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 | |
| 3.5 | 0.060804 |
| 4.0 | 0.044996 |
| 4.5 | 0.120760 |
| 5.0 | 0.120956 |
| 5.5 | 0.059544 |
| 6.0 | 0.149679 |
| 6.5 | 0.075149 |
| 7.0 | 0.073177 |
| 7.5 | 0.069574 |
| 8.0 | 0.141947 |
#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 | ||
| 3.5 | 0.060804 | 0.060804 |
| 4.0 | 0.044996 | 0.105800 |
| 4.5 | 0.120760 | 0.226561 |
| 5.0 | 0.120956 | 0.347516 |
| 5.5 | 0.059544 | 0.407060 |
#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.SHA | 0.639122 |
| 601700.SHA | 0.817013 |
#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()
| instrument | date | winner | |
|---|---|---|---|
| 4497 | 601700.SHA | 2018-02-14 | 0.817013 |
| 2773 | 601699.SHA | 2018-02-14 | 0.639122 |
| 2772 | 601699.SHA | 2018-02-13 | 0.518967 |
| 4496 | 601700.SHA | 2018-02-13 | 0.816618 |
| 2771 | 601699.SHA | 2018-02-12 | 0.530768 |
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！
