Python量化行业温度计自动生成，跟踪市场温度

　　每个投资者都知道，投资不能盲目投资瞎投资，不知道市场状态，市场当前所处的历史位置，不知道现在的市场情绪，长期以往是很难获得投资成功的，因此我们就要不断的研究，去认识市场，去感知市场，与市场同步，这样可能长期下去，或许可能让投资清楚明白。
　　那么作为一个量化投资者来说，我们该如何了解市场的位置和状态呢。YU股思基开发了一个行业市场温度计，以此来跟踪市场所处的历史水平和位置，每个人关注的因子都不太一样，这里仅仅是YU股思基的一个方法，这里风分享给大家。
　　Python量化实现行业温度计自动生成
　　行业温度计实现主要逻辑：
　　1.获取31个申万一级行业的估值数据市盈率PE市净率PB计算任意历史区间的估值数据水位（可设置）YU股思基使用的是滚动近五年的数据
　　2.根据市盈率和10年期国债收益率计算行业ERP因子和因子所处水位依然是近五年的水位
　　3.获取每日行业的涨跌幅和今年以来的涨跌幅关注行业的当前行情
　　4.按照三个因子PE、PB、ERP三个因子的水位分配权重30%、30%、40%,得到31个行业综合温度计水平和位置
　　Python量化实现代码：
　　1.导入相关模块和库设置金融数据接口 import pandas as pd import tushare as ts import akshare as ak import time import datetime from dateutil.relativedelta import relativedelta import warnings warnings.filterwarnings(＂ignore＂) #忽略弃用模块警告   #tushare接口授权 token = ＂你的接口＂ pro = ts.pro_api(token=token) ts.set_token(token=token) #使用复权行情必须设置接口token
　　2.定义一个类功能是：计算某个时间的固定窗口期的前一个时间,时间间隔可以是年月日  ＂＂＂ 定义一个类，功能是：计算某个时间的固定窗口期的前一个时间,时间间隔可以是年、月、日 ＂＂＂   class Cal_Last_Date():     #类的初始化     def __init__(self,date,delta_num): #这个是类的特殊方法，在的类的实例化时即被调用         self.date = date         self.delta_num = delta_num       #以年为间隔     def datedelta_by_year(self):         end_date = pd.to_datetime(self.date) #用pandas把字符串时间转换为日期格式         start_date = (end_date + relativedelta(years = self.delta_num)).strftime(＂%Y%m%d＂)         # print(start_date)         return start_date       # 以月为间隔     def datedelta_by_month(self):         end_date = pd.to_datetime(self.date)  # 用pandas把字符串时间转换为日期格式         start_date = (end_date + relativedelta(months = self.delta_num)).strftime(＂%Y%m%d＂)         # print(start_date)         return start_date       # 以天为间隔     def datedelta_by_day(self):         end_date = pd.to_datetime(self.date)  # 用pandas把字符串时间转换为日期格式         start_date = (end_date + relativedelta(days = self.delta_num)).strftime(＂%Y%m%d＂)         # print(start_date)         return start_date
　　3.定义一个计算一组数据分为数的函数和方法  ＂＂＂ 计算每个数在一组数据中的分位值 ＂＂＂   def cal_percentile(data_list):     num_percentile_list = []     sort_data_list = sorted(data_list)     # print(sort_data_list)     for num in data_list:         num_index = sort_data_list.index(num)         # print(num_index)         num_percentile = round(((num_index + 1)/len(sort_data_list))*100,2) #百分位值         # print(num_percentile)         num_percentile_list.append(num_percentile)     return num_percentile_list
　　4.定义一个获取申万31个一级行业的历史行情的方法  ＂＂＂ 行业表现：申万一级行业，历史行情 ＂＂＂   def get_industry_themometer_info(date):     #获取最终字段     columns = [＂交易日期＂,＂行业名称＂,＂收盘价＂,＂涨跌幅(%)＂,＂PE＂,＂PE_温度＂,＂PB＂,＂PB_温度＂,＂ERP＂,＂ERP_温度＂,＂今年以来收益(%)＂,＂行业综合温度＂]     df = pd.DataFrame(columns=columns)     # 10年期国债收益率     bond_zh_us_rate_df = ak.bond_zh_us_rate()     df_bond_10 = bond_zh_us_rate_df[[＂日期＂, ＂中国国债收益率10年＂]]     df_bond_10.columns = [＂trade_date＂, ＂Bond10Year＂]     df_bond_10[＂trade_date＂] = df_bond_10[＂trade_date＂].astype(str)     df_bond_10[＂trade_date＂] = df_bond_10[＂trade_date＂].str.replace(＂-＂, ＂＂)     #申万31个一级行业代码     sw_industry_code_list = [＂801120.SI＂,＂801980.SI＂,＂801200.SI＂,＂801770.SI＂,＂801760.SI＂,＂801750.SI＂,＂801730.SI＂,＂801140.SI＂,＂801050.SI＂,                              ＂801010.SI＂,＂801130.SI＂,＂801110.SI＂,＂801030.SI＂,＂801080.SI＂,＂801230.SI＂,＂801740.SI＂,＂801790.SI＂,＂801960.SI＂,                              ＂801880.SI＂,＂801710.SI＂,＂801040.SI＂,＂801150.SI＂,＂801210.SI＂,＂801890.SI＂,＂801170.SI＂,＂801970.SI＂,＂801160.SI＂,                              ＂801780.SI＂,＂801720.SI＂,＂801180.SI＂,＂801950.SI＂]     #设置计算时长     cal_date = Cal_Last_Date(date=date, delta_num=-5)     last_5years_date = cal_date.datedelta_by_year()     for code in sw_industry_code_list:         columns_for = [＂交易日期＂,＂行业名称＂,＂收盘价＂,＂涨跌幅(%)＂,＂PE＂,＂PE_温度＂,＂PB＂,＂PB_温度＂,＂ERP＂,＂ERP_温度＂,＂行业综合温度＂]         df_for = pd.DataFrame(columns=columns_for)         #获取当日行情和年初第一天行情，计算今年以来收益率         df_sw_industry = pro.sw_daily(ts_code=code, start_date=date, end_date=date)         start_date_2022 = ＂20220104＂         df_sw_industry_start_date_2022 = pro.sw_daily(ts_code=code, start_date=start_date_2022, end_date=start_date_2022)         # print(df_sw_industry_start_date_2022)         pct_change_2022 = round(((df_sw_industry[＂close＂][0]-df_sw_industry_start_date_2022[＂close＂][0])/df_sw_industry_start_date_2022[＂close＂][0])*100,2)         # print(pct_change_2022)         # 计算各指标近5年的分位数温度，PE,PB，ERP         #获取五年前的时间,并获取分位数据         df_sw_industry_5years = pro.sw_daily(ts_code=code, start_date=last_5years_date, end_date=date)         pe_list = df_sw_industry_5years[＂pe＂].tolist()         pb_list = df_sw_industry_5years[＂pb＂].tolist()         pe_percentile_list = cal_percentile(pe_list)         pb_percentile_list = cal_percentile(pb_list)         df_sw_industry_5years[＂pe_percentile＂] = pe_percentile_list         df_sw_industry_5years[＂pb_percentile＂] = pb_percentile_list         #计算ERP         df_sw_industry_5years_ERP = df_sw_industry_5years.merge(df_bond_10,how=＂left＂,on=＂trade_date＂)         df_sw_industry_5years_ERP[＂ERP＂] = round(((1/df_sw_industry_5years_ERP[＂pe＂])*100-df_sw_industry_5years_ERP[＂Bond10Year＂]),2)         ERP_list = df_sw_industry_5years_ERP[＂ERP＂].tolist()         ERP_percent_list = cal_percentile(ERP_list)         df_sw_industry_5years_ERP[＂ERP_percentile＂] = ERP_percent_list         df_sw_industry_5years_ERP[＂Thermometer＂] = round(df_sw_industry_5years_ERP[＂pe_percentile＂]*0.3 + df_sw_industry_5years_ERP[＂pb_percentile＂]*0.3 + df_sw_industry_5years_ERP[＂ERP_percentile＂]*0.4,2) #按照各指标赋予权重         df_sw_industry_5years_ERP = df_sw_industry_5years_ERP[[＂trade_date＂,＂name＂,＂close＂,＂pct_change＂,                                                                ＂pe＂,＂pe_percentile＂,＂pb＂,＂pb_percentile＂,＂ERP＂,＂ERP_percentile＂,＂Thermometer＂]]         #数据处理结果         df_result = df_sw_industry_5years_ERP         df_result.columns = columns_for         # df_result[＂今年以来收益＂] = pct_change_2022         df_for.loc[len(df_for)] = df_result.loc[0].values         df_for[＂今年以来收益(%)＂] = [pct_change_2022]         #对结果数据字段重新排序         df_for = df_for[[＂交易日期＂,＂行业名称＂,＂收盘价＂,＂涨跌幅(%)＂,＂PE＂,＂PE_温度＂,＂PB＂,＂PB_温度＂,＂ERP＂,＂ERP_温度＂,＂今年以来收益(%)＂,＂行业综合温度＂]]         df.loc[len(df)] = df_for.loc[0].values     # print(df)     return df
　　5.定义量化的主逻辑代码  if __name__ == ＂__main__＂:     # 记录程序执行时间     start_time = time.time()     print(＂行业市场综合温度计开始执行.....＂)       #保存最终结果数据     ExcelWriter = pd.ExcelWriter(＂Industry_Thermometer.xlsx＂)     # 获取当天日期     today_date = datetime.datetime.now().strftime(＂%Y%m%d＂)     # 交易日     Last_trade_date = get_last_trade_date(date=today_date)       current_time = time.time()     print(＂程序已执行：＂ + str(round(current_time - start_time, 2)) + ＂s＂)       df = get_industry_themometer_info(date=Last_trade_date)     df.sort_values(by=＂涨跌幅(%)＂,inplace=True,ascending=False) #按涨跌幅降序排列     df[＂序号＂] = [x for x in range(1,len(df) +1)] #     df = df[[＂序号＂,＂交易日期＂,＂行业名称＂,＂收盘价＂,＂涨跌幅(%)＂,＂PE＂,＂PE_温度＂,＂PB＂,＂PB_温度＂,＂ERP＂,＂ERP_温度＂,＂今年以来收益(%)＂,＂行业综合温度＂]]       current_time = time.time()     print(＂程序已执行：＂ + str(round(current_time - start_time, 2)) + ＂s＂)       df.to_excel(excel_writer=ExcelWriter,sheet_name=＂温度计＂,index=False,startrow=1)     ExcelWriter.close()       current_time = time.time()     print(＂程序已执行：＂ + str(round(current_time - start_time, 2)) + ＂s＂)       print(＂当日温度计数据已生成，请查看....＂)
　　(想要获取完整代码关注YU股思基，私信获取）
　　Python量化实现结果如下：
　　通过结果大家可以每日跟踪市场各行业和行情，并清楚的看出行业的位置对做好行业轮动具有很好的参考意义。
　　但是大家要注意的是，没有任何一个方法跟踪市场是完全正确的，只能是对我们的认知起到很好的辅助作用。
　　坚持理性研究，量化投资，做有价值的事情，做正确的事情，坚定信心，静待开花结果。
　　免责声明：投资有风险，投资需谨慎！本文仅为根据市场公开资料及个人理解研究分析，不作为投资依据，文中涉及到的标的仅作为举例，不构成投资建议，所提到的观点仅代表个人的意见，所涉及标的不作推荐，风险自负。
　　坚持不易，点赞、关注、分享三连击！