前文做了一篇区块链本身的一些基本面分析：Victor 教量化：Python 金融: 区块链基本面浅析​zhuanlan.zhihu.com

今天作者想在A股，对其中的区块链板块做一个分析和了解。毕竟在A股里，区块链板块还算是一个概念，并且火起来的时间不久。对于想买A股区块链相关的股票的，那么提前做一个分析，不去冲锋当韭菜，也是很合理的。

好了，废话不多，开搞吧。

在这之前需要完成下列需求：

A股区块链板块

区块链在A股是属于一个概念板块，里面的票子大多都不是纯区块链公司，而是很多科技公司，或者区块链周边的公司。怎么从里面挑选出来比较纯正的，有代表性的区块链公司还是一个谜题。

那这里，作者首先在富途牛牛APP上，选择了沪深股市里的区块链板块：

随后，作者挑选了25支最高流动性的票子，流动性具体筛选条件是：市值 (Market Value)：100 亿 到 1000 亿 人民币之间。

成交额 (Transaction Value): 近 10 日 在 1亿 人民币之上。

成交量 (Transaction Volume): 近 10 日 在 3000万股以上。

为什么要选择高流动性的票子？作者认为高流动性代表着市场关注度比较高，并且高流动性下的价格发现也相对比较合理。

相反的，小市值，低流动性的票子容易出现价格大幅度波动，影响板块整体发挥。

股票选择 Stock Selection

在以上的筛选条件下，作者选出了25支票子，手动输入了 Excel 表格中：

作者按照市值大小，对其进行了排名，并且按照市值权重对其进行了配比。作者打算用这25支票子来代表A股区块链板块，做一支市值权重配仓的ETF，来方便之后的分析。

建立一支区块链ETF

有了上述的数据，我们就用 Python 来建立这样一支代表区块链板块的ETF：

In [1]:

import tushare as ts

import pandas as pd

import numpy as np

import matplotlib.pyplot as plt

import seaborn as sns

import scipy.optimize as sco

%matplotlib inline

In [2]:

stock_codes = ['002024','600588','002065','000066','000961',

'002405','600208','002797','002152','603000',

'002131','000021','000997','002195','600446',

'600093','002123','300058','600839','300459',

'300085','300352','300339','600797','300079']

num_stocks = len(stock_codes)

stock_daily_quotes = {}

In [3]:

import time

for code in stock_codes:

print(code)

df = ts.get_k_data(code=code, start='2010-01-01', end='2020-01-01')

df['date'] = pd.to_datetime(df['date'])

df = df.set_index(['date'])

df[code] = df['close']

stock_daily_quotes[code] = df[code]

time.sleep(1)

上面的代码依然是通过 TuShare API 来抓取这25支票子的历史价格。抓取了价格之后，我们来做一下25支票子的可视化：

In [4]: daily_df = pd.concat([value for _, value in stock_daily_quotes.items()], axis=1).dropna()

In [5]: daily_df.plot(figsize=(14,7))25支挑选出来的区块链板块股票从2016-2019

我们发现原本从2010年开始抓取的价格，但是真实价格是从2016年开始的，因为前几年有些票子还没有上市，并且我们发现在2018年之前有些票子的价格有些缺失，不过问题不大，我们接着搞：

In [6]:

daily_df['blockchain_etf'] = daily_df['002024'] * 0.141 + \

daily_df['600588'] * 0.125 + \

daily_df['002065'] * 0.067 + \

daily_df['000066'] * 0.065 + \

daily_df['000961'] * 0.054 + \

daily_df['002405'] * 0.048 + \

daily_df['600208'] * 0.047 + \

daily_df['002797'] * 0.041 + \

daily_df['002152'] * 0.038 + \

daily_df['603000'] * 0.036 + \

daily_df['002131'] * 0.032 + \

daily_df['000021'] * 0.032 + \

daily_df['000997'] * 0.030 + \

daily_df['002195'] * 0.028 + \

daily_df['600446'] * 0.027 + \

daily_df['600093'] * 0.025 + \

daily_df['002123'] * 0.024 + \

daily_df['300058'] * 0.024 + \

daily_df['600839'] * 0.019 + \

daily_df['300459'] * 0.018 + \

daily_df['300085'] * 0.018 + \

daily_df['300352'] * 0.018 + \

daily_df['300339'] * 0.016 + \

daily_df['600797'] * 0.015 + \

daily_df['300079'] * 0.015

这里作者非常辛苦的手动输入了每一支票子的权重，如下图，在 DataFrame 里的新的一栏教 blockchain_etf 里面：

区块链基准 Blockchain Benchmark

既然我们已经建立好了一支具有板块代表性的ETF，那我们也需要一个在区块链行业里有代表性的标的来比较。这里作者选择了比特币，因为截止 2020年1月23号，比特币市值占了币币市值的 80% 左右，见下图：coinmarketcap.com Bitcoin 页面

这里的几个关键数字：排名 (Rank): 行业第一。

市值 (Market Value): 159,154,181,199 $, 行业第一。

流动供给 (Circulating Supply): 依旧是行业第一，流动性充足。

作者前往 coinmarketcap.com 查看了当前区块链行业表现最好的票子，然后把其历史数据下载了下来，存在一个叫 cmc_btc.csv 的文件中。历史数据就在上图红色标出的 Historical Data页面，手动拷贝到 Excel 里就行：

In [7]:

crypto_df = df = pd.read_csv('./Finance/cmc_btc.csv')

crypto_df['date'] = pd.to_datetime(crypto_df['Date'])

crypto_df.set_index(['date'], inplace=True, drop=True)

这里就是一些常规的 Pandas 操作，因为下载下来的日期是从新到旧，所以把索引反过来一下就可以了。

量化分析 Quantitative Analytics

现在我们手上有两个 DataFrame，一个是保存有我们创造的区块链ETF，另外一个是保存有区块链标的物的历史价格，我们先分别试图一下：

In [8]: daily_df['blockchain_etf'].plot(figsize=(12,6))区块链ETF 2016-2019 价格图

In [9]: crypto_df['Close'].plot(figsize=(12,6))区块链标的物 2016-2019 价格图

如果两张图这么分开来看的话，看不出来什么。而且一个是在9到16的范围，另外一个是在几千到几万的范围，不太好做对比，我们来对数据做一些金融处理：

In [10]:

daily_df['etf_cum_return'] = daily_df['blockchain_etf'].pct_change(1).fillna(0).add(1).cumprod().sub(1)

daily_df['etf_norm_cum_return'] = (daily_df['etf_cum_return'] - np.min(daily_df['etf_cum_return']))/(np.max(daily_df['etf_cum_return'])- np.min(daily_df['etf_cum_return']))累积盈利 % (Cumulative Return %): 这里作者计算了这支ETF 的历史累积盈利百分比，利用了一连串的方法： pct_change(1).fillna(0).add(1).cumprod().sub(1), 这里可以慢慢理解，不碍事，作者也是网上撸下来的方法。

最大-最小 标准化 (Min-Max Normalization): 这个是把数据减去最小值，然后再除以最大值减去最小值，为了把所有数据放在0-1的范围之内。做这个处理是为了之后在图表上能更加清晰的看见区块链ETF 和标的物之间的关系。

In [11]:

crypto_df['cum_return'] = crypto_df['Close'].pct_change(1).fillna(0).add(1).cumprod().sub(1)

crypto_df['norm_cum_return'] = (crypto_df['cum_return'] - np.min(crypto_df['cum_return']))/(np.max(crypto_df['cum_return'])- np.min(crypto_df['cum_return']))

现在对区块链标的物做同样的处理，做完之后，我们先看看，区块链ETF 和 区块链标的物之间两者的相关性:

In [12]: etf_df = pd.concat([daily_df['etf_cum_return'], daily_df['etf_norm_cum_return'], crypto_df['cum_return'], crypto_df['norm_cum_return']], axis=1).fillna(method='backfill')

In [13]: etf_df.iloc[-1]:

Out [13]:

etf_cum_return -0.022548 # 区块链ETF 累积回报 -2.25%

etf_norm_cum_return 0.651209

cum_return 9.522189 # 区块链标的物累积回报 950%

norm_cum_return 0.350721

Name: 2019-12-31 00:00:00, dtype: float64

In [14]: etf_df.corr().style.background_gradient()区块链 ETF 和 区块链标的物 之间的累积盈利相关性

区块链ETF 2016-2019 的累积回报是 -2.25%，而标的物回报是 950%

然后两者相关性竟然是，-0.0768 ？？！

作者这时候的感受是。。

一顿操作猛如虎，一看战绩 0:5的感觉。

这个结果难道是，我们大A股的区块链板块，和区块链最大的标的物 回报率相关性是0.07 ？

最后，带着纠结的心情，再画了一张标准化之后的图：标准化之后的 区块链ETF和标的物 历史盈利 走势比较

小结：

上图因为是标准化之后的，只能看一下两者之间的累积盈利关系，不是绝对值比较。虽然在绝对值和量化的相关性上，都无法模拟区块链标的物的表现，但是在这张图上，作者还是想说一点东西的，有兴趣了解的小伙伴可以去雪球上看作者对于这张图的具体分析。Victor大雪球 - 雪球​xueqiu.com