PTrade 进阶：获取指数成分股并计算沪深 300 加权 PE

在PTrade中计算沪深300指数的加权市盈率（Weighted P/E Ratio），核心思路是**“总市值除以总净利润”**。

相比于简单算术平均（即所有股票PE相加除以数量），加权市盈率更能反映指数整体的估值水平，因为它考虑了权重股（大市值公司）的影响。

计算原理

$$ \text{指数加权市盈率} = \frac{\sum(\text{成分股总市值})}{\sum(\text{成分股净利润})} $$

由于PTrade的get_fundamentals接口直接提供了总市值（total_value）和市盈率TTM（pe_ttm），我们可以通过以下公式反推净利润，从而避免去查利润表：

$$ \text{个股净利润} = \frac{\text{个股总市值}}{\text{个股市盈率TTM}} $$

实现步骤

1. 获取成分股：在before_trading_start中使用get_index_stocks获取沪深300成分股列表。
2. 获取财务数据：使用get_fundamentals查询成分股的total_value（总市值）和pe_ttm（滚动市盈率）。
3. 计算总市值与总利润：
   • 累加所有成分股的total_value得到总市值。
   • 通过total_value / pe_ttm计算每只股票的净利润，并累加得到总净利润（亏损企业的负利润也应包含在内）。
4. 得出结果：总市值 / 总净利润。

PTrade 策略代码

以下是完整的策略代码实现：

def initialize(context):
    # 设置基准为沪深300
    set_benchmark('000300.SS')
    # 设置回测频率为日线
    set_universe(['000300.SS'])
    # 开启日志打印
    log.info("策略初始化完成，准备计算沪深300加权市盈率")

def before_trading_start(context, data):
    # 1. 获取沪深300指数的成分股列表
    # 注意：get_index_stocks 建议在盘前处理函数中调用
    index_code = '000300.SS'
    stocks = get_index_stocks(index_code)
    
    if not stocks:
        log.error("未获取到成分股数据")
        return

    # 2. 获取估值数据：总市值(total_value) 和 市盈率TTM(pe_ttm)
    # total_value 单位是元
    df = get_fundamentals(stocks, 'valuation', ['total_value', 'pe_ttm'])
    
    if df is None or len(df) == 0:
        log.warning("未获取到财务数据")
        return

    # 3. 数据清洗与计算
    # 剔除市盈率为0或空的数据（防止除以0错误），通常PE不会为0，但需防范数据异常
    # 注意：亏损股的PE为负数，计算总利润时应保留负值，这样才能真实反映指数估值
    df = df.dropna()
    
    # 计算个股净利润 (Net Profit = Market Cap / PE)
    # 这里使用向量化运算提高效率
    df['net_profit'] = df['total_value'] / df['pe_ttm']
    
    # 4. 计算指数整体指标
    total_market_cap = df['total_value'].sum()  # 总市值
    total_net_profit = df['net_profit'].sum()   # 总净利润
    
    # 5. 计算加权市盈率
    if total_net_profit != 0:
        weighted_pe = total_market_cap / total_net_profit
        
        # 打印结果
        log.info("日期: %s" % context.blotter.current_dt.strftime("%Y-%m-%d"))
        log.info("沪深300成分股数量: %d" % len(df))
        log.info("沪深300总市值: %.2f 亿" % (total_market_cap / 100000000))
        log.info("沪深300加权市盈率(TTM): %.4f" % weighted_pe)
        
        # 可以将结果存入全局变量g中，供handle_data使用
        g.hs300_pe = weighted_pe
    else:
        log.error("总净利润为0，无法计算市盈率")

def handle_data(context, data):
    # 在这里可以根据 g.hs300_pe 进行交易逻辑判断
    # 例如：如果PE低于历史分位数则买入ETF等
    pass

代码关键点解析

1. 数据获取接口：

   • get_index_stocks('000300.SS')：获取最新的成分股，这比固定股票列表更准确，因为指数成分股会定期调整。
   • get_fundamentals(..., 'valuation', ...)：这是获取每日估值数据的核心接口。

2. 净利润推导：

   • 代码中使用了 df['total_value'] / df['pe_ttm'] 来反推净利润。这是量化中常用的技巧，因为直接查利润表（income_statement）通常是季度数据，存在滞后性，而pe_ttm是基于最新股价和最近4个季度财报计算的，实时性更强。

3. 负值处理：

   • 在计算指数PE时，亏损股（PE为负）的处理是一个常见问题。上述代码采用了标准的“总市值/总收益”法，这意味着亏损企业的负利润会抵消一部分盈利企业的利润，从而使得分母变小，计算出的指数PE会变大。这是符合指数编制通常逻辑的（反映整体盈利能力）。

4. Python版本兼容性：

   • 代码使用了标准的Python语法，避免了f-string等Python 3.6+的特性，确保在PTrade旧版本Python环境中也能运行。

Q&A 常见问题解答

Q1: 为什么要计算加权市盈率而不是算术平均市盈率？
A: 算术平均（等权）容易受小市值股票极端值的影响。例如，某小市值股票利润极低导致PE高达几千倍，会拉高平均值。加权市盈率通过市值加权，更能反映市场中资金容纳量最大的那些核心资产的估值水平，是判断指数贵贱的主流指标。

Q2: 代码中的 pe_ttm 可以换成静态市盈率 pe_static 吗？
A: 可以。如果将代码中的 'pe_ttm' 替换为 'pe_static'，计算出的就是静态加权市盈率。静态PE基于上年度年报数据，TTM基于最近12个月数据。通常在财报发布季（如4月、10月），两者差异可能较大，TTM通常更具时效性。

Q3: 如何利用这个数据进行择时交易？
A: 您可以获取过去5年或10年的加权PE数据，计算当前PE所处的历史百分位。

• 当PE处于历史低位（如20%分位以下），可能意味着指数被低估，适合定投或买入。
• 当PE处于历史高位（如80%分位以上），可能意味着泡沫风险，适合减仓。

Q4: 为什么计算结果和某些行情软件（如Wind、同花顺）显示的数值有细微差异？
A: 差异通常来源于：

1. 成分股调整时间差：不同数据源对成分股进出的更新时间可能不同。
2. 亏损股处理：有些软件在计算PE时会剔除亏损股，而有些会包含（如本代码逻辑）。
3. 数据更新延迟：盘中实时计算和盘后结算数据的差异。