pe估值 python_估值水平度量——市盈率PE统计分析（基于Python的具体操作）

市场又火了，小伙伴们又涌入了，估值水平了解一下？

市盈率PE

估值水平的代理指标之一：市盈率PE，其实是P/E，也就是每股价格 ÷ 每股收益，上下一约分，就是市值÷净利润（忽略特殊因素）。

各种市盈率

静态市盈率：当前总市值 ÷ 去年一年的总净利润。

动态市盈率：当前总市值 ÷ 预估今年全年总净利润

滚动市盈率（PE TTM）：当前总市值 ÷ 前面四个季度的总净利润。

注：TTM是Trailing Twelve Months，也就是滚动12个月。

基于Python的PE统计分析

一、数据来源

Wind，具体接入方法可以参考以下链接。

Jason：在Python中接入Wind数据zhuanlan.zhihu.com

二、数据分析

1、载入数据

过去10年不同行业（如：选用申万一级行业）的日频 PE TTM数据

import time,datetime
import pandas as pd
import numpy as np

import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False 
plt.rcParams['figure.dpi'] = 120

import locale
locale.setlocale(locale.LC_CTYPE,'chinese')

from WindPy import w
w.start()

DATE = input("请输入交易日（YYYYMMDD）【如查询今日可直接回车】：")
if DATE == "":
    DATE = time.strftime('%Y%m%d')
else:
    DATE = DATE

time_strct = time.strptime(DATE,'%Y%m%d')
Date_text  = time.strftime('%Y年%m月%d日',time_strct) + '，'
year, month, day = time_strct[:3]
DATE_datetime = datetime.date(year, month, day)

sector_SW = w.wset("sectorconstituent","date=" + DATE + ";sectorid=a39901011g000000")
df_sector_SW = pd.DataFrame(sector_SW.Data,index = sector_SW.Fields, columns = sector_SW.Codes).T[['wind_code','sec_name']].set_index('wind_code')

PE_TTM = w.wsd(df_sector_SW.index.tolist(), "pe_ttm", "ED-10Y", DATE, "")
df_PE_TTM = pd.DataFrame(PE_TTM.Data,index=PE_TTM.Codes, columns=PE_TTM.Times).T
df_PE_TTM.columns = df_sector_SW.sec_name.apply(lambda x: x.replace('(申万)',''))

df_PE_TTM.plot(figsize = (15,8),cmap = 'tab20c')
plt.legend(bbox_to_anchor=(1, 1))
plt.title('估值水平 PE')
plt.grid()

你会得到所有行业过去10年的PE曲线：

虽然能看到趋势，但是比较乱不易阅读。

所以，我们需要分行业来看。

2、分行业展示

我们先把所有行业列一下：

df_sector = pd.DataFrame(df_PE_TTM.columns)
df_sector

一共28个一级行业

我们通过以下代码选择行业，并单独展示，此处我们选择展示趋势图和频率图：

SECTOR = input("请输入行业对应的序号：【一个以上的行业请用空格分开】")
SECTOR_LIST = [int(x) for x in SECTOR.split(' ')]
sector = df_sector.iloc[SECTOR_LIST]
sector_list = sector.sec_name.tolist()
print ('您输入的行业是：' + sector)

fig, axes = plt.subplots(nrows=2*len(sector_list),figsize = (15,15*len(sector_list)))
for i,j in enumerate(sector_list):
    df_PE_TTM[[j]].plot(ax=axes[2*i],title = 'PE');
    axes[2*i].plot(df_PE_TTM[j].index, [df_PE_TTM[j][-1]] * len(df_PE_TTM[j].index))
    df_PE_TTM[[j]].plot.hist(ax=axes[2*i+1],alpha=0.5,bins = 100)
    axes[2*i+1].plot([df_PE_TTM[j][-1]]*len(range(0,100)),range(0,100))

比如我们看一下非银金融和医药生物：（蓝色的线是历史数据，黄色的线是当前水平）

我们可以看到，非银金融的当前估值水平在历史中相对较低，而生物医药的估值水平已经到达了相当高的水平。

3、各行业估值分位数排序

我们给各行业的估值分位数排个序：

PE_quantile_sum = pd.DataFrame()
for i in df_PE_TTM.columns:
    df_PE_quantile = df_PE_TTM[[i]].sort_values(i)
    df_PE_quantile['rank'] = range(0,len(df_PE_quantile))
    PE_quantile = df_PE_quantile[df_PE_quantile.index == DATE_datetime]['rank'][0] / len(df_PE_quantile)
    PE_last = df_PE_quantile[df_PE_quantile.index == DATE_datetime][i][0]
    PE_quantile_sum.loc[i,'分位数'] = PE_quantile
    PE_quantile_sum.loc[i,'PE'] = PE_last

PE_quantile_sum.sort_values('分位数',ascending=True,inplace=True)

PE_quantile_sum['分位数'] = PE_quantile_sum['分位数'].apply(lambda x: '{:.2%}'.format (x))
PE_quantile_sum['PE'] = PE_quantile_sum['PE'].apply(lambda x: '{:.2f}'.format (x))

PE_quantile_sum.columns = ['分位数','PE-'+DATE]
PE_quantile_sum

这样我们就可以清楚地看到，哪些行业与历史数据相比处于相对高估值的状态，哪些相对较低。

三、分析结论与提示

1、通常地，估值水平有均值回复（Mean-Reverting）特性。因此，投资估值相对较低的行业，通常更安全，或者说胜率更大；

2、警惕高估值股票的下跌风险；

3、均值回复可能需要相当长的时间；

4、如果某行业确实具有高增长特性，则估值水平会突破前高，反之亦然。

以上方法也可以推广到个股。

Enjoy！

Jason

以上不构成投资建议。

版权声明：本文来源CSDN，感谢博主原创文章，遵循 CC 4.0 by-sa 版权协议，转载请附上原文出处链接和本声明。
原文链接：https://blog.csdn.net/weixin_32446485/article/details/112146430
站方申明：本站部分内容来自社区用户分享，若涉及侵权，请联系站方删除。

发表于 2021-05-16 12:18:00
阅读 ( 367 )
分类：