前面介绍过针对每一个单独的指数，可以通过市盈率和市净率的计算获得指数的估值百分位，从而进行相应的投资（《基于Python的指数基金量化投资 - 通过市盈率和市净率对指数估值》）。
这里介绍一个可以把所有指数估值信息进行汇总的方式：指数估值榜，这样可以直观的看出所有指数的估值点位，从整体上来进行选择，而不是一个指数一个指数的筛选，更加高效和便捷。
图中标示出了大部分目前的主流指数，纵坐标的单位是0%到100%，然后通过不同的背景颜色对估值高低进行区分，从上到下分为7个颜色区间，从红色过度绿色分别对应严重高估、高估、正常偏高、正常、正常偏低、低估和严重低估，这个区间是按照前面介绍的估值区间划分的（《基于Python的指数基金量化投资 - 通过市盈率和市净率对指数估值》），如下所示。
分别计算出每个指数的估值百分位，然后放到对应的区间，就能获得估值榜的数据。
例如沪深300算出来的估值百分位是75%，然后就把它放在60%-80%正常偏高这个区间内找到75%的位置画一个白点进行标识，而中证500算出来的估值百分位是23%，则在20%-40%正常偏低区间内找到23%的位置画一个白点进行标识，依次找出所有指数的估值点位后画出即可。
下面是具体的代码实现过程。
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import datetime
index_name_csv = ['g_hs300.csv', #沪深300 - 0
'g_zz500.csv', #中证500 - 1
'g_zz100.csv', #中证100 - 2
'g_shz50.csv', #上证50 - 3
'g_hsyy300.csv', #沪深医药300 - 4
'g_zzyh.csv', #中证银行 -5
'g_zzxf.csv', #中证消费 -6
'g_zzbj.csv', #中证白酒 -7
'g_db500.csv', # 500低波动-8
'g_jz300.csv', # 300价值 -9
'g_yy100.csv', #医药100 -10
'g_zzyyao.csv', #中证医药 -11
'g_jbm50.csv', #基本面50 -12
'g_shzhl.csv', #上证红利 -13
'g_zzhl.csv', #中证红利 -14
'g_zzjg.csv', #中证军工 -15
'g_spyl.csv', #食品饮料 -16
'g_zqgs.csv', #证券公司 -17
'g_ylcy.csv', #养老产业 -18
'g_szhl.csv', #深证红利 -19
'g_zzhb.csv', #中证环保 -20
'g_cyb.csv', #创业板 -21
'g_hszs.csv', #恒生指数 -22
'g_hsgqzs.csv', #恒生国企指数 -23
'g_zghl50.csv', #中国互联50 -24
'g_xgdp.csv', #香港大盘 -25
'g_xgzx.csv'] #香港中小 -26
# 指数估值数据
index_info =np.zeros([len(index_name_csv),1])
for i in range(len(index_name_csv)):
index_data = pd.read_csv('./importfile/indexSeries/indexValuation/g/' +index_name_csv[i])
if index_name_csv[i] == 'g_zzyh.csv' or index_name_csv[i] =='g_zqgs.csv':
data_calc = index_data['pb']
else:
data_calc = index_data['pe']
xx = np.where(data_calc < data_calc.values[-1])
data_percentage = len(xx[0]) / data_calc.shape[0]
index_info[i] = data_percentage
# 指数估值百分位计算
plt.figure(1)
plt.rcParams['font.sans-serif'] =['Microsoft YaHei']
plt.plot(index_info, '--ow', ms=12,linewidth=2)
plt.axhspan(0, 0.1, facecolor='#4D8070')
plt.axhspan(0.1, 0.2, facecolor='#21DB85')
plt.axhspan(0.2, 0.4, facecolor='#B0D91C')
plt.axhspan(0.4, 0.6, facecolor='#E3BD00')
plt.axhspan(0.6, 0.8, facecolor='#FF9421')
plt.axhspan(0.8, 0.9, facecolor='#F56600')
plt.axhspan(0.9, 1.4, facecolor='#B22222')
plt.xlim(-1, len(index_info))
plt.ylim(-0.15, 1.4)
scale_y = 0.07
offset_x = 0.25
offset_y = 0.062
offset_x_num = 0.1
offset_x_alpha = 0.15
font_size = 22
# 估值区间绘制（背景）
index_name = ['沪深300',
'中证500',
'中证100',
'上证50',
'沪深医药300',
'中证银行',
'中证消费',
'中证白酒',
'500低波动',
'300价值',
'医药100',
'中证医药',
'基本面50',
'上证红利',
'中证红利',
'中证军工',
'食品饮料',
'证券公司',
'养老产业',
'深证红利',
'中证环保',
'创业板',
'恒生指数',
'H股指数',
'中国互联50',
'香港大盘',
'香港中小']
font = {'size': font_size, 'color': 'w','weight': 'black'}
for i in range(len(index_name)):
index_name_word = index_name[i]
for j in range(len(index_name_word)):
if index_name_word[j].isdigit():
plt.text(i - offset_x + offset_x_num, index_info[i] - j * scale_y +len(index_name_word) * offset_y,
index_name_word[j],fontdict=font)
else:
plt.text(i - offset_x, index_info[i] - j * scale_y +len(index_name_word) * offset_y, index_name_word[j],
fontdict=font)
# 根据每个指数的估值百分位画出具体的位置
time_end = '2021/04/09'
plt.figure(1)
plt.plot([-1,len(index_info)],[-0.025,-0.025],color='#CCCCCC',linewidth=2,linestyle='--')
shift_x = 4.23
text_base_x = -0.8
text_base_shift_x = 0.55
plt.gca().add_patch(plt.Rectangle((-1+0*shift_x,-0.15),2.6,0.1,color='#4D8070'))
plt.text(text_base_x+0*shift_x,-0.123,'严重低估',fontdict=font)
plt.gca().add_patch(plt.Rectangle((-1+1*shift_x,-0.15),2.6,0.1,color='#21DB85'))
plt.text(text_base_x+text_base_shift_x+1*shift_x,-0.123,'低估',fontdict=font)
plt.gca().add_patch(plt.Rectangle((-1+2*shift_x,-0.15),2.6,0.1,color='#B0D91C'))
plt.text(text_base_x+2*shift_x,-0.123,'正常偏低',fontdict=font)
plt.gca().add_patch(plt.Rectangle((-1+3*shift_x,-0.15),2.6,0.1,color='#E3BD00'))
plt.text(text_base_x+text_base_shift_x+3*shift_x,-0.123,'正常',fontdict=font)
plt.gca().add_patch(plt.Rectangle((-1+4*shift_x,-0.15),2.6,0.1,color='#FF9421'))
plt.text(text_base_x+4*shift_x,-0.123,'正常偏高',fontdict=font)
plt.gca().add_patch(plt.Rectangle((-1+5*shift_x,-0.15),2.6,0.1,color='#F56600'))
plt.text(text_base_x+text_base_shift_x+5*shift_x,-0.123,'高估',fontdict=font)
plt.gca().add_patch(plt.Rectangle((-1+6*shift_x,-0.15),2.6,0.1,color='#B22222'))
plt.text(text_base_x+6*shift_x,-0.123,'严重高估',fontdict=font)
plt.title(time_end,size=15)
# plt.gca().add_patch(plt.Rectangle((-1,-0.15), 2.6, 0.1, color='#4D8070'))
# plt.text(-0.7, -0.123, '严重低估', fontdict=font)
plt.axis('off')
plt.show()
# 最后画图
如需代码里面用到的指数估值数据或者有疑问，大家可以留言，欢迎拍砖^_^
课程参考：网易云课堂 基于Python的量化指数基金投资
