利用python分析股票收益率与投资者情绪关系的例子

Ⅰ 行为金融理论与投资者情绪有什么区别

一、市场情绪指数的概述
投资者情绪(Investor Sentiment)，是行为金融学解释市场异象的主要理论基础之一。行为金融学认为，信念和偏好异质的投资者常常是非理性的，其心理因素在投资决策和市场演绎中起着重要作用，情绪的大幅度波动导致认知偏差和情绪偏差，从而放大乐观或悲观的情绪，并致使市场产生错误定价的现象，还有学者提出投资者情绪是影响资本资产定价的一个因子，即资产价格不仅取决于市场Beta，还受投资者情绪Beta的影响。
学术界关于投资者情绪的定义不尽相同，一种简单笼统的定义是投资者对金融资产的一种乐观和悲观的看法或是投资者的一种投机倾向。而较为学术化的定义是投资者基于对资产未来现金流和投资风险的预期而形成的一种信念，但这一信念并不能完全反映当前已有的事实，不同投资者对同一资产可能会有不同的信念。然而，当投资者的情绪或信念具有较大的社会性或普遍性时，投资者的行为就会在互动机制作用下趋于一致，从而影响市场定价。
和市场情绪相关的一个例子是国内A股市场存在较为明显的风格轮换特征，机构热衷于对风格的轮换规律进行研究并制定相应的投资策略，如通过行业动量来选择股票组合以获得超额市场收益。A股市场的风格轮换特性，从行为金融学角度的解释是由于投资者的趋势追逐特性所造成的。当某类风格的股票在某段时间内具有较好的走势时，趋势投资者会对该类风格保持乐观情绪并增加对该类风格资产的投资使得风格走势延续；但过度反应会使得该风格积累过多风险，最终发生反转，并使得市场热点转移到其他的风格资产上。
投资者情绪的研究主要在于如何测度情绪以及基于情绪测度如何制定相应的交易策略。国外制定情绪指数的来源主要有两大类：一是通过直接调查投资者的情绪，包括问卷调查，多空调查等主观因素指标；另一种是采用市场交易公开的统计数据进行处理，即客观或间接指标。第一种主观因素指标虽然直接，但存在样本选择代表性以及问卷失真的问题；第二种间接指标综合考虑了多种因素，但也可能存在一些数据噪音。
目前国内市场情绪的量化方法主要采用第二种方式，且集中在对于股票市场的情绪刻画上。中信证券的一份关于投资者情绪指数编制的报告中，提出通过五类指标构建投资者情绪的监控指标体系，具体包括：(1)市场整体类指标：整体市盈率、市净率、换手率；(2)市场结构类指标：上涨家数比下跌家数、小盘股相对大盘股的超额收益率等；(3)IPO系列指标：股票首发上市家数、新股上市首日涨幅；(4)封闭式基金折价率；(5)资金流动指标：A股账户净增加数。报告中的实证结果表明通过主成分分析法构建的投资者情绪指数，可以用来预测股市的大顶和大底。具体到投资策略上，当投资者情绪上升时，可以超配具有高的正情绪Beta的行业；当投资者情绪下降时，可以超配具有高的负情绪Beta行业。
二、股指期货市场情绪指标的选择
虽然股指期货市场是作为管理股市风险的现货影子市场，但由于其交易标的、交易方式、市场参与者等因素的不同，使得股指期货市场具备了不同于股票现货市场的一些特性。因此，本文从股指期货市场的自身特性出发，试图寻找影响股指期货市场情绪的一些变量，再通过主成分分析方法构建股指期货市场的情绪指数。
本文所选取的反映股指期货市场情绪的因素包括以下几个方面：
1、成交量
成交量是反映市场交易活跃度最直接的指标，“指数的成交量是最真实的”、“量价齐升后市看涨”等都是投资者耳熟能详的市场语言。成交量变化的背后是各路资金的流入和流出，反映了投资者对个股或市场的信心水平。较大的成交量表明市场交易情绪偏乐观，而较低迷的成交量则表明市场情绪偏谨慎或悲观。一些国际投行也常把成交量指标作为量化系统的重要组成部分。成交量同时也是构建市场情绪指数中的备选变量。
对于股指期货而言，每个交易日共有当月连续、下月连续、下季连续和隔季连续四个合约交易，并且近月合约的成交量(当月和下月成交量之和)平均占该月份所有合约总成交量的98%以上。另外，沪深300指数作为股指期货的标的，其成交量的变化反映了现货市场的活跃程度，现货市场成交量的放大对带动股指期货市场活跃度将产生一定影响。因此，选取每个交易日四个期指合约总的成交量、以及沪深300指数的成交量作为反映股指期货市场情绪的两个成交量指标。
2、持仓量
持仓量指的是当日收盘后累计的未平仓合约数。中金所在每日收盘结束后，会公布“每日结算会员成交持仓排名”，从数据中可以得到排名前20的结算会员持卖单量和持买单量的变化。由于套期保值头寸的因素，前20主力持仓基本呈现净空单的状态，一般情况下，主力空头和多头的资金都会集中在排名靠前的结算会员中，主力机构的净空单变化情况往往会对后市产生一定影响。
我们统计了期指上市以来至2011-4-20的前20主力持仓结构数据。我们取成交量排名前五的五家机构，分别为国泰君安期货、海通期货、华泰长城期货、广发期货和银河期货，作为参考机构样本，计算出每天这五家机构累计总持仓的变化。统计结果表明，这五家机构单日累计净空单增加1000手以上的交易日有23个，其中次日期指下跌的交易日为17个，对应的概率为73.9%；这五家机构单日累计净空单减少1000手以上的交易日有13个，次日期指上涨的交易日为9个，对应的概率为69.2%。
TOP5比TOP20的净空单的波动要大一些，对比上述TOP5的每日净空单曲线和期指走势，发现两者并没有明显的相关性，然而在某个时点上，当这五家机构的累计净空单发生大规模变化时，往往会影响到期指短期走势。虽然持仓结构数据的准确性会由于分级结算和机构资金分仓的问题而受到影响，但持仓结构在一定程度上还是反映了多空情绪的变化，因此我们选择上述五家机构的累计净空单的滞后一期作为反映期指市场情绪的一个指标。
3、日内波动率
期指波动率越大时，通常投资者分歧较大，投资者乐观或悲观情绪较为浓厚；期指波动率小则表明市场对当前价格水平较为认同，市场情绪较为平淡。把波动率作于情绪指数指标的思想来源于VIX指数。VIX又称为投资者恐慌指标(The Investor Fear Gauge)，是根据指数期权衍生品价格反推出来的隐含波动率，也可理解为市场情绪指标。
为了对股指期货的日内波动率进行准确的描述，本文采用Andersen, Bollerslev(1998)提出的基于日内高频数据计算的已实现波动率(Realized Volatility)测度方法。由于高频数据中蕴含了比低频数据更多的市场波动信息，因此基于高频数据的波动率测度一定是一种更为真实的市场波动描述。已实现波动率的计算不需要复杂的参数估计方法，无模型、计算简便，在一定条件下是积分波动的无偏估计量，近年来在高频领域中获得了广泛的应用。日内已实现波动率的具体计算方法是把股指期货连续合约的每五分钟数据的高频收益率进行平方求和。考虑到日内收益率波动的聚集性和时序性，我们选取日内波动率的滞后一期作为反映期指市场情绪的一个指标。从图中可以直观看出，当期指行情出现拐点时，对应的日内波动率会出现较大的变动。
4、基差
股指期货的主要功能有套期保值、套利、投机和资产管理。其中，基差的变化是进行期现套利的关键，当基差偏离均衡区间时，往往会引发期现套利者的入场。因此，基差偏离无套利区间的程度反映了期现套利的空间和投资者的市场情绪变化。
从基差的历史走势看，在震荡行情中，基差的波动相对较小；而在阶段性的趋势行情中，基差的波动加大，尤其是2010年国庆节后大盘强劲反弹以及随后的调整阶段，对应的基差波动较大，且具有一定的持续性。因此，基差的走势也反映出市场投资者情绪的变化。但随着市场期现套利者参与程度的提高，基差波动的幅度有所收敛且期现套利的空间随之减少。考虑到基差序列也呈现出时序相关性，我们选取基差的滞后一期作为反映期指市场情绪的一个指标。
参考资料http://www.fx361.com/page/2016/0324/642621.shtml

Ⅱ 如何用python计算某支股票持有90天的收益率

首先你要先获得这支股票90天的数据，可以存在一个arry中。
然后计算收益率 r = (arry[89]-arry[0])/arry[0]，如果要计算任意连续90天的话只要循环就可以了。
许多人更喜欢去做短线，因为短线刺激，无法承受长线持股待涨的煎熬，可是假如不会做短线，则可能会导致亏得更快。做T的秘籍大家一定很想知道，今天就给大家讲讲。
我准备了好处给大家，机构精选的牛股大盘点！希望大家不要错过--速领！今日机构牛股名单新鲜出炉！
一、股票做T是什么意思
现在市场上，A股的交易市场模式是T＋1，意思就是今天买的股票，只有明天才能卖出。
而股票做T，当天买入的股票在当天卖出，这就是股票进行T＋0的交易操作，投资人在可交易的一天通过股票的涨幅和跌停有了股票差价，在股票大幅下跌时赶紧买入，涨得差不多之后再将买入的部分卖出，就是用这种方法赚钱的。
假如说，在昨天我手里还有1000股的xx股票，市价10元/股。今天一大早发现该股居然跌到了9.5元/股，然后趁机买入了1000股。结果到了下午时，这只股票的价格就突然间大幅上涨到一股10.5元，我就急忙地以10.5/股的价格售出1000股，然后获取（10.5－9.5）×1000＝1000元的差价，这就是做T。
但是，不是每种股票做T都合适！正常来说，那些日内振幅空间较大的股票，它们是适合去做T的，比如说，每日能有5%的振幅空间。想知道某只股票适不适合的，点开这里去看一下吧，专业的人员会为你估计挑选出最适合你的T股票！【免费】测一测你的股票到底好不好？

二、股票做T怎么操作
怎么才能够把股票做到T？正常情况下分为两种方式，分别为正T和倒T。
正T即先买后卖，投资手里，手里面赚有这款股票，在当天股票开盘的时候下跌到了最低点时，投资者买入1000股，等到股票变高的时候在高点，将这1000股彻底卖出，持有的总股票数还是跟以前一样，T＋0的效果这样就能够达到了，又能够享有中间赚取的差价。
而倒T即先卖后买。投资者通过严密计算得出，股票存在下降风险，因此在高位点先卖出手中的一部分股票，接着等股价回落后再去买进，总量仍旧有办法保持不变，然而，收益是会产生的。
比方投资者，他占有该股2000股，而10元/股是当天早上的市场价，觉得持有的股票在短时间内就会有所调整，，于是卖出手中的1500股，等股票跌到一股只需要9.5元时，这只股票差不多就已经能让他们感到满意了，再买入1500股，这就赚取了（10-9.5）×1500＝750元的差价。
这时有人就问了，那要如何知道买入的时候正好是低点，卖出的时候正好是高点？
其实有一款买卖点捕捉神器，它能够判断股票的变化趋势，绝对能让你每次都抓住重点，点开链接就能立刻领取到了：【智能AI助攻】一键获取买卖机会

应答时间：2021-09-23，最新业务变化以文中链接内展示的数据为准，请点击查看

Ⅲ 如何用Python和机器学习炒股赚钱

相信很多人都想过让人工智能来帮你赚钱，但到底该如何做呢？瑞士日内瓦的一位金融数据顾问 Gaëtan Rickter 近日发表文章介绍了他利用 Python 和机器学习来帮助炒股的经验，其最终成果的收益率跑赢了长期处于牛市的标准普尔 500 指数。虽然这篇文章并没有将他的方法完全彻底公开，但已公开的内容或许能给我们带来如何用人工智能炒股的启迪。

我终于跑赢了标准普尔 500 指数 10 个百分点！听起来可能不是很多，但是当我们处理的是大量流动性很高的资本时，对冲基金的利润就相当可观。更激进的做法还能得到更高的回报。

这一切都始于我阅读了 Gur Huberman 的一篇题为《Contagious Speculation and a Cure for Cancer: A Non-Event that Made Stock Prices Soar》的论文。该研究描述了一件发生在 1998 年的涉及到一家上市公司 EntreMed（当时股票代码是 ENMD）的事件：

「星期天《纽约时报》上发表的一篇关于癌症治疗新药开发潜力的文章导致 EntreMed 的股价从周五收盘时的 12.063 飙升至 85，在周一收盘时接近 52。在接下来的三周，它的收盘价都在 30 以上。这股投资热情也让其它生物科技股得到了溢价。但是，这个癌症研究方面的可能突破在至少五个月前就已经被 Nature 期刊和各种流行的报纸报道过了，其中甚至包括《泰晤士报》！因此，仅仅是热情的公众关注就能引发股价的持续上涨，即便实际上并没有出现真正的新信息。」

在研究者给出的许多有见地的观察中，其中有一个总结很突出：

「（股价）运动可能会集中于有一些共同之处的股票上，但这些共同之处不一定要是经济基础。」

我就想，能不能基于通常所用的指标之外的其它指标来划分股票。我开始在数据库里面挖掘，几周之后我发现了一个，其包含了一个分数，描述了股票和元素周期表中的元素之间的「已知和隐藏关系」的强度。

我有计算基因组学的背景，这让我想起了基因和它们的细胞信号网络之间的关系是如何地不为人所知。但是，当我们分析数据时，我们又会开始看到我们之前可能无法预测的新关系和相关性。

如果你使用机器学习，就可能在具有已知和隐藏关系的上市公司的寄生、共生和共情关系之上抢占先机，这是很有趣而且可以盈利的。最后，一个人的盈利能力似乎完全关乎他在生成这些类别的数据时想出特征标签（即概念（concept））的强大组合的能力。

我在这类模型上的下一次迭代应该会包含一个用于自动生成特征组合或独特列表的单独算法。也许会基于近乎实时的事件，这可能会影响那些具有只有配备了无监督学习算法的人类才能预测的隐藏关系的股票组。

Ⅳ 股票中的费用和收益是如何算出来的，举个例子最好。

一只股票买入价格（举例2.00元1000股=2000元）
这只股票卖出价格（举例3.00元1000股=3000元）
交易费用（买进费用：
1.佣金0.2%-0.3%，根据你的证券公司决定，但是拥挤最低收取标准是5元。比如你买了1000元股票，实际佣金应该是3元，但是不到5元都按照5元收取
2.过户费（仅仅限于沪市）。每一千股收取1元，就是说你买卖一千股都要交1元
3.通讯费。上海，深圳本地交易收取1元，其他地区收取5元
卖出费用：
1.印花税0.1%
2.佣金0.2%-0.3%，根据你的证券公司决定，但是拥挤最低收取标准是5元。比如你买了1000元股票，实际佣金应该是3元，但是不到5元都按照5元收取
3.过户费（仅仅限于沪市）。每一千股收取1元，就是说你买卖一千股都要交1元
4.通讯费。上海，深圳本地交易收取1元，其他地区收取5元
）
最后收益就是：
3000-2000-（买卖的各种费用）=收益

Ⅳ python实现资产配置(1)----Markowitz 投资组合模型

现假设有A, B, C, D, E五只股票的收益率数据((第二日收盘价-第一日收盘价)/第一日收盘价)), 如果投资人的目标是达到20%的年收益率,那么该如何进行资产配置,才能使得投资的风险最低?

更一般的问题,假设现有x ₁ ,x ₂ ,...,x _n , n支风险资产,且收益率已知,如果投资人的预期收益为goalRet,那么该如何进行资产配置,才能使得投资的风险最低?

1952年，芝加哥大学的Markowitz提出现代资产组合理论(Modern Portfolio Theory，简称MPT)，为现代西方证券投资理论奠定了基础。其基本思想是，证券投资的风险在于证券投资收益的不确定性。如果将收益率视为一个数学上的随机变量的话，证券的期望收益是该随机变量的数学期望（均值），而风险可以用该随机变量的方差来表示。

对于投资组合而言，如何分配各种证券上的投资比例，从而使风险最小而收益最大？

答案是将投资比例设定为变量，通过数学规划，对每一固定收益率求最小方差，对每一个固定的方差求最大收益率，这个多元方程的解可以决定一条曲线，这条曲线上的每一个点都对应着最优投资组合，即在给定风险水平下，收益率最大，这条曲线称作“有效前沿” (Efficient Frontier)。

对投资者而言，不存在比有效前沿更优的投资组合，只需要根据自己的风险偏好在有效前沿上寻找最优策略。
简化后的公式为:

其中 _p 为投资人的投资目标,即投资人期待的投资组合的期望值. 目标函数说明投资人资产分配的原则是在达成投资目标 _p 的前提下,要将资产组合的风险最小化,这个公式就是Markowitz在1952年发表的'Portfolio Selection'一文的精髓,该文奠定了现代投资组合理论的基础,也为Markowitz赢得了1990年的诺贝尔经济学奖. 公式(1)中的决策变量为w _i , i = 1,...,N, 整个数学形式是二次规划(Quadratic Programming)问题,在允许卖空的情况下(即w _i 可以为负,只有等式约束)时,可以用拉格朗日(Lagrange)方法求解。

有效前缘曲线如下图:

我们考虑如下的二次规划问题

运用拉格朗日方法求解,可以得到

再看公式(1),则将目标函数由 min W ^T W 调整为 min 1/2(W ^T W), 两问题等价,写出的求解矩阵为:

工具包: CVXOPT python凸优化包
函数原型: CVXOPT.solvers.qp(P,q,G,h,A,b)

求解时,将对应的P,q,G,h,A,b写出,带入求解函数即可.值得注意的是输入的矩阵必须使用CVXOPT 中的matrix函数转化,输出的结果要使用 print(CVXOPT.solvers.qp(P,q,G,h,A,b)['x']) 函数才能输出。

这里选取五支股票2014-01-01到2015-01-01的收益率数据进行分析.
选取的五支股票分别为: 白云机场, 华夏银行, 浙能电力, 福建高速, 生益科技

先大体了解一下五支股票的收益率情况:

看来，20%的预期收益是达不到了。

接下来,我们来看五支股票的相关系数矩阵：

可以看出，白云机场和福建高速的相关性较高，因为二者同属于交通版块。在资产配置时，不利于降低非系统性风险。

接下来编写一个MeanVariance类，对于传入的收益率数据，可以进行给定预期收益的最佳持仓配比求解以及有效前缘曲线的绘制。

绘制的有效前缘曲线为：

将数据分为训练集和测试集，并将随机模拟的资产配比求得的累计收益与测试集的数据进行对比，得到：

可以看出，在前半段大部分时间用Markowitz模型计算出的收益率要高于随机模拟的组合，然而在后半段却不如随机模拟的数据，可能是训练的数据不够或者没有动态调仓造成的，在后面写策略的时候，我会加入动态调仓的部分。

股票分析部分：

Markowitz 投资组合模型求解

蔡立专：量化投资——以python为工具. 电子工业出版社

Ⅵ 与经济学相关的一道统计学问题：一位投资者持有一种股票，2001-2004年的收益率分别为4.5%，2.1%，25.5%

减去1是减去本金，剩下的才是收益。
一、收益率直接相乘的意义是第一年赚了4.5%，第二年这赚的4.5%又赚了2.1%，但其实还有本金1也赚了2.1%，你没有计算。
二、一国的经济增长和股市回报没有必然的关系，有时候甚至有负相关关系股市表现最好的国家，比如美国，南非，瑞典和澳大利亚，其经济增速都不是最快的。相反，经济增速最快的国家，比如日本，意大利和爱尔兰，其股市回报并不是最好的不同的金融学者对于股票回报和国家经济增长率之间的相关性分析结果。我们可以看到，他们似乎都得到了类似的结论：国家经济增速越快，股市回报未必更好。在发达国家中，两者之间甚至有微弱的负向关系：也就是说国家经济增速越快，股市回报反而越差。这些结果好像和人的常识不符。为什么会有这么奇怪的发现呢？可能有以下几个原因。
三、首先，有不少国家的经济开放程度很高，其股市回报来自于一些规模很大的跨国企业。这些跨国企业的收入并不仅仅局限于他们总部所在的母国。

举例来说，标准普尔500指数一般被视为代表美国股市的风向标。该指数的成员大致包括美国市值最大的500家上市公司。
美国的经济增速，当然会影响到标准普尔500指数的表现。但是该股票指数的回报，不仅受到美国经济的影响，还受到世界其他国家和地区的经济表现的影响
四、其次，股市具有前瞻性。这个问题没那么容易理解，因此容我在这里稍微花点笔墨解释一下。作为投资者，我们需要理解的一个非常重要的知识点是：股票市场反映的不光是过去的历史，更多的是对未来的预期。预期主要反映在股票的估值上。如果大众充满乐观向上的情绪，那么整个股票市场水涨船高，不管好股票还是烂股票，其平均估值水平都会很高。如果大众的情绪发生反转，对未来充满悲观，那么即使是好股票，其估值也会被拉的非常低。当一国经济高速发展的时候，其大众情绪往往非常高涨和乐观，因此整个股市的估值也会偏高。这个时候的股票市场，已经把未来的高速发展预期消化进了价格。因此在这个时候如果购进股票，只要未来的经济发展比预期来的低，投资回报就会受到影响。一个典型的例子是日本。在1988/1989年时，日本的日经指数冲到了接近40，000点的历史高峰，其估值中包含了对于未来极度乐观的预期。

Ⅶ 如何建立一个股票量化交易模型并仿真

用python：金融想法->数据处理->模型回测->模拟交易->业绩归因->模型修正。

量化交易是指以先进的数学模型替代人为的主观判断，利用计算机技术从庞大的历史数据中海选能带来超额收益的多种“大概率”事件以制定策略，极大地减少了投资者情绪波动的影响，避免在市场极度狂热或悲观的情况下作出非理性的投资决策。

量化交易具有以下几个方面的特点：

1、纪律性。根据模型的运行结果进行决策，而不是凭感觉。纪律性既可以克制人性中贪婪、恐惧和侥幸心理等弱点，也可以克服认知偏差，且可跟踪。

2、系统性。具体表现为“三多”。一是多层次，包括在大类资产配置、行业选择、精选具体资产三个层次上都有模型；二是多角度，定量投资的核心思想包括宏观周期、市场结构、估值、成长、盈利质量、分析师盈利预测、市场情绪等多个角度；三是多数据，即对海量数据的处理。

3、套利思想。定量投资通过全面、系统性的扫描捕捉错误定价、错误估值带来的机会，从而发现估值洼地，并通过买入低估资产、卖出高估资产而获利。

4、概率取胜。一是定量投资不断从历史数据中挖掘有望重复的规律并加以利用；二是依靠组合资产取胜，而不是单个资产取胜。