根据指数做波段年化利率分析

股票投资，是众多投资方式中的一种。然而，每个人有不同的炒股方式，对股票不同的操作也会获得不同的收益/损失。作为“金融消费者”，如何做好自己在股票中的消费行为，是一门巨大的学问。这里根据指数做波段操作下，进行年化利率计算及分析。通过数据来看，不同买卖下年化收益率的差别。

安装依赖

# 安装 efinance
# !pip install efinance

获取上证指数历史行情数据

import efinance as ef
import datetime
from tqdm import tqdm
import numpy as np
import pandas as pd


# 股票代码
stock_code = '上证指数'

# 这里取10年的间隔作为基准，抛弃过早的数据
delta_year=10
today = datetime.date.today()
end = today.strftime("%Y%m%d")
beg = today.replace(year=today.year-delta_year).strftime("%Y%m%d")

# 获取上证指数历史行情数据
df = ef.stock.get_quote_history(stock_code, beg = beg, end = end)
df

/opt/conda/envs/python35-paddle120-env/lib/python3.10/site-packages/tqdm/auto.py:21: TqdmWarning: IProgress not found. Please update jupyter and ipywidgets. See https://ipywidgets.readthedocs.io/en/stable/user_install.html
  from .autonotebook import tqdm as notebook_tqdm

	股票名称	股票代码	日期	开盘	收盘	最高	最低	成交量	成交额	振幅	涨跌幅	涨跌额	换手率
0	上证指数	000001	2014-10-08	2368.58	2382.79	2382.79	2354.29	204397327	1.803376e+11	1.21	0.80	18.92	0.44
1	上证指数	000001	2014-10-09	2383.86	2389.37	2391.35	2367.11	235920010	2.002718e+11	1.02	0.28	6.58	0.51
2	上证指数	000001	2014-10-10	2380.75	2374.54	2386.28	2365.07	224671127	1.922482e+11	0.89	-0.62	-14.83	0.48
3	上证指数	000001	2014-10-13	2366.43	2366.01	2366.86	2341.12	200899315	1.754251e+11	1.08	-0.36	-8.53	0.43
4	上证指数	000001	2014-10-14	2362.80	2359.48	2380.51	2349.19	196831419	1.701601e+11	1.32	-0.28	-6.53	0.42
...	...	...	...	...	...	...	...	...	...	...	...	...	...
2427	上证指数	000001	2024-09-25	2901.42	2896.31	2952.45	2889.05	568259816	5.166981e+11	2.21	1.16	33.18	1.23
2428	上证指数	000001	2024-09-26	2893.75	3000.95	3000.95	2889.01	576319261	5.246691e+11	3.86	3.61	104.64	1.24
2429	上证指数	000001	2024-09-27	3049.10	3087.53	3087.53	3017.45	492287163	4.806126e+11	2.34	2.89	86.58	1.06
2430	上证指数	000001	2024-09-30	3194.72	3336.50	3358.59	3153.70	1102337917	1.167773e+12	6.64	8.06	248.97	2.38
2431	上证指数	000001	2024-10-08	3674.40	3489.78	3674.40	3372.19	1313460195	1.510513e+12	9.06	4.59	153.28	2.83

2432 rows × 13 columns

# 获取上证指数10年的开盘价数据
# 作为买入卖出的价格基准
# 这里也可以采用收盘价或者其他价位
# 由于指数本身就是统计数据
# 采用任何数值都会有所偏差
# 在分析时，选用开盘价认为是一种合理的取舍
stock_data = np.array(df["开盘"])
# 给数据排个序，便于取区间
arg = stock_data.argsort()
stock_data.sort()
print(stock_data)

# 获取上证指数10年的最低最高列数据，取出来转为数组加快后续计算
stock_min = np.array(df["最低"])
stock_max = np.array(df["最高"])
stock_date = np.array(df["日期"])

[2293.57 2294.01 2303.08 ... 5143.34 5145.98 5174.42]

统计年化利率及交易周期

df_arr = []
# 跑得比较慢，要半小时左右，耐心等等吧
for i,idx in tqdm(enumerate(arg[:-1])):
    # 将开盘价作为买入价和卖出价
    purchase = stock_data[i]
    # 秉持 T+1 的原则，当天买入，只能第二天后卖出
    for sell in stock_data[i+1:]:
        # true买入，false卖出
        quote_sign = True
        period = {}
        quote_periods = []
        for index in range(idx, arg.size):
            if quote_sign and stock_min[index] <= purchase and stock_max[index] >= purchase:
                # 买入
                quote_sign = False
                period["买入日期"] = stock_date[index]
            elif not quote_sign and stock_min[index] <= sell and stock_max[index]>=sell:
                # 卖出
                quote_sign = True
                period["卖出日期"] = stock_date[index]
                quote_periods.append(period)
                period = {}
        quote_count = len(quote_periods)
        if quote_count > 0:
            profit = (sell - purchase)*quote_count/delta_year/purchase
            dic = {"买入价":purchase,"卖出价":sell,"交易次数": quote_count,"年化利率":profit, "交易周期":quote_periods}
            df_arr.append(dic)
print(len(df_arr))

2431it [16:57,  2.39it/s]

2715762

查看统计结果

profit_df = pd.DataFrame(df_arr)
profit_df

	买入价	卖出价	交易次数	年化利率	交易周期
0	2293.57	2294.01	1	0.000019	[{'买入日期': '2014-10-27', '卖出日期': '2014-10-28'}]
1	2293.57	2303.08	1	0.000415	[{'买入日期': '2014-10-27', '卖出日期': '2014-10-28'}]
2	2293.57	2322.32	1	0.001254	[{'买入日期': '2014-10-27', '卖出日期': '2014-10-28'}]
3	2293.57	2343.72	1	0.002187	[{'买入日期': '2014-10-27', '卖出日期': '2014-10-29'}]
4	2293.57	2346.05	1	0.002288	[{'买入日期': '2014-10-27', '卖出日期': '2014-10-29'}]
...	...	...	...	...	...
2715757	5101.44	5145.98	1	0.000873	[{'买入日期': '2015-06-11', '卖出日期': '2015-06-12'}]
2715758	5101.44	5174.42	1	0.001431	[{'买入日期': '2015-06-11', '卖出日期': '2015-06-12'}]
2715759	5143.34	5145.98	1	0.000051	[{'买入日期': '2015-06-12', '卖出日期': '2015-06-15'}]
2715760	5143.34	5174.42	1	0.000604	[{'买入日期': '2015-06-12', '卖出日期': '2015-06-15'}]
2715761	5145.98	5174.42	1	0.000553	[{'买入日期': '2015-06-09', '卖出日期': '2015-06-12'}]

2715762 rows × 5 columns

获取年化收益最大的波段

根据结果可见，买入价为2667.82，卖出价为3586.84时，10年内成交共4次，年化利率约为13.78%

profit_max = profit_df.loc[np.array(profit_df["年化利率"]).argmax()]
profit_max

买入价                                               2667.82
卖出价                                               3586.84
交易次数                                                    4
年化利率                                             0.137793
交易周期    [{'买入日期': '2014-12-02', '卖出日期': '2015-03-19'},...
Name: 279415, dtype: object

绘制一下前5收益的年化利率及交易价格区间图

由于利率相近的往往买入/卖出价格也相近，所以，设置disc来过滤一下

根据区间图可以看出，在2670左右买入，3550左右卖出，基本可以做到年化13%

import matplotlib.pyplot as plt

plt.figure(figsize=(4, 8))  # 单位为英寸

# 按年化利率进行排序并获取下标
profit_idx = np.array(profit_df["年化利率"]).argsort()[::-1]

pre_price = [0,0]
disc = 5
i = 1
for idx in profit_idx:
    if i>5:
        break
    # 收益率为y轴
    profit = profit_df["年化利率"].loc[idx]
    profit_y = [profit,profit]
    # 买入/卖出价格作为x轴
    price = [profit_df["买入价"].loc[idx], profit_df["卖出价"].loc[idx]]
    # 由于买入卖出价格可能重叠，这里过滤一下，便于更好区分
    if abs(pre_price[0]-price[0])<disc or abs(pre_price[1]-price[1])<disc:
        continue
    pre_price = price
    i+=1
    plt.plot(price, profit_y)
    plt.text(price[0], profit_y[0], f'{price[0]}',fontsize=8)
    plt.text(price[1], profit_y[1], f'{price[1]}',fontsize=8)

plt.title('Distribution Chart of Top 5 Yield Prices in the Shanghai Composite Index Band')
plt.xlabel('purchase/sell price')
plt.ylabel('annualized return')
plt.savefig('result.png')
plt.show()

去掉此次大盘的异常涨幅

today = datetime.date.today()
today = today.replace(month=today.month-1,day=20)

再来分析年化利率：

买入价 2289.09

卖出价 5174.42

交易次数 1

年化利率 0.126047

交易周期 [{‘买入日期’: ‘2014-09-23’, ‘卖出日期’: ‘2015-06-12’}]

这次，结果就存在较大问题了，因为，很难复现2015年的价格，基本不具备任何参考性

总结

炒股有风险，投资需谨慎。
此次数据分析仅作为参考，不作为任何建议。基于历史数据做的任何分析，在未来的不确定下，都会存在很多偏差，还请“金融消费者”们理性看待！！！