基于Python的指数基金量化投资——指数基金偏离度计算

基于Python的指数基金量化投资——指数基金偏离度计算 什么是指数偏离度

它是指数涨跌的快慢和偏离幅度指标。

当指数快速上涨，偏离度数据会迅速的向上偏离，当快速下跌时，偏离度数据会迅速的向下偏离。

而持续的上涨中出现下跌，偏离度就会急转直下，另一种持续的下跌中出现上涨，偏离度就会迅速上升。

指数偏离度的计算公式：100% × (当日指数 - N日平均指数) / N日平均指数；

其中N可以取5、10、20、30、60等值，就能反映出多少日的偏离度情况。数值越小反映的结果越趋近于瞬时变化，而数值越大反映的结果趋近于于平均变化。

指数偏离度反映的特征

下面是沪深300指数60日偏离度和10偏离度的情况。

60日偏离度更能反映指数在一段时间区间内的变化，整体性更好，抖动较大，有助于了解指数的长期偏离走势，而10日偏离度更能反映当前指数的瞬时变化，独立性更好，抖动较小，有助于了解指数的短期变化走势。

指数偏离度反映的是趋势的变化，更适用在量化的趋势投资中，也就是右侧投资模式，并不适合左侧投资方式，后续会介绍微笑曲线的投资方式，微笑曲线就是一种左侧投资方式。

在小将看来左侧投资方式的胜率更大也更适合自己，但萝卜青菜各有所爱，大家按自己的投资策略来就行。

源码

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

view_name = 'sh.000300'

# (当日指数或收盘价-N日平均指数或收盘价)/N日平均指数或收盘价×100%

index_info = pd.read_csv('./exportfile/indexDataAll/' + view_name + '.csv')

index_data = index_info['close'].values[1:len(index_info['close']):1]
win_10 = 10
win_30 = 30
win_60 = 60
offset = 60
index_data_deviation_10 = np.zeros([len(index_data),1])
index_data_deviation_30 = np.zeros([len(index_data),1])
index_data_deviation_60 = np.zeros([len(index_data),1])
for i in range(1,len(index_data)-offset,1):
    index_data_deviation_10[i+offset] = (index_data[i+offset] - np.mean(index_data[i+offset-win_10:i+offset])) / np.mean(index_data[i+offset-win_10:i+offset])
    index_data_deviation_30[i+offset] = (index_data[i+offset] - np.mean(index_data[i+offset-win_30:i+offset])) / np.mean(index_data[i+offset-win_30:i+offset])
    index_data_deviation_60[i+offset] = (index_data[i+offset] - np.mean(index_data[i+offset-win_60:i+offset])) / np.mean(index_data[i+offset-win_60:i+offset])

plt_gap = 7
plt.rcParams["axes.grid"] = True
plt.rcParams['font.sans-serif'] = ['Microsoft YaHei']
plt.rcParams['axes.unicode_minus']=False
plt.rcParams["grid.linestyle"] = (3, 5)
fig = plt.figure(1)
ax1 = fig.add_subplot(1,1,1)
ax1.plot(index_data_deviation_10,label='10日偏离度',color='cornflowerblue',linewidth='2',linestyle='-')
ax1.plot(index_data_deviation_60,label='60日偏离度',color='tomato',linewidth='2',linestyle='-')
ax1.set_xlim(offset,len(index_data_deviation_60)+200)
ax1.set_ylim(-0.4,2)
index_ticks = index_info['date'].values[1:len(index_info['date']):1]
index_x = range(len(index_ticks),0,-round(len(index_ticks)/plt_gap))
index_xticks_tmp = index_ticks.tolist()
index_xticks = index_xticks_tmp[len(index_xticks_tmp):0:-round(len(index_ticks)/plt_gap)]
ax1.set_xticks(index_x)
ax1.set_xticklabels(index_xticks)
ax1.tick_params(labelsize=23)
plt.legend(loc='upper left',fontsize=25)

ax2 = ax1.twinx()
ax2.plot(index_data,color='darkgray',label='指数走势',linewidth='3')
ax2.set_xlim(offset,len(index_data)+200)
ax2.set_ylim(0,np.max(index_data)+1000)
ax1.set_xticks(index_x)
ax1.set_xticklabels(index_xticks)
ax2.tick_params(labelsize=23)
plt.legend(loc='upper right',fontsize=25)
plt.title('沪深300偏离度 | 10日偏离度='+str("{:.3f}".format(float(index_data_deviation_10[-1]))) + ' | 60日偏离度='+str("{:.3f}".format(float(index_data_deviation_60[-1]))),size=28)

plt.show()

上述源码中用到的指数沪深300数据或者大家需要用其他数据，可以参看原来的文章《基于Python的指数基金量化投资 - 指数数据获取》。

程序中用到的指数数据如果有问题，大家可以留言获取也可以添加小将前行的微信xjqx_666进行获取，欢迎大家一起交流沟通_

课程参考：基于Python的量化指数基金投资