python代码实现技术指标: 转债正股的乖离率 |
您所在的位置:网站首页 › 可转债对应正股代码 公式 › python代码实现技术指标: 转债正股的乖离率 |
python代码实现技术指标: 转债正股的乖离率
乖离率(BIAS)是描述股价与股价的移动平均线的相距的远近程度。BIAS指的是相对距离。 1.BIAS的计算公式及参数。 N日乖离率=(当日收盘价-N日移动平均价)/N日移动平均价式中:分子为股价(收盘价)与移动平均价的绝对距离,可正可负,除以分母后,就是相对距离。 移动平均价为1元时相差0.1元,与移动平均价为10元时相差0.1元是很不相同的,所以在一定场合要用相对距离,不应考虑绝对距离。 BIAS的公式中含有参数的项只有一个,即MA。这样,MA的参数就是BIAS的参数,即乖离率的参数就是移动平均价的参数,也就是天数。参数大小的选择首先影响MA,其次影响BIAS。一般说来,参数选得越大,则允许股价远离MA的程度就越大。换句话说,股价远离MA到了一定程度,我们就会认为该回头了,而这个远离的程度是随着参数的变大而变大的。例如,参数为5时,我们可能认为BIAS到了4%股价就该回头了;而参数为10时,我们则必须等到BIAS超过4%,比方说到了7%才认为股价该回头。 2.BIAS的应用法则。 BIAS的原理是离得太远了就该回头,因为股价天生就有向心的趋向,这主要是由人们的心理因素造成的。 另外,经济学中价格与需求的关系也是产生这种向心作用的原因。股价低需求就大,需求一大,供不应求,股价就会上升;反之,股价高需求就小,供过于求,股价就会下降,最后达到平衡,平衡位置就是中心。 BIAS的应用法则主要是从以下考虑: 从BIAS的取值大小方面考虑。这个方面是产生BIAS的最初的想法。找到一个正数或负数,只要BIAS一超过这个正数,我们就应该感到危险而考虑抛出, 只要BIAS低于这个负数,我们就感到机会可能来了而考虑买入。这样看来问题的关键就成了如何找到这个正数或负数,它是采取行动与沉默的分界线。 上面的是百度出来的bias的解释。 也看到少数人用这个指标来根据正股来追踪转债,获得不错的收益率。所以笔者也尝试下该参数的计算。有空再把回测贴上了。 python 代码实现 #计算方法: #bias指标 #N期BIAS=(当日收盘价-N期平均收盘价)/N期平均收盘价*100% df['bias_6'] = (df['close'] - df['close'].rolling(6, min_periods=1).mean())/ df['close'].rolling(6, min_periods=1).mean()*100 df['bias_12'] = (df['close'] - df['close'].rolling(12, min_periods=1).mean())/ df['close'].rolling(12, min_periods=1).mean()*100 df['bias_24'] = (df['close'] - df['close'].rolling(24, min_periods=1).mean())/ df['close'].rolling(24, min_periods=1).mean()*100 df['bias_6'] = round(df['bias_6'], 2) df['bias_12'] = round(df['bias_12'], 2) df['bias_24'] = round(df['bias_24'], 2)核心就是上面的几行,压缩下,变成一个函数,df为正股的日线数据。 N为要计算的N期 def bias(df,N): label='bias_{}'.format(N) df[label] = (df['closePrice'] - df['closePrice'].rolling(N, min_periods=1).mean())/ df['closePrice'].rolling(N, min_periods=1).mean()*100 df[label] = df[label].map(lambda x:round(x,2)) return df.iloc[-1][label]当然,写成map函数也可以,一行即可。不过这样追求简洁反而让看的人错过某些细节信息。 python花式炫技要不得。 有了核心部分,剩下的边角料就一步一步填就好了。 获取转债对应正股的代码方法1: 集思录和宁稳的数据,数据准确性与更新最快,有过滤强赎公告。 具体操作方式见文: 集思录: https://t.zsxq.com/zJM7qVJ 宁稳: https://t.zsxq.com/jemEI6y 日线数据获取:tushare,但需要积分(¥¥¥¥),过滤出来的数据需要通过时间过滤,因为出来的很多历史数据。 之前共享了一个pro 版本的token,也可以直接使用,无限调用。 用这个方法本地既可以跑,也可以上QMT实盘,用于每天自动选债。 方法2: 量化平台,优矿、聚宽等。 方便,不需要本地安装python环境。不过没法每次做成自动化操作,只能每次都要打开网页,点一下运行。无法每天自动运行通知到自己的微信。 下面用方法2来实现: 获取所有 转债与正股代码 def get_bonds_list(beginDate=u"20170101", endDate=u"20201215",EB_ENABLE=False): df = DataAPI.MktConsBondPremiumGet(SecID=u"", tickerBond=u"", beginDate=beginDate, endDate=endDate, field=u"", pandas="1") cb_df = df.tickerBond.str.startswith(('12', '11')) df = df[cb_df] cb_df = df.tickerBond.str.startswith('117') df = df[~cb_df] if not EB_ENABLE: eb = df.secShortNameBond.str.match('\d\d.*?E[123B]') # TODO 判断EB是否过滤 df = df[~eb] ticker_list = [] remove_duplicated = set() for _, row in df[['tickerBond', 'secShortNameBond', 'tickerEqu']].iterrows(): if row['tickerBond'] not in remove_duplicated: ticker_list.append((row['tickerBond'], row['secShortNameBond'], row['tickerEqu'])) remove_duplicated.add(row['tickerBond']) ticker_list = force_redemption(ticker_list, beginDate) return ticker_list start_date = '2022-01-14' ticker_list=get_bonds_list(start_date,start_date)开始时间与结束时间同一天,start_date='2022-01-14', 因为我们需要计算当前的bias的值,所以我们不取历史强赎的转债数据。 取的正股日期,以当前日期往前N×2天,比如要求N=6的周期,那么就取个6*2=12天的历史日线。 实际正常取N+3即可,为了以防节假日的时候数据过少导致k线不够。 start_date_dt = datetime.strptime(start_date,'%Y-%m-%d') + timedelta(days=-N*2) start_date_str = start_date_dt.strftime('%Y-%m-%d')所以使用一个正股代码求bias值的代码为: def get_zg_bias(code): df=DataAPI.MktEqudAdjGet(secID=u"",ticker=code,tradeDate=u"",beginDate=start_date_str,endDate=u"",isOpen="1",field=u"closePrice,tradeDate",pandas="1") return bias(df,N)批量取所有转债正股的bias只需要一个循环: ticker_list=get_bonds_list(start_date,start_date) bias_list =[] N = 6 for bond in ticker_list: _bias = get_zg_bias(bond[2]) bias_list.append({'zg_name':bond[1],'code':bond[0],'bias':_bias})把结果转为dataframe bias_df = pd.DataFrame(bias_list)得到的是6日均线的bias值排序,看看结果: 当前bias最大的10值。 最大的居然是亚药转债的正股,bias值为25.14. 上表中最大的在最底下。 接着依次是万孚转债,润达转债的正股。 6日均线的bias更多应用在短线上,选出来的都是多头均线排列。当然这时更加需要溢价率的配合,结合溢价率,把高溢价率的去除。 不然100%的溢价率,即使正股继续涨停,也得要涨100%多才能消化掉这个溢价率。 计算转债溢价率,然后把高溢价率的去除,这里阈值随意给一个,比如过滤掉30% def getBondPremRatio(codelist): return DataAPI.MktConsBondPerfGet(beginDate=start_date,endDate=start_date,secID=u"",tickerBond=codelist,tickerEqu=u"",field=u"tickerBond,bondPremRatio",pandas="1")溢价率与bias合并 join_df = pd.merge(bias_df,bondPremRatio_list,left_on='code',right_on='tickerBond',how='inner')过滤溢价率大于30%的,bias值最大的10值 join_df[join_df['bondPremRatio'] |
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |