使用python写一段代码根据已经读取的十只股票的数据，算出当日个股收盘价的 5 日均值:MA5 算出当日个股收盘价到 5 日均值的偏离程度 ratio:(closePrice-MA5)/MA5 根据给出的十只股票当日的 ratio，挑出 ratio 为负的个股，第二天等权持仓，再根据每日的持仓个股和个股的收益率，计算每日的策略收益率，最后在一副图中，画出: 1)根据策略收益率画出策略净值曲线 2)茅指数净值其中 ri 为第 i 天收益率，Nav(t)为第 t 天净值。

好的，这是一个比较复杂的问题，需要用到pandas、numpy、matplotlib等库，我会尽力为您解答。

首先，我们需要读取十只股票的数据，这里假设数据已经保存在csv文件中，每个文件名为股票代码，文件中包含日期、开盘价、收盘价等信息。我们可以用pandas库中的read_csv函数来读取这些数据：

import pandas as pd

stocks = []
for code in ['000001', '000002', '000004', '000005', '000006', '000007', '000008', '000009', '000010', '000011']:
    df = pd.read_csv(f'{code}.csv', index_col=0)
    stocks.append(df)

接下来，我们需要计算每个股票的MA5和ratio。我们可以使用rolling函数来计算5日均值，使用apply函数来计算ratio：

for df in stocks:
    ma5 = df['close'].rolling(window=5).mean()
    df['ma5'] = ma5
    df['ratio'] = (df['close'] - ma5) / ma5

然后，我们需要挑出ratio为负的股票，并在第二天等权持仓。我们可以用shift函数来将ratio向后移动一天，然后使用apply函数来进行筛选：

def select_stock(df):
    df['ratio_shift'] = df['ratio'].shift(-1)
    selected_df = df[df['ratio_shift'] < 0]
    selected_df['return'] = selected_df['close'].pct_change()
    selected_df['weight'] = 1 / len(selected_df)
    selected_df['weighted_return'] = selected_df['return'] * selected_df['weight']
    return selected_df[['close', 'return', 'weight', 'weighted_return']]

selected_stocks = []
for df in stocks:
    selected_df = df.groupby('date').apply(select_stock)
    selected_stocks.append(selected_df)

最后，我们需要计算每日的策略收益率和净值曲线。我们可以使用concat函数将所有股票的weighted_return合并起来，然后使用cumsum函数计算累计收益率，再使用exp函数计算净值曲线。同时，我们还需要下载茅台日线数据，计算茅台的净值曲线，以便与策略净值曲线进行比较：

import numpy as np
import matplotlib.pyplot as plt
import tushare as ts

# 下载茅台日线数据
data = ts.get_k_data('600519', start='20200101', end='20211231')
data['date'] = pd.to_datetime(data['date'])
data.set_index('date', inplace=True)

# 计算茅台净值曲线
data['return'] = data['close'].pct_change()
data['weighted_return'] = data['return'] / len(data)
data['strategy_nav'] = (1 + data['weighted_return']).cumprod()

# 合并所有股票的weighted_return
weighted_returns = pd.concat([df['weighted_return'] for df in selected_stocks], axis=0)
weighted_returns = weighted_returns.groupby(level=0).sum()
weighted_returns = weighted_returns.dropna()

# 计算策略净值曲线
weighted_returns = np.exp(np.log(1 + weighted_returns).cumsum())
weighted_returns.name = 'strategy_nav'

# 合并茅台和策略净值曲线
nav = pd.concat([data['strategy_nav'], weighted_returns], axis=1)
nav = nav.dropna()

# 画出净值曲线图
nav.plot(figsize=(12, 6))
plt.title('Strategy vs Maotai')
plt.xlabel('Date')
plt.ylabel('Net Asset Value')
plt.show()

这样，我们就完成了题目中的要求。需要注意的是，本代码仅供参考，实际应用还需要进行更多的优化和完善。