python量化策略——基本面择时策略（pe、pb）

1. 读取数据pe
2. if 20天的pe均值 <100天的pe均值 -2*其标准差 则 高配股票。
3. elif 20天的pe均值 <100天的pe均值 -0*其标准差 则 股债 0.5：0.5。
4. else: 高配债券
5. 改进方面，可以加入pd等其他选股条件一起判断。效果更好。

运行 需要获取token，这里获取token码

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from datetime import datetime, date
from statsmodels.regression import linear_model
import statsmodels.api as sm
import pymysql
import threading
from queue import Queue
import math
import tushare as ts
import matplotlib
import talib
import seaborn as sns  
sns.set(style="darkgrid", palette="muted", color_codes=True) 
from scipy import stats,integrate
%matplotlib inline 
sns.set(color_codes=True)
matplotlib.rcParams['axes.unicode_minus']=False
plt.rcParams['font.sans-serif'] = ['SimHei']         # 中文显示
plt.rcParams['axes.unicode_minus'] = False   # 用来正常显示负号
#读取数据
def dataread():
    ts.set_token(' ')
    pro = ts.pro_api()
    df_base=pro.index_dailybasic(ts_code="000001.SH", fields='trade_date,pe_ttm')
    df_stock=pro.index_daily(ts_code="000001.SH", start_date='20120101', end_date='20201010', fields='close,trade_date')
    df_bond=df=pro.index_daily(ts_code="000012.SH",start_date='20120101', end_date='20201010' , fields='trade_date,close')
    return df_base,df_stock,df_bond
df,df_stock,df_bond=dataread()   
class prepare:
#计算单日收益率
    #def __init__(self,freq):
    #    self.freq=freq
    def ret_base(self):
        df_stock.index=pd.to_datetime(df_stock.trade_date)
        ret_stock=(df_stock.close-df_stock.close.shift(-1))/df_stock.close.shift(-1)
        df_bond.index=pd.to_datetime( df_bond.trade_date  )
        ret_bond=(df_bond.close-df_bond.close.shift(-1))/df_bond.close.shift(-1)
        return ret_stock,ret_bond
#计算pe均值，标准差及滚动均值
    def data_fun(self,freq,df):
        df.index=pd.to_datetime(df.trade_date )
        df=df.sort_index()
        df_=pd.DataFrame(df.pe_ttm )
        df_pe_std=df.rolling(window=252).std()[df.index>"20120101"]
        df_pe_std=df_pe_std.pe_ttm
        df_=df_.sort_index()
        df_roll=df_.rolling(window=freq).mean()
        df_pe_mean=df.rolling(window=252).mean()[df.index>"20120101"]
        df_pe_mean=df_pe_mean.pe_ttm
        return df_pe_mean,df_pe_std,df_roll.pe_ttm
mean,std,mean_roll=prepare().data_fun(20,df)
ret_stock,ret_bond=prepare().ret_base()

#class test_fun():
#信号处理
def sig_fun():
    """
    例如：
    滚动pe_ttm的均值mean_roll<pe_ttm的过去252个交易日的历史方差  股债比例：8:2
     
    """
    sig_stock=pd