利用python分析股票收益率與投資者情緒關系的例子

Ⅰ 行為金融理論與投資者情緒有什麼區別

一、市場情緒指數的概述
投資者情緒(Investor Sentiment)，是行為金融學解釋市場異象的主要理論基礎之一。行為金融學認為，信念和偏好異質的投資者常常是非理性的，其心理因素在投資決策和市場演繹中起著重要作用，情緒的大幅度波動導致認知偏差和情緒偏差，從而放大樂觀或悲觀的情緒，並致使市場產生錯誤定價的現象，還有學者提出投資者情緒是影響資本資產定價的一個因子，即資產價格不僅取決於市場Beta，還受投資者情緒Beta的影響。
學術界關於投資者情緒的定義不盡相同，一種簡單籠統的定義是投資者對金融資產的一種樂觀和悲觀的看法或是投資者的一種投機傾向。而較為學術化的定義是投資者基於對資產未來現金流和投資風險的預期而形成的一種信念，但這一信念並不能完全反映當前已有的事實，不同投資者對同一資產可能會有不同的信念。然而，當投資者的情緒或信念具有較大的社會性或普遍性時，投資者的行為就會在互動機製作用下趨於一致，從而影響市場定價。
和市場情緒相關的一個例子是國內A股市場存在較為明顯的風格輪換特徵，機構熱衷於對風格的輪換規律進行研究並制定相應的投資策略，如通過行業動量來選擇股票組合以獲得超額市場收益。A股市場的風格輪換特性，從行為金融學角度的解釋是由於投資者的趨勢追逐特性所造成的。當某類風格的股票在某段時間內具有較好的走勢時，趨勢投資者會對該類風格保持樂觀情緒並增加對該類風格資產的投資使得風格走勢延續；但過度反應會使得該風格積累過多風險，最終發生反轉，並使得市場熱點轉移到其他的風格資產上。
投資者情緒的研究主要在於如何測度情緒以及基於情緒測度如何制定相應的交易策略。國外製定情緒指數的來源主要有兩大類：一是通過直接調查投資者的情緒，包括問卷調查，多空調查等主觀因素指標；另一種是採用市場交易公開的統計數據進行處理，即客觀或間接指標。第一種主觀因素指標雖然直接，但存在樣本選擇代表性以及問卷失真的問題；第二種間接指標綜合考慮了多種因素，但也可能存在一些數據噪音。
目前國內市場情緒的量化方法主要採用第二種方式，且集中在對於股票市場的情緒刻畫上。中信證券的一份關於投資者情緒指數編制的報告中，提出通過五類指標構建投資者情緒的監控指標體系，具體包括：(1)市場整體類指標：整體市盈率、市凈率、換手率；(2)市場結構類指標：上漲家數比下跌家數、小盤股相對大盤股的超額收益率等；(3)IPO系列指標：股票首發上市家數、新股上市首日漲幅；(4)封閉式基金折價率；(5)資金流動指標：A股賬戶凈增加數。報告中的實證結果表明通過主成分分析法構建的投資者情緒指數，可以用來預測股市的大頂和大底。具體到投資策略上，當投資者情緒上升時，可以超配具有高的正情緒Beta的行業；當投資者情緒下降時，可以超配具有高的負情緒Beta行業。
二、股指期貨市場情緒指標的選擇
雖然股指期貨市場是作為管理股市風險的現貨影子市場，但由於其交易標的、交易方式、市場參與者等因素的不同，使得股指期貨市場具備了不同於股票現貨市場的一些特性。因此，本文從股指期貨市場的自身特性出發，試圖尋找影響股指期貨市場情緒的一些變數，再通過主成分分析方法構建股指期貨市場的情緒指數。
本文所選取的反映股指期貨市場情緒的因素包括以下幾個方面：
1、成交量
成交量是反映市場交易活躍度最直接的指標，「指數的成交量是最真實的」、「量價齊升後市看漲」等都是投資者耳熟能詳的市場語言。成交量變化的背後是各路資金的流入和流出，反映了投資者對個股或市場的信心水平。較大的成交量表明市場交易情緒偏樂觀，而較低迷的成交量則表明市場情緒偏謹慎或悲觀。一些國際投行也常把成交量指標作為量化系統的重要組成部分。成交量同時也是構建市場情緒指數中的備選變數。
對於股指期貨而言，每個交易日共有當月連續、下月連續、下季連續和隔季連續四個合約交易，並且近月合約的成交量(當月和下月成交量之和)平均占該月份所有合約總成交量的98%以上。另外，滬深300指數作為股指期貨的標的，其成交量的變化反映了現貨市場的活躍程度，現貨市場成交量的放大對帶動股指期貨市場活躍度將產生一定影響。因此，選取每個交易日四個期指合約總的成交量、以及滬深300指數的成交量作為反映股指期貨市場情緒的兩個成交量指標。
2、持倉量
持倉量指的是當日收盤後累計的未平倉合約數。中金所在每日收盤結束後，會公布「每日結算會員成交持倉排名」，從數據中可以得到排名前20的結算會員持賣單量和持買單量的變化。由於套期保值頭寸的因素，前20主力持倉基本呈現凈空單的狀態，一般情況下，主力空頭和多頭的資金都會集中在排名靠前的結算會員中，主力機構的凈空單變化情況往往會對後市產生一定影響。
我們統計了期指上市以來至2011-4-20的前20主力持倉結構數據。我們取成交量排名前五的五家機構，分別為國泰君安期貨、海通期貨、華泰長城期貨、廣發期貨和銀河期貨，作為參考機構樣本，計算出每天這五家機構累計總持倉的變化。統計結果表明，這五家機構單日累計凈空單增加1000手以上的交易日有23個，其中次日期指下跌的交易日為17個，對應的概率為73.9%；這五家機構單日累計凈空單減少1000手以上的交易日有13個，次日期指上漲的交易日為9個，對應的概率為69.2%。
TOP5比TOP20的凈空單的波動要大一些，對比上述TOP5的每日凈空單曲線和期指走勢，發現兩者並沒有明顯的相關性，然而在某個時點上，當這五家機構的累計凈空單發生大規模變化時，往往會影響到期指短期走勢。雖然持倉結構數據的准確性會由於分級結算和機構資金分倉的問題而受到影響，但持倉結構在一定程度上還是反映了多空情緒的變化，因此我們選擇上述五家機構的累計凈空單的滯後一期作為反映期指市場情緒的一個指標。
3、日內波動率
期指波動率越大時，通常投資者分歧較大，投資者樂觀或悲觀情緒較為濃厚；期指波動率小則表明市場對當前價格水平較為認同，市場情緒較為平淡。把波動率作於情緒指數指標的思想來源於VIX指數。VIX又稱為投資者恐慌指標(The Investor Fear Gauge)，是根據指數期權衍生品價格反推出來的隱含波動率，也可理解為市場情緒指標。
為了對股指期貨的日內波動率進行准確的描述，本文採用Andersen, Bollerslev(1998)提出的基於日內高頻數據計算的已實現波動率(Realized Volatility)測度方法。由於高頻數據中蘊含了比低頻數據更多的市場波動信息，因此基於高頻數據的波動率測度一定是一種更為真實的市場波動描述。已實現波動率的計算不需要復雜的參數估計方法，無模型、計算簡便，在一定條件下是積分波動的無偏估計量，近年來在高頻領域中獲得了廣泛的應用。日內已實現波動率的具體計算方法是把股指期貨連續合約的每五分鍾數據的高頻收益率進行平方求和。考慮到日內收益率波動的聚集性和時序性，我們選取日內波動率的滯後一期作為反映期指市場情緒的一個指標。從圖中可以直觀看出，當期指行情出現拐點時，對應的日內波動率會出現較大的變動。
4、基差
股指期貨的主要功能有套期保值、套利、投機和資產管理。其中，基差的變化是進行期現套利的關鍵，當基差偏離均衡區間時，往往會引發期現套利者的入場。因此，基差偏離無套利區間的程度反映了期現套利的空間和投資者的市場情緒變化。
從基差的歷史走勢看，在震盪行情中，基差的波動相對較小；而在階段性的趨勢行情中，基差的波動加大，尤其是2010年國慶節後大盤強勁反彈以及隨後的調整階段，對應的基差波動較大，且具有一定的持續性。因此，基差的走勢也反映出市場投資者情緒的變化。但隨著市場期現套利者參與程度的提高，基差波動的幅度有所收斂且期現套利的空間隨之減少。考慮到基差序列也呈現出時序相關性，我們選取基差的滯後一期作為反映期指市場情緒的一個指標。
參考資料http://www.fx361.com/page/2016/0324/642621.shtml

Ⅱ 如何用python計算某支股票持有90天的收益率

首先你要先獲得這支股票90天的數據，可以存在一個arry中。
然後計算收益率 r = (arry[89]-arry[0])/arry[0]，如果要計算任意連續90天的話只要循環就可以了。
許多人更喜歡去做短線，因為短線刺激，無法承受長線持股待漲的煎熬，可是假如不會做短線，則可能會導致虧得更快。做T的秘籍大家一定很想知道，今天就給大家講講。
我准備了好處給大家，機構精選的牛股大盤點！希望大家不要錯過--速領！今日機構牛股名單新鮮出爐！
一、股票做T是什麼意思
現在市場上，A股的交易市場模式是T＋1，意思就是今天買的股票，只有明天才能賣出。
而股票做T，當天買入的股票在當天賣出，這就是股票進行T＋0的交易操作，投資人在可交易的一天通過股票的漲幅和跌停有了股票差價，在股票大幅下跌時趕緊買入，漲得差不多之後再將買入的部分賣出，就是用這種方法賺錢的。
假如說，在昨天我手裡還有1000股的xx股票，市價10元/股。今天一大早發現該股居然跌到了9.5元/股，然後趁機買入了1000股。結果到了下午時，這只股票的價格就突然間大幅上漲到一股10.5元，我就急忙地以10.5/股的價格售出1000股，然後獲取（10.5－9.5）×1000＝1000元的差價，這就是做T。
但是，不是每種股票做T都合適！正常來說，那些日內振幅空間較大的股票，它們是適合去做T的，比如說，每日能有5%的振幅空間。想知道某隻股票適不適合的，點開這里去看一下吧，專業的人員會為你估計挑選出最適合你的T股票！【免費】測一測你的股票到底好不好？

二、股票做T怎麼操作
怎麼才能夠把股票做到T？正常情況下分為兩種方式，分別為正T和倒T。
正T即先買後賣，投資手裡，手裡面賺有這款股票，在當天股票開盤的時候下跌到了最低點時，投資者買入1000股，等到股票變高的時候在高點，將這1000股徹底賣出，持有的總股票數還是跟以前一樣，T＋0的效果這樣就能夠達到了，又能夠享有中間賺取的差價。
而倒T即先賣後買。投資者通過嚴密計算得出，股票存在下降風險，因此在高位點先賣出手中的一部分股票，接著等股價回落後再去買進，總量仍舊有辦法保持不變，然而，收益是會產生的。
比方投資者，他佔有該股2000股，而10元/股是當天早上的市場價，覺得持有的股票在短時間內就會有所調整，，於是賣出手中的1500股，等股票跌到一股只需要9.5元時，這只股票差不多就已經能讓他們感到滿意了，再買入1500股，這就賺取了（10-9.5）×1500＝750元的差價。
這時有人就問了，那要如何知道買入的時候正好是低點，賣出的時候正好是高點？
其實有一款買賣點捕捉神器，它能夠判斷股票的變化趨勢，絕對能讓你每次都抓住重點，點開鏈接就能立刻領取到了：【智能AI助攻】一鍵獲取買賣機會

應答時間：2021-09-23，最新業務變化以文中鏈接內展示的數據為准，請點擊查看

Ⅲ 如何用Python和機器學習炒股賺錢

相信很多人都想過讓人工智慧來幫你賺錢，但到底該如何做呢？瑞士日內瓦的一位金融數據顧問 Gaëtan Rickter 近日發表文章介紹了他利用 Python 和機器學習來幫助炒股的經驗，其最終成果的收益率跑贏了長期處於牛市的標准普爾 500 指數。雖然這篇文章並沒有將他的方法完全徹底公開，但已公開的內容或許能給我們帶來如何用人工智慧炒股的啟迪。

我終於跑贏了標准普爾 500 指數 10 個百分點！聽起來可能不是很多，但是當我們處理的是大量流動性很高的資本時，對沖基金的利潤就相當可觀。更激進的做法還能得到更高的回報。

這一切都始於我閱讀了 Gur Huberman 的一篇題為《Contagious Speculation and a Cure for Cancer: A Non-Event that Made Stock Prices Soar》的論文。該研究描述了一件發生在 1998 年的涉及到一家上市公司 EntreMed（當時股票代碼是 ENMD）的事件：

「星期天《紐約時報》上發表的一篇關於癌症治療新葯開發潛力的文章導致 EntreMed 的股價從周五收盤時的 12.063 飆升至 85，在周一收盤時接近 52。在接下來的三周，它的收盤價都在 30 以上。這股投資熱情也讓其它生物科技股得到了溢價。但是，這個癌症研究方面的可能突破在至少五個月前就已經被 Nature 期刊和各種流行的報紙報道過了，其中甚至包括《泰晤士報》！因此，僅僅是熱情的公眾關注就能引發股價的持續上漲，即便實際上並沒有出現真正的新信息。」

在研究者給出的許多有見地的觀察中，其中有一個總結很突出：

「（股價）運動可能會集中於有一些共同之處的股票上，但這些共同之處不一定要是經濟基礎。」

我就想，能不能基於通常所用的指標之外的其它指標來劃分股票。我開始在資料庫裡面挖掘，幾周之後我發現了一個，其包含了一個分數，描述了股票和元素周期表中的元素之間的「已知和隱藏關系」的強度。

我有計算基因組學的背景，這讓我想起了基因和它們的細胞信號網路之間的關系是如何地不為人所知。但是，當我們分析數據時，我們又會開始看到我們之前可能無法預測的新關系和相關性。

如果你使用機器學習，就可能在具有已知和隱藏關系的上市公司的寄生、共生和共情關系之上搶佔先機，這是很有趣而且可以盈利的。最後，一個人的盈利能力似乎完全關乎他在生成這些類別的數據時想出特徵標簽（即概念（concept））的強大組合的能力。

我在這類模型上的下一次迭代應該會包含一個用於自動生成特徵組合或獨特列表的單獨演算法。也許會基於近乎實時的事件，這可能會影響那些具有隻有配備了無監督學習演算法的人類才能預測的隱藏關系的股票組。

Ⅳ 股票中的費用和收益是如何算出來的，舉個例子最好。

一隻股票買入價格（舉例2.00元1000股=2000元）
這只股票賣出價格（舉例3.00元1000股=3000元）
交易費用（買進費用：
1.傭金0.2%-0.3%，根據你的證券公司決定，但是擁擠最低收取標準是5元。比如你買了1000元股票，實際傭金應該是3元，但是不到5元都按照5元收取
2.過戶費（僅僅限於滬市）。每一千股收取1元，就是說你買賣一千股都要交1元
3.通訊費。上海，深圳本地交易收取1元，其他地區收取5元
賣出費用：
1.印花稅0.1%
2.傭金0.2%-0.3%，根據你的證券公司決定，但是擁擠最低收取標準是5元。比如你買了1000元股票，實際傭金應該是3元，但是不到5元都按照5元收取
3.過戶費（僅僅限於滬市）。每一千股收取1元，就是說你買賣一千股都要交1元
4.通訊費。上海，深圳本地交易收取1元，其他地區收取5元
）
最後收益就是：
3000-2000-（買賣的各種費用）=收益

Ⅳ python實現資產配置(1)----Markowitz 投資組合模型

現假設有A, B, C, D, E五隻股票的收益率數據((第二日收盤價-第一日收盤價)/第一日收盤價)), 如果投資人的目標是達到20%的年收益率,那麼該如何進行資產配置,才能使得投資的風險最低?

更一般的問題,假設現有x ₁ ,x ₂ ,...,x _n , n支風險資產,且收益率已知,如果投資人的預期收益為goalRet,那麼該如何進行資產配置,才能使得投資的風險最低?

1952年，芝加哥大學的Markowitz提出現代資產組合理論(Modern Portfolio Theory，簡稱MPT)，為現代西方證券投資理論奠定了基礎。其基本思想是，證券投資的風險在於證券投資收益的不確定性。如果將收益率視為一個數學上的隨機變數的話，證券的期望收益是該隨機變數的數學期望（均值），而風險可以用該隨機變數的方差來表示。

對於投資組合而言，如何分配各種證券上的投資比例，從而使風險最小而收益最大？

答案是將投資比例設定為變數，通過數學規劃，對每一固定收益率求最小方差，對每一個固定的方差求最大收益率，這個多元方程的解可以決定一條曲線，這條曲線上的每一個點都對應著最優投資組合，即在給定風險水平下，收益率最大，這條曲線稱作「有效前沿」 (Efficient Frontier)。

對投資者而言，不存在比有效前沿更優的投資組合，只需要根據自己的風險偏好在有效前沿上尋找最優策略。
簡化後的公式為:

其中 _p 為投資人的投資目標,即投資人期待的投資組合的期望值. 目標函數說明投資人資產分配的原則是在達成投資目標 _p 的前提下,要將資產組合的風險最小化,這個公式就是Markowitz在1952年發表的'Portfolio Selection'一文的精髓,該文奠定了現代投資組合理論的基礎,也為Markowitz贏得了1990年的諾貝爾經濟學獎. 公式(1)中的決策變數為w _i , i = 1,...,N, 整個數學形式是二次規劃(Quadratic Programming)問題,在允許賣空的情況下(即w _i 可以為負,只有等式約束)時,可以用拉格朗日(Lagrange)方法求解。

有效前緣曲線如下圖:

我們考慮如下的二次規劃問題

運用拉格朗日方法求解,可以得到

再看公式(1),則將目標函數由 min W ^T W 調整為 min 1/2(W ^T W), 兩問題等價,寫出的求解矩陣為:

工具包: CVXOPT python凸優化包
函數原型: CVXOPT.solvers.qp(P,q,G,h,A,b)

求解時,將對應的P,q,G,h,A,b寫出,帶入求解函數即可.值得注意的是輸入的矩陣必須使用CVXOPT 中的matrix函數轉化,輸出的結果要使用 print(CVXOPT.solvers.qp(P,q,G,h,A,b)['x']) 函數才能輸出。

這里選取五支股票2014-01-01到2015-01-01的收益率數據進行分析.
選取的五支股票分別為: 白雲機場, 華夏銀行, 浙能電力, 福建高速, 生益科技

先大體了解一下五支股票的收益率情況:

看來，20%的預期收益是達不到了。

接下來,我們來看五支股票的相關系數矩陣：

可以看出，白雲機場和福建高速的相關性較高，因為二者同屬於交通版塊。在資產配置時，不利於降低非系統性風險。

接下來編寫一個MeanVariance類，對於傳入的收益率數據，可以進行給定預期收益的最佳持倉配比求解以及有效前緣曲線的繪制。

繪制的有效前緣曲線為：

將數據分為訓練集和測試集，並將隨機模擬的資產配比求得的累計收益與測試集的數據進行對比，得到：

可以看出，在前半段大部分時間用Markowitz模型計算出的收益率要高於隨機模擬的組合，然而在後半段卻不如隨機模擬的數據，可能是訓練的數據不夠或者沒有動態調倉造成的，在後面寫策略的時候，我會加入動態調倉的部分。

股票分析部分：

Markowitz 投資組合模型求解

蔡立專：量化投資——以python為工具. 電子工業出版社

Ⅵ 與經濟學相關的一道統計學問題：一位投資者持有一種股票，2001-2004年的收益率分別為4.5%，2.1%，25.5%

減去1是減去本金，剩下的才是收益。
一、收益率直接相乘的意義是第一年賺了4.5%，第二年這賺的4.5%又賺了2.1%，但其實還有本金1也賺了2.1%，你沒有計算。
二、一國的經濟增長和股市回報沒有必然的關系，有時候甚至有負相關關系股市表現最好的國家，比如美國，南非，瑞典和澳大利亞，其經濟增速都不是最快的。相反，經濟增速最快的國家，比如日本，義大利和愛爾蘭，其股市回報並不是最好的不同的金融學者對於股票回報和國家經濟增長率之間的相關性分析結果。我們可以看到，他們似乎都得到了類似的結論：國家經濟增速越快，股市回報未必更好。在發達國家中，兩者之間甚至有微弱的負向關系：也就是說國家經濟增速越快，股市回報反而越差。這些結果好像和人的常識不符。為什麼會有這么奇怪的發現呢？可能有以下幾個原因。
三、首先，有不少國家的經濟開放程度很高，其股市回報來自於一些規模很大的跨國企業。這些跨國企業的收入並不僅僅局限於他們總部所在的母國。

舉例來說，標准普爾500指數一般被視為代表美國股市的風向標。該指數的成員大致包括美國市值最大的500家上市公司。
美國的經濟增速，當然會影響到標准普爾500指數的表現。但是該股票指數的回報，不僅受到美國經濟的影響，還受到世界其他國家和地區的經濟表現的影響
四、其次，股市具有前瞻性。這個問題沒那麼容易理解，因此容我在這里稍微花點筆墨解釋一下。作為投資者，我們需要理解的一個非常重要的知識點是：股票市場反映的不光是過去的歷史，更多的是對未來的預期。預期主要反映在股票的估值上。如果大眾充滿樂觀向上的情緒，那麼整個股票市場水漲船高，不管好股票還是爛股票，其平均估值水平都會很高。如果大眾的情緒發生反轉，對未來充滿悲觀，那麼即使是好股票，其估值也會被拉的非常低。當一國經濟高速發展的時候，其大眾情緒往往非常高漲和樂觀，因此整個股市的估值也會偏高。這個時候的股票市場，已經把未來的高速發展預期消化進了價格。因此在這個時候如果購進股票，只要未來的經濟發展比預期來的低，投資回報就會受到影響。一個典型的例子是日本。在1988/1989年時，日本的日經指數沖到了接近40，000點的歷史高峰，其估值中包含了對於未來極度樂觀的預期。

Ⅶ 如何建立一個股票量化交易模型並模擬

用python：金融想法->數據處理->模型回測->模擬交易->業績歸因->模型修正。

量化交易是指以先進的數學模型替代人為的主觀判斷，利用計算機技術從龐大的歷史數據中海選能帶來超額收益的多種「大概率」事件以制定策略，極大地減少了投資者情緒波動的影響，避免在市場極度狂熱或悲觀的情況下作出非理性的投資決策。

量化交易具有以下幾個方面的特點：

1、紀律性。根據模型的運行結果進行決策，而不是憑感覺。紀律性既可以剋制人性中貪婪、恐懼和僥幸心理等弱點，也可以克服認知偏差，且可跟蹤。

2、系統性。具體表現為「三多」。一是多層次，包括在大類資產配置、行業選擇、精選具體資產三個層次上都有模型；二是多角度，定量投資的核心思想包括宏觀周期、市場結構、估值、成長、盈利質量、分析師盈利預測、市場情緒等多個角度；三是多數據，即對海量數據的處理。

3、套利思想。定量投資通過全面、系統性的掃描捕捉錯誤定價、錯誤估值帶來的機會，從而發現估值窪地，並通過買入低估資產、賣出高估資產而獲利。

4、概率取勝。一是定量投資不斷從歷史數據中挖掘有望重復的規律並加以利用；二是依靠組合資產取勝，而不是單個資產取勝。