指数历史估值源码分享，寻找最佳底部机会！-CSDN博客

版权归@小一的学习笔记所有，未经许可，禁止各种形式的转载。若想转载，请在原文链接中私聊我本人，谢谢合作！

本文链接：https://blog.csdn.net/wzg199538/article/details/127761999

本文通过具体案例演示了如何利用Python计算指数的市盈率(PE)和市净率(PB)，并进一步计算历史百分位，以此判断指数的低估或高估状态。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

大家好，我是小一

震惊了，兄弟们

上一篇文章我不是发起了一个投票嘛，结果今天去看的时候，结果震惊到我了。先上图

下面那2票，有1票是我投的

既然大家这么热情，那我也不能拖后腿，加班出了这篇源码复现的文章。

另外，在指数估值的时候各大平台的算法都不一样，这个不知道大家是否感兴趣

如果感兴趣的人比较多，后面我也整理一下把相应的伪代码分享出来👇

下面开始今天的主要内容

先来看下昨天文章提到的几个概念，也是指数估值需要用到的一些核心点：

市盈率(PE)：指数市盈率衡量了指数价格与收益的关系，一般来说，市盈率越低，指数越容易被低估，未来的成长性越高。
市净率(PB)：指数市净率衡量了指数价格与净资产的关系，一般来说，市净率越低，投资价值越高。
PE(PB)百分位：判断当前的PE(PB)是否处于低位，可以用估值历史百分位，来分析指数估值在历史数据中所处的百分位。一般来说，百分位数值越小，指数的估值越低。

所以，计算指数估值最主要的问题就是能够获取到指数的历史PE/PB数据，然后计算出当前数值在历史中所处的百分位。

最后，根据相关估值算法确定当前的低估/高估状态，并在低估时买入，高估时卖出

下面就来看一下我是怎么计算的，以及相关源码

计算思路及源码

获取源码文件请直接在后台回复 估值计算

今天的代码👉科技含量比较高，所以仅限前20位读者免费领取，先到先得吧。

对了，今天的源码是在聚宽平台上运行的，因为聚宽的在线环境挺好用的，所以我就没有在本地测试。

建议大家认真考虑一下，别浪费名额。要是代码给你了，因为你在本地运行而导致出错的，我也没有太多的时间专门去一个个教，反而有些浪费

另外，源代码是我在公开的代码和官方API的基础做了个人的修改和优化，也算是站在巨人的肩膀上才有的。

下面开始具体的步骤演示

>1、导入相应的包

# 导入相应的包
from jqdata import *
import time
import datetime
import pandas as pd
from six import BytesIO

>2、获取PE/PB数据

get_valuation方法是官方给的一个接口，可以获取多个标的在指定交易日范围内的市值表数据

其中，市值表字段比较多，就包括我们需要的：总市值、市盈率、市净率等

对应的计算PE、PB数据的核心代码如下：

# 计算PE、PB
stocks = get_index_stocks(index_code, date)
df_PE_PB = get_valuation(stocks, start_date=date, end_date=date, fields=['pe_ratio','pb_ratio', 'market_cap'])
df_PE_PB['pe_value'] = df_PE_PB['market_cap']/df_PE_PB['pe_ratio']
df_PE_PB['pb_value'] = df_PE_PB['market_cap']/df_PE_PB['pb_ratio']

pe_value = df_PE_PB.market_cap.sum()/df_PE_PB.pe_value.sum()
pb_value = df_PE_PB.market_cap.sum()/df_PE_PB.pb_value.sum()

>3、计算百分位

在计算出PE和PB的历史数值之后，就可以进一步的算出近5年的历史百分位、近10年的历史百分位，以及全部百分位。

一般10年都会有一个完整的牛熊轮回，所以大多数平台这里都会取近10年的历史百分位

计算历史百分位的核心代码如下：

# 计算历史百分位
df_PE_PB2[tag+'_历史最大'] = df_PE_PB2[tag].max()
df_PE_PB2[tag+'_历史最小'] = df_PE_PB2[tag].min()
df_PE_PB2[tag+'_5年估值%'] = df_PE_PB2[tag].rolling(5*244).apply(lambda x: H_V_H(x), raw=True)
df_PE_PB2[tag+'_10年估值%'] = df_PE_PB2[tag].rolling(10*244).apply(lambda x: H_V_H(x), raw=True)
# 历史估值
df_PE_PB2[tag+'估值'] = df_PE_PB2[tag+'_10年估值%'].apply(lambda x: get_valuation_status(x))