“日本股市的泡沫越来越大了！”6月5日，日经225指数收盘涨2.2%，报32217.43点，再创1990年以来新高。33年难得一见，不少股民开始调侃，“全都是泡沫！”
今年以来，日本股市一路走牛，截至目前日经指数年内涨幅近24%。这一波涨幅也让投资了日经指数基金的投资者获益。Wind数据显示，截至6月2日，华夏、易方达、工银瑞信和华安三只跟踪日经指数的ETF涨幅均超过17%。上涨改变信仰，投资者火速“用脚投票”，4只基金份额水涨船高，二季度以来规模平均翻了2-3倍。
对于日本股市的上涨，华安基金分析，日本市场则受益于宽松的货币政策和日本政府积极引导企业提升中长期价值，日本企业的ROE和估值有望持续提升和改善，也值得投资者重视。此前股神巴菲特抄底了日本五大商社，对低估值、高股息上市企业的价值再发现，国内投资火热的“中特估”也被引申到日本股市中调侃这一波“日特估”概念。
对于，日股是否要担心“泡沫”的问题，华安基金也指出，未来海外市场需要密切关注的风险包括美国下半年的经济衰退加剧、美国银行业的流动性危机扩散、核心通胀的回落大幅不及预期等等或有的不利因素所带来的冲击和扰动。
曾经一度被大家贴上“通缩经济代表”标签的日本，今年频频成为资本的新宠。代表日本股市的日经指数年内涨幅达到了24%，更是创下自1990年以来33年新高。在这一涨幅之下，此前国内略显小众的日经指数ETF基金也进入投资者的视野。
Wind数据显示，当前国内共有工银大和日经225ETF、易方达日兴资管日经225ETF、华夏野村日经225ETF和华安三菱日联日经225ETF等4只跟踪日经指数的公募基金，截至6月2日，上述4只基金今年以来总回报均接近20%，分别为17.54%、18.61%、18.1%和17.73%。粗略计算，4只基金涨幅已经超过全市场九成以上的ETF表现。
涨得好，投资者自然买单。从基金规模来看，日经指数相关ETF在二季度获得投资者的追捧。截至目前，工银大和日经225ETF、易方达日兴资管日经225ETF、华夏野村日经225ETF和华安三菱日联日经225ETF规模分别为2.2亿元、1.8亿元、2.4亿元和1.4亿元，对比今年一季度末这4只基金平均在6000万到8000万之间，两个月期间4只基金规模已经翻了2-3倍。
对于日股的投资机会，工银瑞信方面表示，日本股市与A股具有较好的互补性。MSCI中国A股(人民币)与MSCI日本的相关性为0.2456，因此，对于A股投资者而言，在资产池中纳入日本股市是一个比较好的分散风险、资产组合多元化的选择。
其次，作为市值排名全球第三的发达经济体市场，日本股市具有高流动性、科技和公司治理领先、投资保护和监管制度优越等特点，叠加高素质劳动力、对技术创新和研发的投入，以及相对于其他发达经济体更为宽松的货币政策等，具有长期投资价值。
此前基金公司曾发溢价风险提示
受日本股市的大涨，国内跟踪日经255指数的两只ETF还曾因行情波动发布了交易价格溢价风险提示。
5月19日，华夏基金公告称，旗下华夏野村日经225ETF的二级市场交易价格出现了较大幅度溢价。2023年5月19日，该基金在二级市场的收盘价为1.396元，相对于当日的基金份额参考净值溢价幅度达到17.31%。特此提示投资者关注二级市场交易价格溢价风险，投资者如果盲目投资，可能遭受重大损失。此外，易方达基金也发出交易价格溢价的风险提示。
对此，有分析人士指出，ETF在二级市场交易价格大幅超过基金份额参考净值就产生溢价，如果投资者在二级市场以较高价格买入则非常容易发生亏损。
以其中一只基金来看，如果投资者在5月19日追高，该基金接下来两个交易日中分别几近跌停，截至目前，即便是在日经指数走高，追高的投资者依然被套亏损。原因在于投资者可以像买股票一样在二级市场买卖ETF，但是ETF的价格并不是独立的，最终要通过基金净值确认，这就会引发交易价格的溢价，从净值显示上也呈现出过山车行情。
在这种情况下，基金公司会发布风险提示，而对于投资者来讲，还可以通过联接基金等场外参与投资，避免追高损失。
巴菲特也抄底，国际资本流向日本
日股进入投资者的视野，品牌效应来自巴菲特。
今年4月12日，巴菲特在东京接受CNBC采访，对日本五大商社赞赏有加，称其为优秀企业，同时表示将继续投资日本，并寻找更多优质资产。
公开资料显示，伯克希尔哈撒韦公司自2020年起就开始买入日本五大商社股票（伊藤忠、丸红、三菱、三井物产和住友），截至今年5月股东大会前，巴菲特持有五大商社股票分别超过了6%股份。
在今年5月，巴菲特在股东大会上更是进一步阐释了对日本股市“低融资成本+低估值+稳定高现金回报=获取丰厚套利空间”的投资逻辑。
日本股市也吸引了不少外资的流入，东京证券交易所公布了的5月第4周各投资板块交易动向显示，海外投资者当周的现货净买入额进一步达到了3816亿日元。统计显示，这是海外投资者6年来首次出现连续九周净买入日股。
里昂证券等机构也预计，由于盈利增长、股票回购和依然较低的估值继续吸引买家，日本股市今年还能再涨10%乃至更多。
本文源自财联社
Pyecharts简介
Echarts 是百度基于JavaScript 开源的可视化图表库，而 Pyecharts 相当于是 Python+echarts，即使用 Python 语言调用 echarts 的开源库，可以制作非常精美的图表。实际上 Python 可视化库有很多，包括 Matplotlib、Seaborn、Bokeh 、Pygal、 Plotly 和 Pyecharts等等。其中 Matplotlib 是大家入门数据分析的最基本可视化工具；Seaborn 实际上是 matplotlib 的一个封装，提供了很多统计分析的基本图表；Bokeh、Pygal、Plotly 和 Pyecharts 等功能相似，可以输出非常精美的可视化图表，尤其是 Plotly 和 Pyecharts ，均支持动态可交互效果，但代码相对复杂。这些可视化库基本上都支持主流 Notebook 环境，Jupyter Notebook 和 JupyterLab，可以轻松集成至 Flask，Django 等主流 Web 框架。关于高级可视化库之间的优劣对比在此不做深入探究，读者可根据个人需要和编程习惯选择相应的库进行学习，本文将重点介绍 Pyecharts 及其在金融量化上的应用，代码均在Jupyter notebook上运行。关于Pyechart更详细完整的介绍可以参见其官网：Pyecharts。
01 版本与安装
Pyecharts 分为 v0.5.X（旧版） 和 v1 （新版）两个版本，两个不兼容，v1 是一个全新的版本。直接使用pip安装可获取最新版本：pip install pyecharts，如需使用旧版本，需要指定安装版本号，如：pip install pyecharts=0.5.11。本文使用的是1.9.1版的pyecharts，v0.5版本编程代码可参考公众号历史文章。
#查看电脑系统和库版本 #watermark是第三方库需要先安装, #在cmd（如安装的是anaconda，直接打开anaconda prompt）上输入：pip install watermark %load_ext watermark #%watermark 查看电脑版本 %watermark -p pyecharts,pandas,numpy,matplotlib,talib,backtrader,jupyter
pyecharts : 1.9.1 pandas : 1.3.2 numpy : 1.20.3 matplotlib: 3.3.4 talib : 0.4.19 backtrader: 1.9.76.123 jupyter : 1.0.0
02 模块导入与调用
图表的类在charts，*表示导入全部，一般不建议这么写，可根据图表类型导入，如柱状图和折线图：from pyecharts.charts import Bar,Line。配置项通过options（缩写为opts），用于修饰图表,进阶还可调用Javascript 的代码，导入JsCode：from pyecharts.commons.utils import JsCode。theme可以定制主题，导入：from pyecharts.globals import ThemeType，一般使用默认的ThemeType.WHITE。导入Faker可以使用自带的数据画图。
from pyecharts.charts import * from pyecharts import options as opts from pyecharts.faker import Faker
03 图表配置项
Pyecharts使用 options对图表的配置项进行设置，根据个人需要，为图表添加（减少）元素，美化和修饰图表。配置项非常多，包括全局配置项（set_global_opts）22个大类和系列配置项(结合数据系列进行配置)17个大类，每一个配置类下又有众多的参数设置。配置项为制作精美的图表提供了相当完善的功能选择，但是对新手来说相当不友好，各种类和参数选择让人眼花缭乱和望而生畏（老版本0.5.11在这方面简洁很多）。这里建议大家结合常用的图表类型模板学习几个常用的配置项,其他配置项基本上使用默认参数即可。
图片来源：https://pyecharts.org/#/zh-cn/global_options
pyecharts 对配置项基本上都采用 XXXOpts/XXXItems 以及 dict 两种数据形式进行调用，下面介绍几个常用的配置项。
(1)全局配置项，通过set_global_opts 方法设置
InitOpts：初始化配置项，一般在图表函数内加载，如Bar(init_opts=opts.InitOpts(width='900px',height='600px',设置图表画布宽width高height（'数字+px'）,theme: str = "white"图表主题));
TitleOpts：标题配置项title_opts=opts.TitleOpts(title=,subtitle=,pos_left=)，其中主标题title,副标题subtitle, # title 组件离容器左侧的距离,pos_left = 可选'left', 'center', 'right'或如20、20%。离右侧距离,pos_right= None,顶部距离pos_top = None,可选'top', 'middle', 'bottom'或数字或百分比。底部距离，pos_bottom: = None,);
DataZoomOpts：区域缩放配置项,默认不显示， datazoom_opts=opts.DataZoomOpts(is_show=True或False,type_: str = "slider"或"inside" ,range_start=:数据窗口范围的起始百分比：0 ~ 100表示 0% ~ 100%,range_end=:数据窗口范围结束百分比,xaxis_index= number表示控制一个轴，Array表示控制多个轴,yaxis_index=同xaxis_index的设置，位置pos_left同title);
LegendOpts：图例配置项，默认不显示，legend_opts=opts.LegendOpts(is_show: bool = True是否显示,位置pos_left同title,orient= 布局朝向,可选：'horizontal', 'vertical',);
VisualMapOpts：视觉映射配置项，默认不显示，visualmap_opts=opts.VisualMapOpts(is_show: bool = True,type_: str = "color",映射过渡类型可选"color", "size"，min_ = 0,max_ = 100,分别指定 visualMapPiecewise 组件的最小值和最大值,orient = "vertical"或"horizontal",split_number: int = 5,对于连续型数据，自动平均切分成几段,is_piecewise: bool = False,是否分段，pieces=[]指定每一段范围，如[{"min": 1500},{"min": 900, "max": 1500},{"max": 1500} ]);
(2)系列配置项
ItemStyleOpts：图元样式配置项，itemstyle_opts=opts.ItemStyleOpts(color=图形颜色，颜色可以使用 RGB 表示，比如 'rgb(128, 128, 128)'，如果想要加上 alpha 通道表示不透明度，可以使用 RGBA，比如 'rgba(128, 128, 128, 0.5)'，也可以使用十六进制格式，比如 '#ccc',color0:阴线图形的颜色,border_color=图形的描边颜色,border_color0=阴线图形的描边颜色,opacity=图形透明度,支持从 0 到 1 的数字为 0 时不绘制该图形,area_color=区域的颜色)， 参考十六进制颜色转换；
LabelOpts：标签配置项， label_opts=opts.LabelOpts(is_show: bool = True是否显示标签,position=标签的位置,可选 ['top'，'left'，'right'，'bottom'，'inside'，'insideLeft'，'insideRight''insideTop'，'insideBottom'， 'insideTopLeft'，'insideBottomLeft' 'insideTopRight'，'insideBottomRight'], formatter=模板变量有 {a}, {b}，{c}，{d}，{e}，分别表示系列名，数据名，数据值等,折线（区域）图、柱状（条形）图、K线图 : {a}（系列名称），{b}（类目值），{c}（数值）, {d}（无）散点图（气泡）图 : {a}（系列名称），{b}（数据名称），{c}（数值数组）, {d}（无）地图 : {a}（系列名称），{b}（区域名称），{c}（合并数值）, {d}（无）饼图、仪表盘、漏斗图: {a}（系列名称），{b}（数据项名称），{c}（数值）, {d}（百分比）示例：formatter: '{b}: {@score}');
LineStyleOpts：线样式配置项，linestyle_opts=opts.ItemStyleOpts(is_show= True是否显示,color=线条颜色, width= 1,线宽,curve = 线的弯曲度，0 表示完全不弯曲,type_: str = "solid", 线的类型可选：'solid', 'dashed', 'dotted',);
SplitLineOpts：分割线配置项, 在全局配置项中使用.set_global_opts(yaxis_opts=opts.AxisOpts(splitline_opts=opts.SplitLineOpts(is_show = True显示分割线)))。
可视化实战案例
本文主要介绍直角坐标系图表及其应用案例，其余图表将在下一次推文中介绍。直角坐标系图表继承自 RectChart 拥有一些相同或相似的方法。
新增 X 轴数据.add_xaxis(xaxis_data=list数据)
翻转 XY 轴数据,.reversal_axis()
扩展 X/Y 轴,.extend_axis(xaxis_data=扩展X坐标数据项,xaxis=扩展 X 坐标轴配置项,yaxis=新增 Y 坐标轴配置项)
新增 Y 轴数据.add_yaxis(series_name='',y_axis=序列数据,xaxis_index= 使用的 x 轴的 index，在单个图表实例中存在多个 x 轴的时候有用
yaxis_index = 使用的 y 轴的 index，label_opts=标签配置项，markpoint_opts=标记点配置项,markline_opts=标记线配置项,tooltip_opts=提示框组件配置项)
#导入数据分析和量化常用库 import pandas as pd import numpy as np import talib as ta import tushare as ts #导入pyecharts from pyecharts.charts import * from pyecharts import options as opts from pyecharts.commons.utils import JsCode
01 折线图Line
折线图是考察金融时间序列数据趋势最常用的图表之一。下面使用tushare旧接口在线获取股票交易数据进行可视化分析。
#股票数据可视化分析实例 #获取A股交易数据 def get_price(code='sh',start='2000-01-01',end='2022-03-07'): df=ts.get_k_data(code,start,end) df.index=pd.to_datetime(df.date) #将成交量单位改为10000手并取整数 df['volume']=(df['volume']/10000).apply(int) return df[['open','close','high','low','volume']] sh=get_price() #sh.head()
最基本折线图，全使用默认参数。
g=(Line() .add_xaxis(sh.index.strftime('%Y%m%d').tolist()) .add_yaxis('',sh.close)) g.render_notebook()
添加全局和系列配置项。
#不同点位设置不同颜色 des=sh.close.describe() v1,v2,v3=np.ceil(des['25%']),np.ceil(des['50%']),np.ceil(des['75%']) pieces=[{"min": v3, "color": "red"}, {"min": v2, "max": v3, "color": "blue"}, {"min": v1, "max": v2, "color": "black"}, {"max": v1, "color": "green"},] #链式调用作用域() g = ( Line({'width':'100%','height':'480px'})#设置画布大小，px像素 .add_xaxis(xaxis_data=sh.index.strftime('%Y%m%d').tolist())#x数据 .add_yaxis( series_name="",#序列名称 y_axis=sh.close.values.tolist(),#添加y数据 is_smooth=True, #平滑曲线 is_symbol_show=False,#不显示折线的小圆圈 label_opts=opts.LabelOpts(is_show=False), linestyle_opts=opts.LineStyleOpts(width=2),#线宽 markpoint_opts=opts.MarkPointOpts(data=[#添加标记符 opts.MarkPointItem(type_='max', name='最大值'), opts.MarkPointItem(type_='min', name='最小值'),],symbol_size=[100,30]), markline_opts=opts.MarkLineOpts(#添加均值辅助性 data=[opts.MarkLineItem(type_="average")], )) .set_global_opts(#全局参数设置 title_opts=opts.TitleOpts(title='上证指数走势', subtitle='2000年-2022年',pos_left='center'), tooltip_opts=opts.TooltipOpts(trigger="axis", axis_pointer_type="cross"), visualmap_opts=opts.VisualMapOpts(#视觉映射配置 orient = "horizontal",split_number = 4, pos_left='center',is_piecewise=True, pieces=pieces,),) .set_series_opts( markarea_opts=opts.MarkAreaOpts(#标记区域配置项 data=[ opts.MarkAreaItem(name="牛市", x=("20050606", "20071016")), opts.MarkAreaItem(name="牛市", x=("20140312", "20150612")),],))) #使用jupyter notebook显示图形 g.render_notebook()
高阶应用：股价收益率与波动率可视化
此处代码较长省略。完整代码见Python金融量化知识星球。
02 柱状图Bar
下面以上证指数和创业板指数2010-2022年的年收益率构建柱状图，比较考察不同指数在各年的收益率情况。
indexs={'上证综指':'sh','创业板':'cyb'} index_price=pd.DataFrame({index:get_price(code).close for index,code in indexs.items()}).dropna() #index_price.head()
#指数年度收益率柱状图 index_ret=index_price/index_price.shift(1)-1 ss=index_ret.to_period('Y') sss=(ss.groupby(ss.index).apply(lambda x: ((1+x).cumprod()-1).iloc[-1])*100).round(2)
使用全部默认参数下的年收益率柱状图。
g=(Bar() .add_xaxis(sss.index.strftime('%Y').tolist()) .add_yaxis("", sss['上证综指'].tolist())) g.render_notebook()
添加全局配置项和系列配置项，使图表反映更多细节，同时可以根据时间段进行区域缩放。
g = (Bar() .add_xaxis(sss.index.strftime('%Y').tolist()) .add_yaxis("上证综指", sss['上证综指'].tolist(),gap="0%") .add_yaxis("创业板", sss['创业板'].tolist(),gap="0%") #添加全局配置项 .set_global_opts(title_opts=opts.TitleOpts(title="指数月收益率"), datazoom_opts=opts.DataZoomOpts(),#区域缩放配置项 yaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(formatter="{value}%"))) .set_series_opts(#添加序列配置项 label_opts=opts.LabelOpts(is_show=True,formatter='{c}%'))) g.width = "100%" #设置画布比例 g.render_notebook()
高阶应用：2021年全球资产收益率对比分析。
此处代码较长省略。完整代码见Python金融量化知识星球。
03 K线图Kline
K线图是对证券交易行情可视化的最基本图表之一，也是我们股票量化分析的最基本工具。
#计算指标 def get_data(code,start='2021-01-01',end=''): df=get_price(code,start,end) df['ma5']=df.close.rolling(5).mean() df['ma20']=df.close.rolling(20).mean() df['macd'],df['macdsignal'],df['macdhist']=ta.MACD(df.close,fastperiod=12,slowperiod=26,signalperiod=9) return df.dropna().round(2)
df=get_data('sh') #df.head()
使用默认参数可以得到最基本的K线图。
g = (Kline() .add_xaxis(df['2022':].index.strftime('%Y%m%d').tolist()) #y轴数据，默认open、close、low、high，转为list格式 .add_yaxis("",y_axis=df[['open', 'close', 'low', 'high']]['2022':].values.tolist()) ) g.render_notebook()
添加全局和系列配置项，强化细节展示。
def draw_kline(data): g = (Kline() .add_xaxis(data.index.strftime('%Y%m%d').tolist()) #y轴数据，默认open、close、high、low，转为list格式 .add_yaxis(series_name="", y_axis=data[['open', 'close', 'low', 'high']].values.tolist(), itemstyle_opts=opts.ItemStyleOpts( color="red",#阳线红色 color0="green",#阴线绿色 border_color="red", border_color0="green",), markpoint_opts=opts.MarkPointOpts(data=[#添加标记符 opts.MarkPointItem(type_='max', name='最大值'), opts.MarkPointItem(type_='min', name='最小值'),]), #添加辅助性，如某期间内最大max最小值min均值average markline_opts=opts.MarkLineOpts( data=[opts.MarkLineItem(type_="average", value_dim="close")], ),) .set_global_opts( datazoom_opts=[opts.DataZoomOpts()],#滑动模块选择 title_opts=opts.TitleOpts(title="股票K线图",pos_left='center'),)) return g
draw_kline(df).render_notebook()
高阶应用：K线图叠加成交量和技术指标。
#完整代码见Python金融量化知识星球。 def kline_volume_ta(data): pass
kline_volume_ta(df).render_notebook()
04 散点图Scatter
散点图通常用来反映两个变量之间的统计关系。pyecharts还支持展示多变量随着时间的变动趋势。
#创业板和上证综指历年收益率数据 #sss.head()
g = ( Scatter() .add_xaxis([str(d) for d in sss.index.year]) .add_yaxis("上证综指(%)",sss['上证综指'].tolist()) .add_yaxis("创业板(%)", sss['创业板'].tolist()) .set_global_opts( title_opts=opts.TitleOpts(title="指数历年收益率"), visualmap_opts=opts.VisualMapOpts(type_="size", is_show=False), xaxis_opts=opts.AxisOpts(type_="category", axisline_opts=opts.AxisLineOpts(is_on_zero=False), ), yaxis_opts=opts.AxisOpts(is_show=False,)) ) g.width = "100%" g.render_notebook()
g = (
Scatter()
.add_xaxis(sss['上证综指'].tolist())
.add_yaxis("", sss['创业板'].tolist(),
symbol_size=20,
label_opts=opts.LabelOpts(is_show=False))
.set_global_opts(
title_opts=opts.TitleOpts('上证综指 VS 创业板'),
tooltip_opts=opts.TooltipOpts(is_show=False),
xaxis_opts=opts.AxisOpts(name='上证综指',
type_="value",
splitline_opts=opts.SplitLineOpts(is_show=True),
axislabel_opts=opts.LabelOpts(formatter='{value}%')),
yaxis_opts=opts.AxisOpts(name='创业板',
type_="value",
splitline_opts=opts.SplitLineOpts(is_show=True),
axislabel_opts=opts.LabelOpts(formatter='{value}%'),)))
g.width = "100%"
g.render_notebook()
05 热力图HeatMap
热力图实际上是个三维结构，考察两个特征维度下值的变动趋势。热力图可以应用在指数周期变化和热点板块轮动分析等。下面以指数近10年来月收益率的涨跌幅为例构建热力图。
heat_data=(index_price/index_price.shift(1)-1).to_period('M') heat_data=heat_data.groupby(heat_data.index).apply(lambda x: ((((1+x).cumprod()-1).iloc[-1])*100).round(2)) heat_data=heat_data['2011':'2021'] #heat_data.tail()
构建热力图的难点在于数据项value的值。
value = [[i,j,heat_data['上证综指'][str(2011+i)+'-'+str(1+j)]] for i in range(11) for j in range(12)] year=[str(i) for i in range(2011,2022)] month=[str(i)+'月' for i in range(1,13)] g = (HeatMap() .add_xaxis(year) .add_yaxis("", month, value, label_opts=opts.LabelOpts(is_show=True, position="inside"),) .set_global_opts( title_opts=opts.TitleOpts(title="上证综指月收益率(%)"), visualmap_opts=opts.VisualMapOpts(is_show=False,min_=-30,max_=30,))) g.render_notebook()
高阶应用：根据涨跌幅范围设置不同显示颜色
#不同点位设置不同颜色 代码省略。完整代码见Python金融量化知识星球。
结语
本文简单介绍了 Pyecharts （V1）基本情况、安装、模块调用和参数设置，并以股票交易数据为例，为大家展示了使用 Pyehcarts 构建直角坐标系下常用的图表，包括折线图、柱状图、K线图和热力图等。下一篇推文将进一步介绍Pyecharts其他图表的构建方法，包括日历图、仪表盘、地图、关系图等等，同时分享这些常见的图表在金融量化上的应用实例。
引用地址:https://www.gupiaohao.com/202311/45271.html
tags: