计算RPS指标 Python实现

最新推荐文章于 2024-10-07 01:36:35 发布

千世先森

最新推荐文章于 2024-10-07 01:36:35 发布

阅读量4.9k

点赞数 4

分类专栏：股票金融文章标签： python 数据分析

本文链接：https://blog.csdn.net/As_Yan_Do/article/details/119830666

版权

股票同时被 2 个专栏收录

6 篇文章 3 订阅

订阅专栏

金融

6 篇文章 0 订阅

订阅专栏

ID:399899

使用tushare数据计算RPS指标

什么是RPS指标

RPS/RS指标，又称为股价相对强度指标，由美国的美国著名的成长性企业的投资大师，威廉·欧奈尔提出并首先运用于美国早期股票市场的分析。

RPS指标是指在一段时间内，个股涨幅在全部股票涨幅排名中的位次值。

比如，某个市场共有1000只股票，若某个股票的月涨幅在1000只股票中排名第100位，那么该股的RPS值就是：(1-100/1000)*100=90。

RPS指标衡量了某一给定股票在过去一段时间，相对市场中其他股票的表现。市场内每只股票都被指定了1-00范围内的某一数值，100代表相对强度最高

RPS=100

表示该股票在价格方面表现比其他的公司都更为优秀

RPS=70

表示该股票比其他70%公司表现好

如果你选择的股票RPS数值低于70，说明它目前的涨幅落后于股市中30%其他表现更好的股票。

根据欧奈尔的统计，从20世纪50年代早期到2008年，表现最好的股票在其股票大涨前的平均RS值为87。

因此，欧奈尔认为：PRS值为80或90以上，是买入一只股票前的必要筛选条件

如何计算RPS指标

首先剔除次新股次新股的定义可以根据自己需求设定我这里是一年以内为次新。
剔除次一个原因是：计算RPS指标时例如 RPS120 120天为周期计算前120条数据是只能计算出一个值。也就是前一百二十天所有股票的涨幅情况。所以适当地选中次新可以避免程序无法运行。
其余不再赘述，如下代码 (下面以十日为周期作为示例)有对应提示：

the_day = '20210820'  #截至计算时间
#先引入后面可能用到的library
import tushare as ts
import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
import time
from statistics import mean
%matplotlib inline   

#使用之前先输入token，可以从个人主页上复制出来，
#每次调用数据需要先运行该命令
ts.set_token('这里是自己的token码 可以在tushare个人主页找到')
pro = ts.pro_api()

#正常显示画图时出现的中文和负号
from pylab import mpl
mpl.rcParams['font.sans-serif']=['SimHei']
mpl.rcParams['axes.unicode_minus']=False

#数据来源于tushare，首先使用stock_basic获取当前交易日的所有股票代码。截至2021年8月20日，一共有4444只股票。
##########################################################
df = pro.stock_basic(exchange='', list_status='L', 
    fields='ts_code,symbol,name,area,industry,list_date')
print(len(df))
#########################################################
#考虑到A股新股上市交易的情况，上市后前一段时间往往会一字涨停，然后出现下跌调整。为了剔除新股次新股的影响，这里选择2020年8月1日前上市的股票作为分析样本，共得到3893只股票。

#排除掉新股次新股，这里是只考虑2020年8月1日以前上市的股票

###########################################################
# df=df[df['list_date'].apply(int).values<2020801]
df = df[df['list_date'] < '20200801']
print(len(df))
##########################################################
#输出结果：3893
#获取当前所有非新股次新股代码和名称
codes=df.ts_code.values
names=df.name.values
#构建一个字典方便调用
code_name=dict(zip(names,codes))

#使用tushare获取上述股票周价格数据并转换为周收益率
#设定默认起始日期为2020年06月01日，结束日期为2021年08月20日
#日期可以根据需要自己改动
def get_data(code,start='20200601', end='20210820'):
    df=pro.daily(ts_code=code, start_date=start, end_date=end,fields='trade_date,close')
    #将交易日期设置为索引值
    df.index=pd.to_datetime(df.trade_date)
    df=df.sort_index()
    #计算收益率
    return df.close

#构建一个空的dataframe用来装数据
data=pd.DataFrame()

n = 0
for name,code in code_name.items():
    print(n)
    n += 1
    data[name]=get_data(code)
    time.sleep(0.1)  #避免调用过快 引发调用限制 在这里使用sleep函数

data = data.fillna(method='bfill')   #补充缺失值
#计算收益率
def cal_ret(df,w=5):
    '''w:周5;月20;半年：5; 一年250
    '''
    df=df/df.shift(w)-1
    return df.iloc[w:,:].fillna(0)

ret10=cal_ret(data,w=10) 

#计算RPS
def get_RPS(ser):
    df=pd.DataFrame(ser.sort_values(ascending=False))
    df['n']=range(1,len(df)+1)
    df['rps']=(1-df['n']/len(df))*100
    return df
#计算每个交易日所有股票滚动w日的RPS
def all_RPS(data):
    dates=(data.index).strftime('%Y%m%d')
    RPS={}
    for i in range(len(data)):
        RPS[dates[i]]=pd.DataFrame(get_RPS(data.iloc[i]).values,columns=['收益率','排名','RPS'],index=get_RPS(data.iloc[i]).index)  
    return RPS  

rps10=all_RPS(ret10)  
#获取所有股票在某个期间的RPS值
def all_data(rps,ret):
    df=pd.DataFrame(np.NaN,columns=ret.columns,index=ret.index)
    for date in ret.index:
        date=date.strftime('%Y%m%d')
        d=rps[date]
        for c in d.index:
            df.loc[date,c]=d.loc[c,'RPS']
    return df

#构建一个以前面收益率为基础的空表
df_new=pd.DataFrame(np.NaN,columns=ret10.columns,index=ret10.index) 
for date in df_new.index:
    print(date)
    date=date.strftime('%Y%m%d')
    d=rps10[date]                                    
    for c in d.index:
        df_new.loc[date,c]=d.loc[c,'RPS']
        
def plot_rps(stock):
    plt.subplot(211)
    data[stock][10:].plot(figsize=(16,16),color='r') 
    plt.title(stock+'股价走势',fontsize=15)
    plt.yticks(fontsize=12)
    plt.xticks([])
    ax = plt.gca()  
    ax.spines['right'].set_color('none') 
    ax.spines['top'].set_color('none') 
    plt.subplot(212)
    df_new[stock].plot(figsize=(16,8),color='b')
    plt.title(stock+'RPS相对强度',fontsize=15)
    my_ticks = pd.date_range('2020-11-1',the_day,freq='m')
    plt.xticks(my_ticks,fontsize=12)
    plt.yticks(fontsize=12)
    ax = plt.gca()  
    ax.spines['right'].set_color('none') 
    ax.spines['top'].set_color('none')
    plt.show()