指数波段划分以及底部反弹行业特征统计分析
2024-05-16 13:47:31
本文参考国金证券杨勇博士最近发的研报《底部反弹特征统计分析》，在优矿网做一个分析实现。
首先是作出指数的波段划分图，用以确定指数的各个底部。
1
import numpy as np
2
import pandas as pd
我写了如下一个函数，可以用于划出各个指数的波段图，虽然写的有点繁琐，但毕竟是可以用。当然我们划出的波段图不仅可以用来找寻顶部、底部。更是可以进一步用来做技术分析，例如波浪理论、缠轮等等。我有关注杨勇老师微信的公众号，其对大盘指数的预测还是非常精准的，用到的也主要是波浪理论、缠轮等。
1
def wave_division(indexid = u"000001.ZICN",begindate = u"20050104", enddate = u"20160530",up_range = 1.2,down_range = 0.85):
2
3
index = DataAPI.MktIdxdGet(indexID=indexid,beginDate=begindate,endDate=enddate,field=u"tradeDate,lowestIndex,highestIndex",pandas="1")
4
index = index.set_index(['tradeDate'])
5
date_flex = [0]
6
inflexion_flag_high = index.iloc[0]['highestIndex']
7
inflexion_flag_low = index.iloc[0]['lowestIndex']
8
m = 0
9
k = 0
10
for i in range(len(index)):
11
#print i,m,k
12
if i > m and i > k:
13
if index.iloc[i]['highestIndex'] / inflexion_flag_low > up_range:
14
k = i
15
for j in range(i+1,len(index)):
16
#print j,k
17
if index.iloc[j]['highestIndex'] > index.iloc[k]['highestIndex']:
18
k = j
19
elif index.iloc[j]['lowestIndex'] / index.iloc[k]['highestIndex'] < down_range and k != j:
20
date_flex.append(k)
21
break
22
23
elif index.iloc[i]['lowestIndex'] / inflexion_flag_high < down_range:
24
m = i
25
for n in range(i+1,len(index)):
26
#print n,m
27
if index.iloc[n]['lowestIndex'] < index.iloc[m]['lowestIndex']:
28
m = n
29
elif index.iloc[n]['highestIndex'] / index.iloc[m]['lowestIndex'] > up_range and m !=n:
30
date_flex.append(m)
31
break
32
else:
33
pass
34
35
if len(date_flex) > 0:
36
inflexion_flag_low = index.iloc[max(date_flex)]['lowestIndex']
37
inflexion_flag_high = index.iloc[max(date_flex)]['highestIndex']
38
39
#print i,inflexion_flag_low,inflexion_flag_high
40
41
date_flex.sort()
42
index['inflexion'] = np.nan
43
44
if index.iloc[date_flex[1]].mean() > index.iloc[date_flex[0]].mean():
45
for i in range(len(date_flex)):
46
if i % 2 == 0:
47
index['inflexion'].iloc[date_flex[i]] = index.iloc[date_flex[i]]['lowestIndex']
48
else:
49
index['inflexion'].iloc[date_flex[i]] = index.iloc[date_flex[i]]['highestIndex']
50
51
else:
52
for i in range(len(date_flex)):
53
if i % 2 == 0:
54
index['inflexion'].iloc[date_flex[i]] = index.iloc[date_flex[i]]['highestIndex']
55
else:
56
index['inflexion'].iloc[date_flex[i]] = index.iloc[date_flex[i]]['lowestIndex']
57
58
59
for i in range(len(index)):
60
for j in range(len(date_flex)-1):
61
if i <= date_flex[j+1] and i >= date_flex[j]:
62
slope = (index['inflexion'].iloc[date_flex[j+1]] - index['inflexion'].iloc[date_flex[j]]) / (date_flex[j+1] - date_flex[j])
63
index['inflexion'].iloc[i] = slope * (i-date_flex[j]) + index['inflexion'].iloc[date_flex[j]]
64
65
return date_flex,index
1
date_flex,cyindex = wave_division(indexid = u"399006.ZICN",begindate = u"20100101", enddate = u"20160530",up_range = 1.1,down_range = 0.92)
1
cyindex.plot(figsize=(20,9),linewidth=2)
1
date_flex,shindex = wave_division()
1
shindex.plot(figsize=(16,9),linewidth=2)
<matplotlib.axes._subplots.AxesSubplot at 0x6252150>
因为波段图就是一个底部一个顶部相交互，我们筛选出底部的时间点与指数低点
1
shindex.iloc[[date_flex[i] for i in range(1,len(date_flex),2)]]
| lowestIndex | highestIndex | inflexion | |
|---|---|---|---|
| tradeDate | |||
| 2005-06-06 | 998.228 | 1034.853 | 998.228 |
| 2007-02-06 | 2541.525 | 2677.042 | 2541.525 |
| 2007-06-05 | 3404.146 | 3768.563 | 3404.146 |
| 2007-07-06 | 3563.544 | 3785.346 | 3563.544 |
| 2008-04-22 | 2990.788 | 3148.731 | 2990.788 |
| 2008-09-18 | 1802.331 | 1942.846 | 1802.331 |
| 2008-10-28 | 1664.925 | 1786.435 | 1664.925 |
| 2009-03-03 | 2037.024 | 2088.628 | 2037.024 |
| 2009-09-01 | 2639.759 | 2727.077 | 2639.759 |
| 2010-07-02 | 2319.739 | 2386.400 | 2319.739 |
| 2012-12-04 | 1949.457 | 1980.119 | 1949.457 |
| 2013-06-25 | 1849.653 | 1963.566 | 1849.653 |
| 2015-07-09 | 3373.540 | 3748.479 | 3373.540 |
| 2015-08-26 | 2850.714 | 3092.041 | 2850.714 |
可以看出与研报中的结果相比，少了2016-01-27这个底部，因为实际上从2016-01-27的2638.3的底部至今没有涨幅超过20%的时候，最多的时候是17%。但没有关系我们还是加上去一起统计。
1
#shindex.iloc[2688].name
2
date_flex.append(2688)
3
shindex.iloc[2688]['inflexion'] = 2638.302
1
shindex.iloc[[date_flex[i] for i in range(1,len(date_flex),2)]]
| lowestIndex | highestIndex | inflexion | |
|---|---|---|---|
| tradeDate | |||
| 2005-06-06 | 998.228 | 1034.853 | 998.228 |
| 2007-02-06 | 2541.525 | 2677.042 | 2541.525 |
| 2007-06-05 | 3404.146 | 3768.563 | 3404.146 |
| 2007-07-06 | 3563.544 | 3785.346 | 3563.544 |
| 2008-04-22 | 2990.788 | 3148.731 | 2990.788 |
| 2008-09-18 | 1802.331 | 1942.846 | 1802.331 |
| 2008-10-28 | 1664.925 | 1786.435 | 1664.925 |
| 2009-03-03 | 2037.024 | 2088.628 | 2037.024 |
| 2009-09-01 | 2639.759 | 2727.077 | 2639.759 |
| 2010-07-02 | 2319.739 | 2386.400 | 2319.739 |
| 2012-12-04 | 1949.457 | 1980.119 | 1949.457 |
| 2013-06-25 | 1849.653 | 1963.566 | 1849.653 |
| 2015-07-09 | 3373.540 | 3748.479 | 3373.540 |
| 2015-08-26 | 2850.714 | 3092.041 | 2850.714 |
| 2016-01-27 | 2638.302 | 2768.772 | 2638.302 |
1
bottom_index = shindex.iloc[[date_flex[i] for i in range(1,len(date_flex),2)]]['inflexion']
2
bottom_static = {}
3
for i in range(1,len(date_flex),2):
4
try:
5
bottom_static[shindex.iloc[date_flex[i]].name] = [shindex.iloc[date_flex[i+1]]['inflexion'] / shindex.iloc[date_flex[i]]['inflexion'] - 1,date_flex[i+1] - date_flex[i]]
6
except:
7
print shindex.iloc[date_flex[i]].name,shindex.iloc[date_flex[i]]['inflexion'],'最后一个底部其反弹多少还不能确定'
2016-01-27
2638.302 最后一个底部其反弹多少还不能确
定
定
1
bottom_static = pd.DataFrame(bottom_static).T
2
bottom_static = pd.concat([bottom_index,bottom_static],axis=1)
3
bottom_static = bottom_static.rename(columns={'inflexion':'指数低点',0:'反弹幅度',1:'反弹时间长度'})
1
bottom_static
| 指数低点 | 反弹幅度 | 反弹时间长度 | |
|---|---|---|---|
| 2005-06-06 | 998.228 | 1.999597 | 400 |
| 2007-02-06 | 2541.525 | 0.706048 | 70 |
| 2007-06-05 | 3404.146 | 0.266690 | 11 |
| 2007-07-06 | 3563.544 | 0.718526 | 67 |
| 2008-04-22 | 2990.788 | 0.265895 | 8 |
| 2008-09-18 | 1802.331 | 0.294589 | 5 |
| 2008-10-28 | 1664.925 | 0.443192 | 73 |
| 2009-03-03 | 2037.024 | 0.707398 | 106 |
| 2009-09-01 | 2639.759 | 0.273369 | 54 |
| 2010-07-02 | 2319.739 | 0.373741 | 86 |
| 2012-12-04 | 1949.457 | 0.254095 | 46 |
| 2013-06-25 | 1849.653 | 1.799547 | 481 |
| 2015-07-09 | 3373.540 | 0.240373 | 11 |
| 2015-08-26 | 2850.714 | 0.292507 | 78 |
| 2016-01-27 | 2638.302 | NaN | NaN |
恩，统计的结果和杨勇老师的一模一样呢。接下来我们探索以下底部行业超额收益的情况。
1
from CAL.PyCAL import *
2
import matplotlib.pyplot as plt
3
cal = Calendar('China.SSE')
4
cal.removeHoliday(Date(2007,4,4)) #cal里面的一个小错误，20070404是一个交易日
1
def net_ind_cumret(date_list,indContent):
2
3
time_list = [[cal.advanceDate(date_list[i], '-20B', BizDayConvention.Unadjusted),cal.advanceDate(date_list[i], '40B', BizDayConvention.Unadjusted)] for i in range(len(for_ind_static))] #得到每个底部日的前20个交易日与后40个交易日
4
5
#print time_list
6
#初始化avg_ind_cumret（行业平均累计收益率）
7
avg_ind_cumret = {}
8
for ind in indContent.keys():
9
avg_ind_cumret[ind] = 0
10
11
12
for i in range(1,len(time_list)): #因为DataAPI.EquRetudGet的数据从06年才开始，故我们不算第一个底部情况，当然也可以使用日线数据直接计算日收益率，此处就不算了
13
14
index_ret = DataAPI.MktIdxdGet(indexID=u"000001.ZICN",beginDate=time_list[i][0].strftime('%Y%m%d'),endDate=time_list[i][1].strftime('%Y%m%d'),field=['tradeDate','preCloseIndex','closeIndex'],pandas="1")
15
index_ret['return'] = (index_ret['closeIndex'] - index_ret['preCloseIndex']) / index_ret['preCloseIndex']
16
#index_cumret = np.array((1 + index_ret['return']).cumprod()) #底部交易日附近指数的累计收益率
17
18
ind_ret = {}
19
ind_cumret = []
20
21
for ind in indContent:
22
23
df_ret = DataAPI.EquRetudGet(listStatusCD='L',secID=indContent[ind],beginDate=time_list[i][0].strftime('%Y%m%d'),endDate=time_list[i][1].strftime('%Y%m%d'),field=['secID','tradeDate','dailyReturnReinv'],pandas="1") #得到行业每日收益率
24
df_marketValue = DataAPI.MktEqudGet(secID=indContent[ind],beginDate=time_list[i][0].strftime('%Y%m%d'),endDate=time_list[i][1].strftime('%Y%m%d'),field=['secID','tradeDate','negMarketValue'],pandas="1")
25
##计算行业内指数加权日收益率
26
df_ret = df_ret.set_index(['tradeDate','secID'])
27
df_marketValue = df_marketValue.set_index(['tradeDate','secID'])
28
ind_ret[ind] = (df_ret.unstack() * (df_marketValue.unstack()['negMarketValue'].T / df_marketValue.unstack().sum(axis=1)).T).sum(axis=1) #不想写循环，运用DataFrame的特性
29
#print ind_ret[ind]
30
31
for j in range(0,20,5):
32
ind_cumret.append((1 + ind_ret[ind].iloc[j:20]).prod() - (1 + index_ret['return'].iloc[j:20]).prod())
33
for j in range(25,61,5):
34
ind_cumret.append((1 + ind_ret[ind].iloc[20:j]).prod() - (1 + index_ret['return'].iloc[20:j]).prod())
35
36
avg_ind_cumret[ind] = avg_ind_cumret[ind] + np.array(ind_cumret)
37
38
ind_cumret = []
39
#print avg_ind_cumret
40
41
for key in avg_ind_cumret:
42
avg_ind_cumret[key] = avg_ind_cumret[key] / (len(time_list) - 1)
43
44
return avg_ind_cumret
1
def industryGet(tradeDate): # 设置行业
2
trade_date = tradeDate
3
df = DataAPI.EquIndustryGet(industryVersionCD=u"010303",secID = set_universe('HS300',date=trade_date.strftime('%Y%m%d')),intoDate=trade_date.strftime('%Y%m%d'),field=['secID','industryName1','industryName2'])
4
ind1 = df[df['secID'] == '600000.XSHG']['industryName1'].values[0]
5
ind2 = df[df['secID'] == '600030.XSHG']['industryName1'].values[0]
6
industry = df['industryName1'].drop_duplicates().tolist()
7
if ind1 == ind2 :
8
industry.remove(ind1)
9
else:
10
industry.remove(ind1)
11
industry.remove(ind2)
12
13
industry = industry + ['银行','证券','保险','多元金融']
14
return industry
15
16
industry = industryGet(Date(2016,5,26))
17
stkIndustry = DataAPI.EquIndustryGet(industryVersionCD=u"010303",secID = set_universe('A'),intoDate='20160526',field=['secID','industryName1','industryName2'],pandas="1")
18
indContent = {}
19
for ind_name in industry:
20
indContent[ind_name] = stkIndustry[(stkIndustry['industryName1']==ind_name) | (stkIndustry['industryName2']==ind_name)]['secID'].tolist()
1
avg_ind_cumret = net_ind_cumret(bottom_static[bottom_static['反弹时间长度']>5].index,indContent)
1
index = range(-20,41,5)
2
index.remove(0)
3
avg_ind_cumret = pd.DataFrame(avg_ind_cumret,index=index)
得到底部左右超额收益的相关系数，与研报的结论基本一致，行业超额收益反转的现象，过去超额收益率越高的行业，在底部之后的10个交易日之后将收益率越低。
其中-20表示[-20,0]的超额收益，5表示[0，5]的超额收益
1
avg_ind_cumret.T.corr()
| index | -20 | -15 | -10 | -5 | 5 | 10 | 15 | 20 | 25 | 30 | 35 | 40 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| index | ||||||||||||
| -20 | 1.000000 | 0.794323 | 0.735818 | 0.736515 | 0.284202 | -0.244573 | -0.210857 | -0.299900 | -0.163276 | -0.219598 | -0.195432 | -0.201444 |
| -15 | 0.794323 | 1.000000 | 0.955718 | 0.821111 | 0.135788 | -0.348093 | -0.307521 | -0.331221 | -0.197013 | -0.314560 | -0.329344 | -0.312431 |
| -10 | 0.735818 | 0.955718 | 1.000000 | 0.852437 | 0.020425 | -0.463183 | -0.430745 | -0.435674 | -0.308467 | -0.425406 | -0.414646 | -0.404961 |
| -5 | 0.736515 | 0.821111 | 0.852437 | 1.000000 | 0.050341 | -0.550097 | -0.594889 | -0.630819 | -0.564937 | -0.634865 | -0.606732 | -0.560034 |
| 5 | 0.284202 | 0.135788 | 0.020425 | 0.050341 | 1.000000 | 0.543161 | 0.333631 | 0.223108 | 0.147777 | 0.101948 | 0.218713 | 0.233550 |
| 10 | -0.244573 | -0.348093 | -0.463183 | -0.550097 | 0.543161 | 1.000000 | 0.872429 | 0.787382 | 0.667875 | 0.695969 | 0.714106 | 0.719874 |
| 15 | -0.210857 | -0.307521 | -0.430745 | -0.594889 | 0.333631 | 0.872429 | 1.000000 | 0.937092 | 0.883634 | 0.906957 | 0.887450 | 0.890454 |
| 20 | -0.299900 | -0.331221 | -0.435674 | -0.630819 | 0.223108 | 0.787382 | 0.937092 | 1.000000 | 0.917893 | 0.897338 | 0.884300 | 0.875722 |
| 25 | -0.163276 | -0.197013 | -0.308467 | -0.564937 | 0.147777 | 0.667875 | 0.883634 | 0.917893 | 1.000000 | 0.960722 | 0.929674 | 0.902757 |
| 30 | -0.219598 | -0.314560 | -0.425406 | -0.634865 | 0.101948 | 0.695969 | 0.906957 | 0.897338 | 0.960722 | 1.000000 | 0.944350 | 0.912436 |
| 35 | -0.195432 | -0.329344 | -0.414646 | -0.606732 | 0.218713 | 0.714106 | 0.887450 | 0.884300 | 0.929674 | 0.944350 | 1.000000 | 0.982007 |
| 40 | -0.201444 | -0.312431 | -0.404961 | -0.560034 | 0.233550 | 0.719874 | 0.890454 | 0.875722 | 0.902757 | 0.912436 | 0.982007 | 1.000000 |
1
plt.figure(figsize=(20,15))
2
for x in avg_ind_cumret.columns:
3
plt.plot(avg_ind_cumret.index, avg_ind_cumret[x])
4
# plt.plot(avg_ind_cumret)
5
plt.legend([e.decode('utf-8') for e in avg_ind_cumret.columns],loc='upper left',prop = font)<matplotlib.legend.Legend at 0x109946d0>
结果与研报的有所不同，可能是行业收益率的计算方式不同，以及我舍去了第一个底部的数据。
我们看下处于反弹时，我们分析结果推荐的行业
1
avg_ind_cumret.ix[5].order(ascending=False).head(5)
房地产 0.025092保险 0.024473证券 0.023604银行 0.021189国防军工 0.016889Name: 5, dtype: float6
4
1
avg_ind_cumret.ix[10].order(ascending=False).head(5)
多元金融 0.058046国防军工 0.043713房地产 0.042585建筑材料 0.040470有色金属 0.039688Name: 10, dtype: float6
4
1
avg_ind_cumret.ix[20].order(ascending=False).head(5)
建筑材料 0.093642房地产 0.081750有色金属 0.076970多元金融 0.065906电气设备 0.065045Name: 20, dtype: float6
4
1
avg_ind_cumret.ix[30].order(ascending=False).head(5)
电气设备 0.140919有色金属 0.127539房地产 0.119225国防军工 0.116397建筑材料 0.108876Name: 30, dtype: float6
4
1
avg_ind_cumret.ix[40].order(ascending=False).head(5)
有色金属 0.148778电气设备 0.137068建筑材料 0.124374房地产 0.117752汽车 0.113629Name: 40, dtype: float6
4
总结一下
反弹的带头大哥都是银行、保险、证券和房地产等行业，但往后走银行等金融行业的收益率在不断下降，而房地产仍能保持不错的收益率。反弹多天后推荐的行业是有色金属、电气设备、建筑材料、汽车等。
指数波段划分以及底部反弹行业特征统计分析相关推荐
- 《指数基金投资指南》读书笔记---行业指数基金
1.什么是宽基指数和行业指数 挑选股票的时候, 包括了各行各业, 并不限制行业, 这样的指数叫作宽基指数.这些指数基金专门投资某个行业的股票, 也就是行业指数基金. 行业指数的投资风险更高一些, 不仅 ...
- 指数基金（二）：行业指数简介
全球行业分类标准(GICS),将行业分为10个一级行业,24个二级行业,67个子行业.最主要的是个一级行业分别是: 材料:金属.采矿.化学制品等等 可选消费:汽车.零售.媒体.房地产等等 必须消费:食 ...
- [指标公式]LY机构基金买卖大波段指标公式源码 可以用来预测波段顶部和底部
使用说明: 适用同花顺软件使用,别的软件用要改编. 指标还不错,可以用来预测波段顶部和底部,有未来涵数,看自已适不适合使用 效果图: 直接复制以下源代码,在公式管理器中新建指标公式,复制进去就可以用了 ...
- Google Earth Engine（GEE）——关于NDVI_NDWI_NDBI_EVI指数波段运算公式函数的集成和优化（2）
上一篇文章写到了,函数合并处理的问题,链接如下: (17条消息) Google Earth Engine(GEE)--关于NDVI_NDWI_NDBI指数波段运算公式函数的集成和优化(1)_此星光明的 ...
- 无线电 波段划分知识总结
提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档 文章目录 前言 一.波段是什么? 二.划分方式 1.频段和波段划分 2.通用划分 总结 前言 无线电波段是通信.雷达.天线等专业常常涉 ...
- 历次重要底部的数据特征 A股或将继续下跌？
从历史数据中看市场底 底是什么?对于股市来说,底是个区域,而不是点位.反观A股这些年来的历史走势,几乎每一次的底总是在人们还充满争议的时候就已经悄悄来临,而当人们发现底部的时候,其实股市早已脱离了底部 ...
- Google Earth Engine（GEE）——关于NDVI_NDWI_NDBI指数波段运算公式函数的集成和优化（1）
之前写过一篇文章是关于各种指数进行计算的文章,链接如下: (230条消息) 利用GEE(Google Earth Engine)在线处理NDVI.EVI.SAVI.NDMI等指数归一化教程!_此星光明 ...
- 赛迪顾问：中国珠宝指数推出 用大数据提升珠宝行业信息化
ZDNET至顶网CIO与应用频道 09月11日 北京消息:日前,由深圳市罗湖区政府倾心打造的"水贝·中国珠宝指数"引起了行业内的广泛关注:"水贝·中国珠宝指数" ...
- 计算机设备行业特征,自动装配机在自动化设备行业具有的特点
伴随着社会经济的不断发展,工业生产的市场规模越来越大,人们的需求也越来越大.自动装配机在自动化设备行业具有哪些特点?鲁工自动化小编对自动装配机的特点进行了分析. 1.自动装配机需要由多台工作台进行扩展 ...
- 计算机设备行业特征,2018年我国计算机、通信和其他电子设备制造业现状分析 产业园区聚集特征明显...
中国报告网提示:近年来,在全球互联网大趋势下,计算机.通信和其他电子设备制造业飞速发展,我国企业也有了 近年来,在全球互联网大趋势下,计算机.通信和其他电子设备制造业飞速发展,我国企业也有了长足的进步 ...
最新文章
- IDEA搭建Maven Web（SSM）项目（一）——创建项目
- JDK1.8中的HashMap，HashTable，ConcurrentHashMap有什么区别？
- Mysql8.0.12安装教程方法 Mysql8.0.12安装教程
- linux python开发环境sql数据迁移到mysql_linux环境下python怎样操作mysql数据库
- oracle manager 配置,Oracle Net Manager 基本配置
- 在河北当中学老师用不用考计算机,想当教师没编制？两类教师不用考，直接进编制...
- 饿了么订单--快到碗里来
- CSS 小结笔记之伸缩布局 (flex)
- Alpha阶段事后分析报告
- 解决办法：undefined reference to symbol 'pthread_mutexattr_settype@@GLIBC_2.2.5'
- 计算机屏幕地图是不是地图,地图软件 如何在截图时超出一个屏幕？
- LS-DYNA基础理论
- 什么是SNP遗传力?
- 堆糖生活家喜欢的图片批量下载
- Office常用快捷键
- android-自定义ImageView-圆形图片绘制代码详解
- java位运算符(、|、~、^、、 )
- 【LeetCode】数据库部分的题目及答案汇总
- 平面设计10大手法，设计师必看
- 之江汇空间如何加音乐背景_之江汇互动课堂使用方法