Python量化实战（一）：银行板块低估值选股策略

本项目的核心思路：根据pe ratio对股票进行分组，分组之后等权重投资低估值的股票，再平衡日为每月最后一天。

1 获取并处理数据

注：本项目使用的全部数据来自Tushare社区（id=570231）：Tushare社区

1.1 获取数据

1.首先，我们安装一下Tushare库

pip install tushare

2.调用API之前，进行必要的初始化设置

import tushare as ts  # 导入Tushare
my_token = '你的Token'
pro = ts.pro_api(my_token)

3.获取A股所有股票的基本信息，包括：股票代码、股票名称、所在地、行业等最基本的信息

all_stock_basic_infos = pro.query('stock_basic', exchange='', list_status='L', fields='ts_code, symbol, name, area, industry, list_date')
all_stock_basic_infos  # 查看一下刚刚获取到的数据

4.获取银行股票的基本信息

bank_stock_basic_infos = all_stock_basic_infos[all_stock_basic_infos['industry'] == '银行']
bank_stock_basic_infos

拿到的数据长这样：

5.接下来，我们获取所有银行股票的日线行情数据
（1）先拿到所有银行股票代码的一个list

all_bank_stock_code = bank_stock_basic_infos['ts_code'].tolist()
print(all_bank_stock_code)

拿到的list输出如下所示：

（2）然后我们定义一个函数，随后使用for循环遍历all_bank_stock_code，获取到全部银行股的日线数据

bank_stock_daily = pd.DataFrame()    # 创建一个空的DataFrame，用于保存最后获得的银行股行情数据

# 定义一个函数，用于获取个股行情
def get_stock_daily(stock_code):
    """
    获取个股日线行情数据
    :param stock_code: 传入一个股票代码
    :return: 以DataFrame形式返回股票日线行情数据
    """
    df1 = pro.daily(ts_code=stock_code)
    if len(df1) == 6000:    # 每次最多获取6000条数据
        time.sleep(1.6)
        df2 = pro.daily(ts_code=stock_code, end_date=df1[