本文内容

• 股票评级思路（一）
  用百度得到的股票评级六大要素进行股票评分，并用后面的数据对其进行正确性检测。
• 股票评级思路（二）
  在思路一的基础上加入大盘历史的涨跌数据，对评分进行了优化，也进行了正确性检测。

股票评级思路（一）

1、获利能力：(指标权数分：40)
税后盈利率=税后盈利额/股本×100%
2、股价波动性：(指标权数分：40)

XHi被评股票第i月份最高价
XLi被评股票第i月份最低价
3、股票市场性：(指标权数分：15)
股票交易周转率=全年成交量/发行股数×100%
4、营运能力：(指标权数分：15)
股东权益周转率=营业额/股本×100%
5、短期偿债能力：(指标权数分：5)
流动比率=流动资产/流动负债×100%
6、财务结构：
股东权益比率=股东权益/固定资产×100%
参考：https://baike.baidu.com/item/股票评级/4511739?fr=aladdin

提示
tushare 是一个十分实用的财经数据接口包，需要自行下载（pip install tushare）

示例
先导入需要的包

由于沪深300具有很好的代表性，选取沪深300作为研究对象

计算获利能力
从tushare获取所有股票的获利能力

将其与沪深300代码结果集连接，求出沪深300的获利能力

计算股价波动性
计算出沪深300的股价波动幅度

对结果进行转置

计算股票市场性
从tushare中读取股票的流动股本和总股本数据

用流动股本/总股本来 衡量股票市场性
将结果集与沪深300连接，求出沪深300的市场性

计算营运能力
从tushare中读取股票的流动资产周转率，用其衡量营运能力

将结果集与沪深300连接，求出沪深300的营运能力

计算短期偿债能力

从tushare中读取股票的短期偿债能力

求出沪深300的短期偿债能力

计算财务结构

计算出沪深300的财务结构

数据处理

将之前求出的六个指标合并在一起

将非数值型数据转化为0

评分

按照前面介绍的方法计算出股票评分

查看股票分数大概分布

对股票进行分级

分数大于100推荐强力买入（5支）

分数75-100，推荐买入（17支）

分数50-75，推荐观望（61支）

分数25-50，推荐适当卖出（185支）

分数0-25，推荐卖出（33支）

验证评级的准确性

从tushare中读取出2019-11-29股票的涨跌信息

涨跌额分布情况

将结果集与每个分数段的结果集连接起来，看我们的推荐是否与涨跌一致
推荐大力买进的全跌（准确率为0）

推荐买进的涨5，跌12（准确率29.4%）

推荐观望的涨23，跌38（准确率63.3%）

推荐适当卖出的涨85，跌100（准确率54.1%）

推荐卖出的全跌（准确率100%）

分析发现，直接用股票的六个参数对其进行评级，准确性不佳。下面介绍第二种思路。

股票评级思路（二）

在思路一的基础上，引入沪深300股票的之前的涨跌信息，对评分进行优化。

示例

引入2018年9月到2019年9月一年的沪深300的涨跌数据，

对结果集进行转置

将得到的结果集与之前分数结果集合并

将涨跌数据引入后进行重新评分

查看分数分布

分数大于150的推荐大力买入（20支）将每个分数段的股票涨跌信息删掉，方便后面进行准确性分析

分数100-150，推荐买入（25支）

分数50-100推荐观望（76支）

分数0-50推荐减持（110支）

分数<0,推荐卖出（65支）

正确性分析

将之前分出的各个等级股票分别与2019-11-20日股票信息进行合并，看是否与推荐一致。

选取2019.11.20对正确性进行简单析，可以选取多组数据值进行更加深层次的分析

对结果进行转置，并删掉重复行

大力买入全涨，准确率100%

买入全涨，准确率100%

推荐观望涨76，跌0，准确率（0%）

推荐适减的涨69，跌41，准确率（36.4%）

推荐卖出的全跌

总结
可能是用来测试这天的大盘情况好，涨的股票很多。
可以发现，引入历史涨跌数据后，对股票评级准确性有一定的提升，但总体上效果并不理想。若想 准确的对股票评级，则需要加入更多的相关数据对评分进行优化。

最后

可以关注一下我的公众号，最近开始写公众号，我会在上面分享一些资源和发布一些csdn上发布不了的干货

点个关注是对博主最大的支持