# 一、前言 这份数据分析报告，并不适用于所有的股，它仅适用于**有一定规律、长期上涨、有主力的庄股**。 这不是策略，这是一份数据分析报告。那么，我为什么要写这个数据分析呢： - 1、在写这个数据分析报告之前，我正着手准备写一个日内做T的量化策略 - 2、因为做那个策略时，我对买卖点设置在哪犹豫不决，于是我认为我非常有必要做个数据分析，来确定买卖点设在什么位置，成功率最高。 - 3、关于日内做T的好处，很多人不理解，认为不如拿着不动，做T容易T飞，或者认为做T赚到的差价还不够手续费（你是不是傻，手续费才几块钱，难道你买股票只买一手？）但实际上，做T有很多好处，它可以提高你抵御风险的能力（当然，如果你是超级短线，追涨停板的，就当我没说，你适合全仓梭哈，第二或者第三天就夹尾巴跑），而且我给你们算一笔账，如果你坚持每天降低1.5%的成本，按一年有200个交易日计算，你一年可以多赚1964%的额外收益，是不是很惊人？ - 4、如果你买入一只股票，拿着不动，那你这份收益就是被动收益，不可控的。但每天在保证率高的范围内做T，则这部分收益就是你的主动收益，是可控的。 - 5、我认为，不管你是做手动交易，还是量化交易，找到日内成功率最高的买卖点，都是非常有益的一件事。所以你值得把我这份数据分析报告读完。 # 二、分析成果 - 1、本次数据分析选择我最看好的股票：士兰微600460，选择的区间段为2020年12月2日至今 - 2、本次数据分析，我以85%为保证率 - 3、每日最大振幅有85%的概率在4.221%以上 - 4、每日最大跌幅有85%的概率在0.635%以上 - 5、每日最大涨幅有85%的概率在1.033%以上 - 6、如果每天往下0.635%设置买点，往上1.033%设置卖点，则每天可以有1.679%的额外收益，扣除手续费，至少也有1.5% - 7、如果你坚持每天降低1.5%的成本，按一年有200个交易日计算，你一年可以多赚1964%的额外收益，是不是很惊人？ - 8、至于4.221%的振幅，你也完全可以拿到，只不过需要你有非常好的心态去盯盘，但我建议你不要盯盘，盯盘是非常愚蠢的行为，因为容易被突然的暴跌乱了心智 # 三、数据分析 ## 1、导入包 ``` import pandas as pd import tushare as ts # from matplotlib import pyplot as plt #我为什么不用matplotlib呢，因为它的作图速度实在太慢了，不能忍啊 from pyecharts import options as opts from pyecharts.charts import Scatter from pyecharts.globals import SymbolType from pyecharts.charts import Pie ``` ## 2、获取数据 ###设置接口 ``` ts.set_token("我的token") pro = ts.pro_api() ``` ###获取数据 ``` daily=pro.daily(ts_code="600460.SH",fields='trade_date,open,close,high,low') ``` ###简单处理数据 让它们按日期升序排列 ``` daily.index = pd.to_datetime(daily["trade_date"]) daily.drop(columns=["trade_date"], inplace=True) daily.sort_index(inplace=True) ``` ###保存数据 ``` daily.to_csv("士兰微每日行情数据.csv") ``` ## 3、数据分析过程 ###重新加载数据 ``` file=open("士兰微每日行情数据.csv",encoding='utf_8_sig') daily=pd.read_csv(file) ``` ###计算过程 计算每日振幅* ``` daily["振幅（%）"]=(daily["high"]/daily["low"]-1)*100 ``` 计算每日最大跌幅（相较于开盘价）和最大涨幅（相较于开盘价） ``` daily["最大跌幅（%）"]=(1-daily["low"]/daily["open"])*100 daily["最大涨幅（%）"]=(daily["high"]/daily["open"]-1)*100 ``` 保存 ``` daily.to_csv("士兰微每日行情数据_处理后.csv") ``` 重新加载数据 ``` file=open("士兰微每日行情数据_处理后.csv",encoding='utf_8_sig') daily=pd.read_csv(file) ``` **可视化** 将数据分割，只要20201202以后的数据 （因为数据太多会导致作图时间很久， 而且完全没必要，长达18年的数据，主力不知道都还了多少批了，风格早就换了，没有研究价值） ``` daily.index=daily['trade_date'] daily_now=daily["2020-12-02":] ``` 绘出振幅分布的散点图 ``` X1=daily_now["振幅（%）"].tolist() X2=daily_now["最大跌幅（%）"].tolist() X3=daily_now["最大涨幅（%）"].tolist() Y=daily_now.index.tolist() # 为啥要加上这一步呢，因为pyecharts不支持DataFrame形式的某列作为X，只支持list形式的 c = ( Scatter() .add_xaxis(Y) .add_yaxis('振幅（%）', X1) .add_yaxis("最大跌幅（%）",X2) .add_yaxis("最大涨幅（%）",X3) .set_global_opts(title_opts=opts.TitleOpts(title="振幅、最大跌幅、最大涨幅分布图")) .set_series_opts(label_opts=opts.LabelOpts(is_show=False)) ) c.render_notebook() ```  ⇑由上图可知，最大振幅集中在4%-9%之间，最大跌幅和最大涨幅，都集中在0%-3%之间 计算最大概率出现的最大振幅（表述得有点拗口，如果不理解我的意思，请继续往下看） ``` # 将最大振幅出现的区间分成10组 cut1=pd.cut(X1,bins=10) # 统计每个区间出现的次数 cut1_count=cut1.value_counts() # 统计这些区间出现次数占总次数的百分比（%） cut1_count_percent=cut1_count/len(X1)*100 cut1_count_percent ``` 作图 ``` pie_names=["(-0.0127, 0.635]","(0.635, 12.692] "] pie_detail1=int(cut2_count[0]) pie_detail2=int(cut2_count[1:].sum()) pie_details=[pie_detail1,pie_detail2] pie=( Pie(init_opts=opts.InitOpts(width='720px', height='320px')) #自定义画布大小 .add(series_name='', data_pair=[(i, j)for i, j in zip(pie_names, pie_details)]) #遍历数据 .set_global_opts(title_opts=opts.TitleOpts(title="最大跌幅范围（%）",subtitle="统计区间为2020-12-02至今")) #添加主、副标题 .set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {d}%")) #添加数据标签 ) pie.render_notebook() ```  ⇑ 由以上结果可知： 最大跌幅在(-0.0127, 0.635] 区间的概率为15.075%。 在(0.635, 12.692]区间的概率为100%-15.075%=84.925% 换句话说，每天最大跌幅在0.635%以上的概率高达84.925%≈85%，这是个非常高的概率，也就是说，我们每天设一个比开盘价低0.635%的价格，有85%的概率能买进（在股价上升阶段，能买进是非常开心的一件事，很多人做T吧股票T飞，就是因为该买的时候不敢下手，然后股价已涨就卖了。 计算最大概率出现的最大涨幅 ``` # 将最大涨幅出现的区间分成13组（为什么是13组，试出来的，正好是13组的时候，取到的1.033正好是15.075%） cut3=pd.cut(X3,bins=13) # 将最大振幅出现的区间分成10组 cut3_count=cut3.value_counts() # 统计这些区间出现次数占总次数的百分比（%） cut3_count_percent=cut3_count/len(X3)*100 cut3_count_percent ``` ``` (-0.0134, 1.033] 15.075377 (1.033, 2.065] 18.090452 (2.065, 3.098] 13.567839 (3.098, 4.131] 12.060302 (4.131, 5.163] 10.552764 (5.163, 6.196] 11.055276 (6.196, 7.228] 8.040201 (7.228, 8.261] 1.005025 (8.261, 9.294] 3.015075 (9.294, 10.326] 3.517588 (10.326, 11.359] 2.010050 (11.359, 12.392] 0.502513 (12.392, 13.424] 1.507538 dtype: float64 ``` 作图 ``` pie_names=["(-0.0134, 1.033]","(1.033, 13.424]"] pie_detail1=int(cut3_count[0]) pie_detail2=int(cut3_count[1:].sum()) pie_details=[pie_detail1,pie_detail2] pie=( Pie(init_opts=opts.InitOpts(width='720px', height='320px')) #自定义画布大小 .add(series_name='', data_pair=[(i, j)for i, j in zip(pie_names, pie_details)]) #遍历数据 .set_global_opts(title_opts=opts.TitleOpts(title="最大涨幅范围（%）",subtitle="统计区间为2020-12-02至今")) #添加主、副标题 .set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {d}%")) #添加数据标签 ) pie.render_notebook() ```  ⇑ 由以上结果可知： 最大涨幅在(-0.0134, 1.033]区间的概率为15.075%。 在(1.033, 13.424] 区间的概率为100%-15.075%=84.925% 换句话说，每天最大涨幅在1.033%以上的概率高达84.925%≈85%，这是个非常高的概率，也就是说，我们每天设一个比开盘价高1.033%的价格，就有85%的概率能卖出。 ###4、结论 每日最大振幅超过4.221%的概率为85% 每日最大跌幅超过0.635%的概率为85% 每日最大涨幅超过1.033%的概率为85% 备注：可能很多人不理解，你为什么选择4.221%、为什么选择0.635%、1.033%？ > 这里我要说明的是，我选择的不是4.221%、0.635%、1.033%，而是85%的保证率，根据85%的结果反推条件 ​