用Python回顾A股历史上813次跳空,有多少回补了,又有多少还未回补?| 邢不行

2024-01-10 02:10

本文主要是介绍用Python回顾A股历史上813次跳空,有多少回补了,又有多少还未回补?| 邢不行,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!

多年以后,面对上证指数重回5900点,投资者们都会想起2007年11月2日那次遥远的向下跳空。

A股市场上有很多格言源于对交易经验的总结和共识,其中有一句广为流传,叫做「跳空必回补」

关于这句话,我们可以找到大量案例与之印证。

比如2008年9月19日大盘大幅向上跳空,11个交易日后(10月13日)回补缺口

再比如2020年2月3日大盘大幅向下跳空,10个交易日后(2月17日)回补缺口

 纵观A股历史,大盘跳空时有发生,而回补也总是紧随其后。所以在A股,跳空必会回补吗?

下文我们将通过对上证指数历史数据的分析,来尝试着总结出大盘跳空回补的规律,并形成一个有效的量化策略

01 什么是跳空

首先我们要知道什么是跳空。一般根据跳空的方向不同,可以将跳空分为向上跳空向下跳空

向上跳空:当前K线的最低价高于前一根K线的最高价。

向下跳空:当前K线的最高价低于前一根K线的最低价。

 跳空本质上就是相邻两根K线的最高价和最低价之间出现一个明显的缺口。

02 跳空回补

至此我们了解了跳空,那什么是跳空回补呢?

跳空回补即股价向上跳空后,价格重新跌回跳空前,或股价向下跳空后,价格重新涨回跳空前。

比如图中发生向下跳空,5个交易日后K线的最高价超过了跳空前K线的最低价,此时就完成了一次回补。

                                                                向下跳空完成回补

当然并非所有的跳空都会在短时间内回补。

比如图中指数向上跳空后一路上涨,并未跌回跳空前的价格,即未完成回补。

                                                               跳空后短时间内未回补

那关于跳空后是否大概率会回补,很多人持不同的看法

我们做量化交易的对这些所谓的市场经验一定要保持质疑的心,一切用数据说话

接下来我们就去看看历史上发生了多少次跳空,跳空后回补的概率又有多大。

03 跳空必回补?

首先我们找来了上证指数的全部历史交易数据,包含了指数从90年上市至今每天的开高收低价格,非常的完备。

                                                               上证指数历史数据

然后再借助Python代码来计算出指数跳空的次数及回补时间。

如果你需要这个数据和代码的话,可以点我头像交流,都是可以免费发给你的。

最终的结果如图所示:

 从1990年12月19日到2022年11月14日,上证指数总共出现813次跳空。其中783次都回补了,概率高达96.31%。

看到回补概率如此之高,想必很多人会认为这个结论可以直接用来赚钱吧?

但事实并非如此。

04 跳空多久回补

1 跳空回补时长

比如遇到如下情况,应该没几个人有耐心等待回补。

2008年3月13日上证指数向下跳空,直到15年的4月13日指数价格才重回4000点,完成回补,历时2587天。

因此我们统计了每次跳空回补所需天数的分布情况:

大多数回补都在50天内完成,也有少部分需要400天以上平均回补时长84天

进一步看50天内回补的天数分布情况:

可以发现大多数的回补都是在10天之内完成的,在所有回补中占比55%

2 其他指数统计

有同学可能想看其他指数甚至个股的跳空回补情况,我也给大家准备好了相应的数据,感兴趣的可以点我头像交流,都是可以免费发给大家的。

至此我们了解了跳空回补的整体情况。但跳空实际上也分多种形式。不同的跳空之间,情况是否有区别呢?

05 不同方向跳空

1 跳空次数

我们按向上和向下两个方向的跳空分别统计:

                                                    绿色为回补次数,橙色为未回补次数

历史上大盘向上跳空478次,其中24次未回补向下跳空335次,其中8次未回补

向下跳空更容易回补这一现象也很好解释:向下跳空回补的关键在于指数价格的回升。

A股虽然伤了很多人的心,但整体曲线仍是向上的,自然可以完成更多向下跳空的回补。

                                                              指数价格曲折上升

2 回补时长

而不同方向上的跳空所需要的回补时间也不同。

向上和向下跳空回补的平均时间分别是86天和80天。

最极端的案例中,向下跳空整整用了2681天才完成回补;而向上跳空用了2182天

比如发生在1999年5月20日的极端案例:

这看起来只是一次平平无奇的向上跳空,但随后指数价格一路上涨,直到2005年的5月10日才回补缺口,历时6年

而这次回补也让市场情绪降到了最低点,为之后牛市开启做好了准备。

当然跳空之后至今没有回补的案例也是存在的,最著名就发生在2007年11月2日:

大盘在5860点向下跳空,至今仍未回补。

虽然之后肯定会回补,不过在何时就不好判断了,大家也可以在评论区说一下自己的猜测。

06 不同幅度的跳空

1 跳空幅度统计

看了这么多的案例,我们发现每次跳空的幅度差距也极大。有些跳空连0.01%都没有,有些却高达10%。

那不同幅度的跳空背后又有怎样的规律呢?

从上图中可以看出,跳空幅度在0.01%到0.5%之间出现最多,共598次。

2 跳空幅度影响

那么跳空的大小是否会影响后续的回补,比如说是否有跳空越大越难回补这样的结论呢?

经计算发现,跳空幅度在1%-5%的范围内回补的概率是最高的,但和其他组别相差不大

所以整体来看跳空是否回补和跳空的大小没有太明显的关系。

至此我们从跳空的方向、幅度大小两个角度进行了分析,验证了跳空必回补这句格言是否有效。

07 总结

最后我们做个简单的总结。

一、跳空回补的几率很大,接近于100%。但总有那么一两次跳空是不会回补的。

二、大部分跳空会在10天之内回补,少部分跳空回补时长在400天以上。

三、向下跳空更容易回补,且回补周期更短。

四、大部分跳空幅度较小,在0.5%以内,且跳空幅度与是否回补并无显著关系。

此外我们还有很多其他的量化分析方向,感兴趣的可以去一一尝试,也可以点头像和我交流。

 

08 后记

文章的最后,和大家分享一点量化投资的心得

很多人问我小白如何开始学习量化投资,有什么可以书单推荐

我的建议是千万不要直接找本书来看。

你找本编程书看,那跟着敲完“Hello World”就结束了;你找本数学书看,那看到第七页的公式就睡着了。

更好的学习方式是做实际的项目,在实践中学习量化策略。

研报就是很好的量化实践项目。

一篇研报就是一个策略,作者都是年薪百万的高学历券商分析师,你要做的就是读懂策略研报,并用代码实现。

在此期间什么不会学什么,哪里不会点哪里,抱着解决问题的心态去学习,事半功倍。

熟读唐诗三百首,不会作诗也会吟。

那么哪里可以获取研报呢?

你可以点我头像交流,我这里有分门别类几万份研报,还会实时更新

我会区分难度,精选之后发给你。

 

点我头像后,也可以交流量化投资相关问题,我比较忙,回复的比较慢,但是看到的都会回复。

聊的开心,聊得有缘,很多量化的数据、资料都是可以送给你的。

也可以翻翻我朋友圈的内容,很多量化干货。一些不会公开发的内容,都会在朋友圈说。

这篇关于用Python回顾A股历史上813次跳空,有多少回补了,又有多少还未回补?| 邢不行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/589205

相关文章

python: 多模块(.py)中全局变量的导入

文章目录 global关键字可变类型和不可变类型数据的内存地址单模块(单个py文件)的全局变量示例总结 多模块(多个py文件)的全局变量from x import x导入全局变量示例 import x导入全局变量示例 总结 global关键字 global 的作用范围是模块(.py)级别: 当你在一个模块(文件)中使用 global 声明变量时,这个变量只在该模块的全局命名空

【Python编程】Linux创建虚拟环境并配置与notebook相连接

1.创建 使用 venv 创建虚拟环境。例如,在当前目录下创建一个名为 myenv 的虚拟环境: python3 -m venv myenv 2.激活 激活虚拟环境使其成为当前终端会话的活动环境。运行: source myenv/bin/activate 3.与notebook连接 在虚拟环境中,使用 pip 安装 Jupyter 和 ipykernel: pip instal

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程(Gaussian Process,简称GP)是一种概率模型,用于描述一组随机变量的联合概率分布,其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数(或核函数) 1.3 核函数1.4 高斯过程回归(Gauss

【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络(1)sklearn

系列文章目录 监督学习:参数方法 【学习笔记】 陈强-机器学习-Python-Ch4 线性回归 【学习笔记】 陈强-机器学习-Python-Ch5 逻辑回归 【课后题练习】 陈强-机器学习-Python-Ch5 逻辑回归(SAheart.csv) 【学习笔记】 陈强-机器学习-Python-Ch6 多项逻辑回归 【学习笔记 及 课后题练习】 陈强-机器学习-Python-Ch7 判别分析 【学

nudepy,一个有趣的 Python 库!

更多资料获取 📚 个人网站:ipengtao.com 大家好,今天为大家分享一个有趣的 Python 库 - nudepy。 Github地址:https://github.com/hhatto/nude.py 在图像处理和计算机视觉应用中,检测图像中的不适当内容(例如裸露图像)是一个重要的任务。nudepy 是一个基于 Python 的库,专门用于检测图像中的不适当内容。该

pip-tools:打造可重复、可控的 Python 开发环境,解决依赖关系,让代码更稳定

在 Python 开发中,管理依赖关系是一项繁琐且容易出错的任务。手动更新依赖版本、处理冲突、确保一致性等等,都可能让开发者感到头疼。而 pip-tools 为开发者提供了一套稳定可靠的解决方案。 什么是 pip-tools? pip-tools 是一组命令行工具,旨在简化 Python 依赖关系的管理,确保项目环境的稳定性和可重复性。它主要包含两个核心工具:pip-compile 和 pip

HTML提交表单给python

python 代码 from flask import Flask, request, render_template, redirect, url_forapp = Flask(__name__)@app.route('/')def form():# 渲染表单页面return render_template('./index.html')@app.route('/submit_form',

查看提交历史 —— Git 学习笔记 11

查看提交历史 查看提交历史 不带任何选项的git log-p选项--stat 选项--pretty=oneline选项--pretty=format选项git log常用选项列表参考资料 在提交了若干更新,又或者克隆了某个项目之后,你也许想回顾下提交历史。 完成这个任务最简单而又有效的 工具是 git log 命令。 接下来的例子会用一个用于演示的 simplegit

Python QT实现A-star寻路算法

目录 1、界面使用方法 2、注意事项 3、补充说明 用Qt5搭建一个图形化测试寻路算法的测试环境。 1、界面使用方法 设定起点: 鼠标左键双击,设定红色的起点。左键双击设定起点,用红色标记。 设定终点: 鼠标右键双击,设定蓝色的终点。右键双击设定终点,用蓝色标记。 设置障碍点: 鼠标左键或者右键按着不放,拖动可以设置黑色的障碍点。按住左键或右键并拖动,设置一系列黑色障碍点

Python:豆瓣电影商业数据分析-爬取全数据【附带爬虫豆瓣,数据处理过程,数据分析,可视化,以及完整PPT报告】

**爬取豆瓣电影信息,分析近年电影行业的发展情况** 本文是完整的数据分析展现,代码有完整版,包含豆瓣电影爬取的具体方式【附带爬虫豆瓣,数据处理过程,数据分析,可视化,以及完整PPT报告】   最近MBA在学习《商业数据分析》,大实训作业给了数据要进行数据分析,所以先拿豆瓣电影练练手,网络上爬取豆瓣电影TOP250较多,但对于豆瓣电影全数据的爬取教程很少,所以我自己做一版。 目