基于Python的指数基金量化投资-市场联合指标判断投资位置

判断指数是否具有投资价值，我们会用到估值百分位（《估值百分位》），通过当前市盈率或者市净率的位置，可以获得当前指数估值的高低从而获得指数的便宜程度，从而进行投资。

同时投资者的投资情绪，前面也介绍过，可以通过全市场成交量进行量化（《A股全市场成交量计算》），投资情绪也是一个指导投资很重要的指标，当市场处于大熊市下跌到低点时，成交量往往很小，相反，当市场处于大牛市，市场持续上涨，成交量会越来越大。

那估值百分位和成交量两者之间有没有什么关系，如果有，是否可以用来进行量化投资，下面就来分析下这个过程。

首先来看看全市场估值和全市场成交量的关系。下面是全市场从2000年到现在的估值走势。

通过估值走势可以计算出估值百分位的变化，下面是截取2010年以来的估值数据计算出来的估值百分位情况。

可以看出在2012年年底到2013年初和2018年年底到2019年初两个时间段全市场是处于非常低估的阶段，而在2015年估值达到了历史高位。但这和市场的成交量有没有什么联系呢？先看看下面的全市场成交量从2010年以来的数据。

从时间上来看也能明显的看出在2012年年底到2013年初和2018年年底到2019年初两个时间段全市场成交量是很低的，同时在2015年估值达到了历史高位的时候成交量非常高，那有没有办法把两者的关系结合在一起来看呢？下面就来介绍全市场联合指标，它就是结合了估值百分位和成交量的一个非常重要的投资指标。

接下来把全市场估值百分位作为纵坐标，而全市场成交量作为横坐标，两者画成散点图如下：

图上有几个明显的特征

1）区域特征

估值百分位低的情况下成交量也很低，所形成的点集聚在左下角，反过来，当估值百分位高的时候成交量也高，点分布在右上角。而中间的过度区域（图中偏左部分）则是估值处在中间区域同时成交量也处在中间区域。

看起来左下角点的密度是最高的，逐渐朝右上方扩散的同时密度在逐步变小，这个过程说明全市场处在中等偏低估的区间是最多的，高估区间是非常少的。也说明了A股是一个熊长牛短的过程。

2）分布特征

图中右下角的整个区域是没有任何数据点的，说明在估值偏低和估值低估区域是不可能有大成交量的，也说明估值的上升是因为成交量放大导致指数上涨所引起的。左上角的的区域也基本没有数据分布，也同样说明在高估值的氛围下成交量很难出现低成交量。

可以拟合整个分布得到上面图中一条红色的曲线，估值百分位和成交量是分布在它的左右两边。

通过上面的分析其实就可以得到一个很重要的信息，越靠近左下角的位置市场越低估市场情绪越低，这个时候往往是很好的买入建仓机会，而越靠近右上角市场越高估市场情绪越高，这种情况下是很危险的区间，尽量卖出保持空仓状态。

所以从左下角到右上角是一个买入，持有，然后逐渐过度到卖出的过程，通过量化目前所处的位置就能起到锚定投资的作用。所以可以结合下面的数据图形来分析当前的市场情况进行投资，这里把这种方式称为联合投资指标。

图中红色的点就是当前市场所处的位置，通过这个指标我们很清楚的知道目前市场处于哪个阶段，然后再结合各个指数的估值来进行投资。

源码

#源码中用到的indexType文件下的指数数据.csv请参看《基于Python的指数基金量化投资——指数包含的个股数据获取》

import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
import math as math
import baostock as bs

time_end = '2020-12-23'
print(time_end)
# 登陆系统
lg = bs.login()

# 获取货币供应量
rs = bs.query_money_supply_data_month(start_date="2010-09", end_date=time_end[0:len(time_end)-3])

# 打印结果集
data_list = []
while (rs.error_code == '0') & rs.next():
    # 获取一条记录，将记录合并在一起
    data_list.append(rs.get_row_data())
result = pd.DataFrame(data_list, columns=rs.fields)
# 结果集输出到csv文件
result.to_csv("./exportfile/transactionOfMarket/m2.csv", encoding="gbk", index=False)

name_index_list = ['sh.000001','sz.399107']
for i in range(len(name_index_list)):
    rs = bs.query_history_k_data_plus(name_index