量化交易：筹码理论的探索-筹码分布计算的实现

2023-11-26 04:30
文章标签 实现 分布 计算 探索 理论 量化 交易 筹码

本文主要是介绍量化交易：筹码理论的探索-筹码分布计算的实现，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

前言

很多朋友习惯了同花顺、大智慧等看盘软件，经常问到筹码分布如何计算。

说起来筹码分布的理论在庄股时代堪称是一个划时代产品，虽然历经level2数据、资金流统计、拆单算法与反拆单算法等新型技术的变革，庄股时代也逐渐淡出市场，但其背后的市场逻辑仍然具备一定的参考意义。

本篇就以BigQuant平台为基础，复现经典筹码理论的基础变量计算，为因子挖掘提供更多参考特征。

资金和筹码

资金是推动筹码移动的源动力，资金的强弱决定了筹码移动的方向。买入的资金强于卖出的筹码，说明筹码需求大于供应，股价就会上涨。相反，卖出的筹码强于买入的资金，说明筹码需求小于供应，股价就会下跌。当买入的力量和卖出的力量接近平衡时，说明供求相近，股价就会横盘震荡。

筹码理论背后的经典逻辑

  • 谁的筹码不抛 
      在筹码价位较高，没有明显出货迹象时，试想一只股票下跌了30%以上，而从没有放量，高端和低端筹码都不动，这是不正常的，散户重在散，下跌到一定程度一定会有很多人止损和出局，而持续盘跌不放量，只能说明其中有主力被套了，因为主力一般无法止损出局，那样成本太高了。这种股最适用于擒庄操作
  • 谁的筹码不卖 
      在筹码价位较低时，一只股票上涨了20%以上，而从不放量，底端密集筹码不动也是不正常的，散户一般很少有人经得起如此引诱而一致不出货，这只能说明其中有主力在运做，而多数主力没有30%以上的利润是不会离场的，因为那样除去费用纯利就太低了。这种股最适用于坐轿操作。
  • 机会和风险提示 
      有些股票虽然高位无量，但其拉升时出现了放量或长时间盘整，使筹码出现了高位集中，这些股一般是主力离场了，后市风险会较大。有些股低位放量或长时间盘整，出现筹码低位密集，一般是有主力进行收集造成的，操作起来机会比较大。

 

筹码理论的关键参数

  • 筹码分布 
      计算历史所有筹码的换手价位，类似分价表
  • 成本均线 
      以成交量为权重的价格平均线，用来表示N日内的市场参与者平均建仓成本。无穷成本平均线是最重要的成本均线，反映上市以来所有交易者的平均建仓成本，是市场牛熊的重要分水岭。
  • 筹码集中度 
      刻画主要筹码堆积的主要区域的幅度，数值越大表示筹码集中的幅度越大，筹码就越分散。
  • 活跃筹码 
      价附近的筹码是最不稳定的，也是最容易参与交易的，因为在股价附近的股票持有者，最经受不住诱惑，盈利的想赶快把浮动盈利换成实际盈利；被套的想趁着亏损得还少赶快卖掉，利用资金买另外的股票，把亏损赶快挣回来。而远离股价，在下方的筹码，由于有了一定的利润，持股信心会增强；在上方的筹码，由于被套太深而不愿割肉，所以在股价附近的筹码是最活跃的，而在股价上下，远离股价的筹码是不太活跃的。活跃筹码的数值很小时是很值得注意的一种情况。比如，一只股票经过漫长的下跌后，活跃筹码的值很小(小于10)，大部分筹码都处于被套较深的状态，这时多数持股者已经不愿意割肉出局了，所以这时候往往能成为一个较好的买入点；再比如：一只股票经过一段时间的上涨，活跃筹码很小(小于10)，大部分筹码都处于获利较多的状态，如果这时控盘强弱的值较大(大于20)，前期有明显的庄股特征，总体涨幅不太大，也能成为一个较好的买入点。所以，在股价运行到不同的阶段时，考虑一下活跃筹码的多少，能起到很好的辅助效果。

筹码理论的股价周期阐述

股价走势循环周期的四个阶段
A阶段：无穷成本均线由向下到走平；俗称筑底阶段；
B阶段：无穷成本均线由走平到向上；俗称拉升阶段，可称为上升阶段；
C阶段：无穷成本均线由向上到走平；俗称作头(顶)阶段；
D阶段：无穷成本均线由走平到向下；俗称派发阶段，可称作下降阶段；

1、筹码的价位分布计算

instruments = ['601700.SHA']
#这里尽量包含从上市日期开始到最后的数据
df = D.history_data(instruments, start_date='2005-01-02', end_date='2018-07-04',
fields=['open','close','adjust_factor','turn','volume']) #获取历史数据
df['real_close']=df['close']/df['adjust_factor']#获取真实收盘价
df['real_open']=df['open']/df['adjust_factor']#获取真实开盘价
df['turn']=df['turn']/100#获取换手率
df['avg_price']=np.round(df['real_close']+df['real_open'])/2#计算每日平均成本,这里按照0.5元一个价位做分析
df=df.sort_values(by='date',ascending=False).reset_index(drop=True)#日期按降序排列
df['turn_tomo']=df['turn'].shift(1) #计算明日的换手率
df['remain_day']=1-df['turn_tomo'] #计算当日的剩余筹码比例
#假设N日后，上市第一天的剩余筹码比率就是每日剩余比例的累乘即：剩余筹码比例=(1-明天换手率)*(1-后日换手率)*...*(1-最新日换手率),以此类推各日的剩余筹码
df['remain_his']=df['remain_day'].cumprod()*df['turn'] 
df['remain_his']=df['remain_his'].fillna(df['turn'])#最新一日的筹码就是当日的换手率

#关键统计，统计最后一天的各价位历史筹码堆积量（百分比）
ss=df.groupby('avg_price')[['remain_his']].sum().rename(columns={'remain_his':'筹码量'})
ss.head(10)
筹码量
avg_price
3.50.060804
4.00.044996
4.50.120760
5.00.120956
5.50.059544
6.00.149679
6.50.075149
7.00.073177
7.50.069574
8.00.141947
#检查一下各价位筹码总和是不是1
ss['筹码量'].sum()

1.0000001

2、筹码理论的Winner指标

#计算end_date时某一价位的获利比例
pp=ss.reset_index()
pp[pp.avg_price	<=3.5]['筹码量'].sum()

0.06080448
#计算end_date时收盘价的获利比例
pp[pp.avg_price	<=df['real_close'].iloc[-1]]['筹码量'].sum()

0.9996914

3、筹码理论的Cost指标

ss['筹码累积量']=ss['筹码量'].cumsum()
ss.head()
筹码量筹码累积量
avg_price
3.50.0608040.060804
4.00.0449960.105800
4.50.1207600.226561
5.00.1209560.347516
5.50.0595440.407060
#给定累计获利比率winner_ratio,计算对应的价位，表示在此价位上winner_ratio的筹码处于获利状态
winner_ratio=0.5
for i in range(len(ss)-1):if ss['筹码累积量'].iloc[i] < winner_ratio and ss['筹码累积量'].iloc[i+1]> winner_ratio:cost=ss.index[i]
cost

5.5

4、计算全市场各股票的winner指标

instruments = ['601700.SHA','601699.SHA']
#这里尽量包含从上市日期开始到最后的数据
df = D.history_data(instruments, start_date='2005-01-02', end_date='2018-02-14',
fields=['open','close','adjust_factor','turn','volume']) #获取历史数据
df['real_close']=df['close']/df['adjust_factor']#获取真实收盘价
df['real_open']=df['open']/df['adjust_factor']#获取真实开盘价
df['turn']=df['turn']/100
df['avg_price']=np.round(df['real_close']+df['real_open'])/2#计算每日平均成本,这里按照0.5元一个价位做分析
df=df.sort_values(by='date',ascending=False).reset_index(drop=True)#日期按降序排列
df['turn_tomo']=df.groupby('instrument')['turn'].apply(lambda x:x.shift(1)) #计算明日的换手率
df['remain_day']=1-df['turn_tomo'] #计算当日的剩余筹码比例

#假设N日后，上市第一天的剩余筹码比率就是每日剩余比例的累乘即：剩余筹码比例=(1-明天换手率)*(1-后日换手率)*...*(1-最新日换手率),以此类推各日的剩余筹码
df['remain_his']=df.groupby('instrument')['remain_day'].apply(lambda x:x.cumprod())
df['remain_his']=df['remain_his']*df['turn']
df['remain_his']=df['remain_his'].fillna(df['turn'])#最新一日的筹码就是当日的换手率

#关键统计，统计最后一天的各价位历史筹码堆积量（百分比）
ss=df.groupby(['instrument','avg_price'])[['remain_his']].sum().rename(columns={'remain_his':'筹码量'}).reset_index()

real_close=df.groupby('instrument')[['real_close']].apply(lambda x:x.iloc[0]).reset_index()
pp=ss.merge(real_close,on='instrument')
#计算end_date时收盘价的获利比例
winner=pp[pp.avg_price<=pp.real_close].groupby('instrument')[['筹码量']].sum().rename(columns={'筹码量':'winner'})
winner
winner
instrument
601699.SHA0.639122
601700.SHA0.817013
#检查各股票各价位的筹码总和是否为1
ss.groupby('instrument')['筹码量'].sum()

instrument
601699.SHA    1.0
601700.SHA    1.0
Name: 筹码量, dtype: float32

计算全市场各股票每日的winner指标

instruments = ['601700.SHA','601699.SHA']
#这里尽量包含从上市日期开始到最后的数据
df_all = D.history_data(instruments, start_date='2005-01-02', end_date='2018-02-14',
fields=['open','close','adjust_factor','turn','volume']) #获取历史数据

def cal_winner_day(df_all):winner=[]for k in list(df_all.date):df=df_all[df_all.date<=k]df['real_close']=df['close']/df['adjust_factor']#获取真实收盘价df['real_open']=df['open']/df['adjust_factor']#获取真实开盘价df['turn']=df['turn']/100#获取换手率df['avg_price']=np.round(df['real_close']+df['real_open'])/2#计算每日平均成本,这里按照0.5元一个价位做分析df=df.sort_values(by='date',ascending=False).reset_index(drop=True)#日期按降序排列df['turn_tomo']=df['turn'].shift(1)#计算明日的换手率df['remain_day']=1-df['turn_tomo'] #计算当日的剩余筹码比例#假设N日后，上市第一天的剩余筹码比率就是每日剩余比例的累乘即：剩余筹码比例=(1-明天换手率)*(1-后日换手率)*...*(1-最新日换手率),以此类推各日的剩余筹码df['remain_his']=df['remain_day'].cumprod()df['remain_his']=df['remain_his']*df['turn']df['remain_his']=df['remain_his'].fillna(df['turn'])#最新一日的筹码就是当日的换手率#关键统计，统计最后一天的各价位历史筹码堆积量（百分比）ss=df.groupby('avg_price')[['remain_his']].sum().rename(columns={'remain_his':'筹码量'}).reset_index()ss['real_close']=df['real_close'].iloc[0]#计算end_date时收盘价的获利比例winner_day=ss[ss.avg_price<=ss.real_close]['筹码量'].sum()winner.append(winner_day)result=pd.DataFrame({'winner':winner},index=df_all.date)return result

winner_all=df_all.groupby('instrument').apply(cal_winner_day)

winner_all.reset_index().sort_values(by='date',ascending=False).head()
instrumentdatewinner
4497601700.SHA2018-02-140.817013
2773601699.SHA2018-02-140.639122
2772601699.SHA2018-02-130.518967
4496601700.SHA2018-02-130.816618
2771601699.SHA2018-02-120.530768

 

这篇关于量化交易：筹码理论的探索-筹码分布计算的实现的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/425120。

相关文章

Oracle查询优化之高效实现仅查询前10条记录的方法与实践

Oracle查询优化之高效实现仅查询前10条记录的方法与实践

《Oracle查询优化之高效实现仅查询前10条记录的方法与实践》：本文主要介绍Oracle查询优化之高效实现仅查询前10条记录的相关资料,包括使用ROWNUM、ROW_NUMBER()函数、FET... 目录1. 使用 ROWNUM 查询2. 使用 ROW_NUMBER() 函数3. 使用 FETCH FI
阅读更多...
Python脚本实现自动删除C盘临时文件夹

Python脚本实现自动删除C盘临时文件夹

《Python脚本实现自动删除C盘临时文件夹》在日常使用电脑的过程中,临时文件夹往往会积累大量的无用数据,占用宝贵的磁盘空间,下面我们就来看看Python如何通过脚本实现自动删除C盘临时文件夹吧... 目录一、准备工作二、python脚本编写三、脚本解析四、运行脚本五、案例演示六、注意事项七、总结在日常使用
阅读更多...
Java实现Excel与HTML互转

Java实现Excel与HTML互转

《Java实现Excel与HTML互转》Excel是一种电子表格格式,而HTM则是一种用于创建网页的标记语言,虽然两者在用途上存在差异,但有时我们需要将数据从一种格式转换为另一种格式,下面我们就来看看... Excel是一种电子表格格式，广泛用于数据处理和分析，而HTM则是一种用于创建网页的标记语言。虽然两
阅读更多...
Java中Springboot集成Kafka实现消息发送和接收功能

Java中Springboot集成Kafka实现消息发送和接收功能

《Java中Springboot集成Kafka实现消息发送和接收功能》Kafka是一个高吞吐量的分布式发布-订阅消息系统,主要用于处理大规模数据流,它由生产者、消费者、主题、分区和代理等组件构成,Ka... 目录一、Kafka 简介二、Kafka 功能三、POM依赖四、配置文件五、生产者六、消费者一、Kaf
阅读更多...
使用Python实现在Word中添加或删除超链接

使用Python实现在Word中添加或删除超链接

《使用Python实现在Word中添加或删除超链接》在Word文档中,超链接是一种将文本或图像连接到其他文档、网页或同一文档中不同部分的功能,本文将为大家介绍一下Python如何实现在Word中添加或... 在Word文档中，超链接是一种将文本或图像连接到其他文档、网页或同一文档中不同部分的功能。通过添加超
阅读更多...
windos server2022里的DFS配置的实现

windos server2022里的DFS配置的实现

《windosserver2022里的DFS配置的实现》DFS是WindowsServer操作系统提供的一种功能,用于在多台服务器上集中管理共享文件夹和文件的分布式存储解决方案,本文就来介绍一下wi... 目录什么是DFS？优势：应用场景：DFS配置步骤什么是DFS？DFS指的是分布式文件系统（Distr
阅读更多...
NFS实现多服务器文件的共享的方法步骤

NFS实现多服务器文件的共享的方法步骤

《NFS实现多服务器文件的共享的方法步骤》NFS允许网络中的计算机之间共享资源,客户端可以透明地读写远端NFS服务器上的文件,本文就来介绍一下NFS实现多服务器文件的共享的方法步骤,感兴趣的可以了解一... 目录一、简介二、部署1、准备1、服务端和客户端：安装nfs-utils2、服务端：创建共享目录3、服
阅读更多...
C#使用yield关键字实现提升迭代性能与效率

C#使用yield关键字实现提升迭代性能与效率

《C#使用yield关键字实现提升迭代性能与效率》yield关键字在C#中简化了数据迭代的方式,实现了按需生成数据,自动维护迭代状态,本文主要来聊聊如何使用yield关键字实现提升迭代性能与效率,感兴... 目录前言传统迭代和yield迭代方式对比yield延迟加载按需获取数据yield break显式示迭
阅读更多...
Python实现高效地读写大型文件

Python实现高效地读写大型文件

《Python实现高效地读写大型文件》Python如何读写的是大型文件,有没有什么方法来提高效率呢,这篇文章就来和大家聊聊如何在Python中高效地读写大型文件,需要的可以了解下... 目录一、逐行读取大型文件二、分块读取大型文件三、使用 mmap 模块进行内存映射文件操作（适用于大文件）四、使用 pand
阅读更多...
python实现pdf转word和excel的示例代码

python实现pdf转word和excel的示例代码

《python实现pdf转word和excel的示例代码》本文主要介绍了python实现pdf转word和excel的示例代码,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价... 目录一、引言二、python编程1，PDF转Word2，PDF转Excel三、前端页面效果展示总结一
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2