.3`
7.
8. `roe_score =["中","高"]`
9. `roe_zscore =[-2,2]`
10. `elif strategy =="ROE":`
11. `scale_score =None`
12. `risk_zscore= None`
13. `roe_score =["高"]`
14. `elif strategy =="RISK":`
15. `risk_zscore= -2 #PE & PB Z值小于-2， 如果是 正态分布，这风险小于95%`
16. `elif strategy =="TURNOVER":`
17. `scale_score =["5000亿"]`
18. `scale_zscore=(-1,1)`
19.
20. `#交易规模过滤`
21. `if scale_score ==None:`
22. `mask_scale =True`
23. `else:`
24. `mask_scale= (checkday_summary["日交易额规模"].isin(scale_score)) \`
25. `& ( checkday_summary['TurnoverValue_Z'].between(scale_zscore[0],scale_zscore[-1]))`
26.
27. `#风险指标过滤`
28. `if risk_zscore ==None:`
29. `mask_risk =True`
30. `else:`
31. `risk_zscore= -1.4`
32. `mask_risk= (checkday_summary["PE1_Z"]<0) & (checkday_summary["PB1_Z"]<0)\`
33. `&((checkday_summary["PE1_Z"] + checkday_summary["PB1_Z"]<risk_zscore))`
34.
35. `#投资回报率过滤`
36. `if roe_score ==None:`
37. `mask_roe=True`
38. `else:`
39. `mask_roe = checkday_summary["净资产回报率等级"].isin(roe_score)`
40. `mask_all = mask_scale & mask_risk & mask_roe`
41. `result =checkday_summary[mask_all].drop_duplicates(subset=["secShortName"])`
42.
43.
44.
45. `return result`
46.
47. `def show_tickers_color(tickers= None):`
48. `if (tickers is None) or (tickers.shape[0]==0):`
49. `print("Pls prepare the checkday_summary dataframe")`
50. `return`
51. `else:`
52. `html =tickers[['secShortName','Close', 'PE1', 'PB1', 'ROE','Close_Z', 'PE1_Z', 'PB1_Z', 'ROE_Z','净资产回报率等级', '日交易额规模']]\`
53. `.round(2).rename(columns=map_E2C).style.bar(subset=['Close_Z', 'PE1_Z', 'PB1_Z'],\`
54. `align="zero", color=[ '#5fba7d','#d65f5f',],width=100/2)`
55. `return html`
低风险策略
1. `tmp = strategy_tickers_today("RISK")`
2. `tmp["RISK"] = tmp["PE1_Z"] + tmp["PB1_Z"]+tmp["Close_Z"]*0.2`
3. `show_tickers_color(tmp.sort_values(by=["ROE"],ascending=False).head(5))`
根据不同的Z值组合和因子组合，高收益策略或者高容量策略也很容易合成。
衡量市场，指数高低是一个难题! 价值投资者很难判断，
现在是高估，还是低估?
买的是便宜还是，贵了?
应该现在买/卖，还是再等等？
针对这个问题，我在网上看到了一些量化的处理方法。例如：平均数法，中位数法，比例法等等。这种方法往往过于简单，只能衡量集中度。不能衡量离散度和概率。
也许统计方法中的标准差Z值法更加适合。既可以衡量某个指数的指标的集中度，还可以衡量离散度，和风险情况。尽管指数的数据也不是完美的正态分布，但Z值法依然存在较大参考意义。
我的观点:
Z值越大，越高估。因为大数定理认为：
Z>1, Z>2,意味着继续变大的可能性小于16%, 5%。Z值越小，越低估。
因为大数定理认为：Z<-1, Z<-2,意味着继续变小的可能性小于16%, 5%
综观550多只指数的历史数据。绝大部分指数的Z值都在-2，3之间。注：少数的能源，金属类指数曾经出现过短暂疯狂的。Z值法就不太适用。
我使用Python的Pandas 和 Matplotlib 等工具，加上一些渠道获得的指数数据（尤其是市盈率），发布热门指数Ｚ值表。 今天又结合了不可能三角形思路做了一些投资策略的基本探索。
主要目的是：
- 方便自己定投使用。知道何时开始定投，何时停止定投，何时止盈。（目前还没有止盈过）
- 结合统计学，熟悉Python的基本数据分析方法。
- 网上分享给愿意参考的人,交流和学习
有不当之处，欢迎指正
本文作者
王勇 ，Python中文社区专栏作者，雪球ID：快乐_爸，目前感兴趣项目商业分析、Python、机器学习、Kaggle。17年项目管理，通信业干了11年项目经理管合同交付，制造业干了6年项目管理：PMO,变革，生产转移，清算和资产处理。MBA, PMI-PBA, PMP。
点击 阅读原文加入 CodingGo编程社区 ，
学习编程知识，收获互联网圈内人脉。