【手把手教你】Python量化股票市场情绪指标ARBR

投稿用户 • 2022年7月9日 am10:02 • 文华财经指标 • 阅读 74

债券投资，不免很多地方需要靠临场发挥，但长期而言，好临场发挥、倒霉会东凯努瓦县，想要持续的成功，必须靠技能和运用良好的原则。——莫里斯·韦斯利

01 前言

是什么影响着每天公司股价的变动？是什么下定决心指数在多少点位？为什么当股票产品价格稳定在某一区域的时候，会突然发生逆转？《跟风繁荣》作者杰斯认为，股票消费市场的产品价格并不全然由基本面下定决心，股票消费市场的大幅下跌与公众的过度悲观存在显著的关联性。消费市场的极端行情更多地应该归因于进行买卖者焦虑的自然反馈与纠正过程，而不是某些全然从外部作用于消费市场的事件。大部分进行买卖者在消费市场处在顶部时表现最悲观，而在消费市场处在底部时最悲观。

关于股市行情的回忆见之前贴文：【Python金融定量】A股巨变创世纪。投资人焦虑(Investor Sentiment)，是行为管理学解释消费市场神迹的主要就理论此基础之一。投资人焦虑可简单理解为投资人对资产的一种悲观和悲观的看法或是投机倾向。对投资人焦虑的刻划主要就有两类分项：一是直接进行调查投资人的焦虑，主要包括问卷进行调查，多空进行调查等错误操作分项；二是选用消费市场进行买卖数据展开统计处理，即客观或间接分项。目前国内对消费市场焦虑的定量也主要就选用第三种方法，如中信证券对四类消费市场分项展开主成分预测来构建投资人焦虑，具体主要包括：(1)消费市场总体类分项：总体市盈率、PB、换手率；(2)消费市场结构类分项：下跌融资额比下跌融资额、小盘股相对大盘股的超额收益率等；(3)IPO系列分项：股票首发挂牌上市融资额、新股挂牌上市首日涨幅；(4)封闭式基金折价；(5)资金流动分项：A股账户净增加数。

投资人焦虑的刻划分项多种多样，各有好坏，本文主要就以技术预测常用的焦虑分项ARBR为例，使用Python展开排序和建模预测，为定量representing策略奠定此基础。

02 焦虑分项 ARBR

焦虑分项，简称 ARBR 或 BRAR，由曝光率分项（AR）和意向分项（BR）构成。 AR 和 BR 都是对透过对历史公司股价走势的预测，充分反映消费市场当前情况下多空两方的力量强弱对比，推断消费市场进行买卖焦虑，从而对趋势的形成与探底回升作出研判。

AR刻划的是消费市场进行买卖曝光率，曝光率越旺，公司股价越高，而公司股价攀升带来的赚钱效应又会不断带动曝光率上升，但是有神论者。当AR值升高至一定限度时，代表能量已经消耗大半，缺乏推高冲力的公司股价，出现探底回升概率增大。BR充分反映的是消费市场进行买卖意向，以反消费市场焦虑为依据，当消费市场曝光率狂热时卖出，曝光率悲观时买进。

03 BRAR 分项排序

AR分项是透过较为某一周期性内正股与最高、超低价，来充分反映消费市场进行买卖曝光率。排序方法为：N日AR=(N日内（H－O）之和）/(N日内（O－L）之和)*100。

BR分项是透过较为一段周期性内沪市在该周期性产品价格波动中的地位，来充分反映消费市场进行买卖意向程度。排序方法为：N日BR=（N日内（H－YC）之和）/N日内（YC－L）之和）*100。

其中，O 为当天正股，H 为当天最高值，L 为当天超低价，YC 为前一进行买卖日的沪市，N 为预设的时间模块，一般原始模块日预设为26日，排序周期性可以根据自己的经验或谢鲁瓦结果展开修正。

04 应用法则

两方的边界线是100，100 以上是多方竞争优势，100 以下是空头竞争优势。

买入信号：

BR通常运行在AR上方，一旦BR跌破AR并在AR之下运行时，表明消费市场开始筑底，视为买进信号；BR<40,AR<60: 空头力量较强，但随时可能探底回升下跌，考虑买进。

卖出信号：BR>400,AR>180，多方力量极强，但随时可能探底回升下跌，考虑卖出；BR快速上升，AR并未上升而是小幅下降或横盘，视为卖出信号。

背离信号：AR、BR分项的曲线走势与公司股价K线图上的走势正好相反。

顶背离：当公司股价K线图上的股票走势一峰比一峰高，公司股价一直向下跌，而AR、BR分项图上的走势却一峰比一峰低，说明出现顶背离，公司股价短期内将高位探底回升，是较为强烈的卖出信号。

底背离：当公司股价K线图上的股票走势一底比一底低，公司股价一直向下跌，而AR、BR分项图上的走势却一底比一底高，说明出现底背离，公司股价短期内将低位探底回升，是较为强烈的买入信号。

BRAR分项的讯号不如其他分项明确，许多关键点必须靠个人的领悟及自由心证，并且不同进行买卖消费市场，BRAR高低档数据皆不尽相同。

05 Python代码实现

先引入后面可能用到的包（package） import pandas as pd import numpy as np import matplotlib.pyplot as plt import tushare as ts import talib as ta %matplotlib inline 正常显示画图时出现的中文和负号 from pylab import mpl mpl.rcParams[font.sans-serif]=[SimHei] mpl.rcParams[axes.unicode_minus]=False 引入TA-Lib库 import talib as ta 设置token token=输入你的token pro=ts.pro_api(token) index={上证综指: 000001.SH,深证成指: 399001.SZ, 沪深300: 000300.SH,创业板指: 399006.SZ, 上证50: 000016.SH,中证500: 000905.SH, 中小板指: 399005.SZ,上证180: 000010.SH} 获取当前进行买卖的股票代码和名称 def get_code(): df = pro.stock_basic(exchange=, list_status=L) codes=df.ts_code.values names=df.name.values stock=dict(zip(names,codes)) stocks=dict(stock,**index) return stocks 默认预设时间周期性为当前时间往前推120个进行买卖日日期可以根据需要自己改动 def get_data(code,n=120): from datetime import datetime,timedelta t=datetime.now() t0=t-timedelta(n) start=t0.strftime(%Y%m%d) end=t.strftime(%Y%m%d) 如果代码在字典index里，则取的是指数数据 if code in index.values(): df=pro.index_daily(ts_code=code,start_date=start, end_date=end) 否则取的是个股数据 else: df=pro.daily(ts_code=code, start_date=start, end_date=end) 将进行买卖日期设置为索引值 df.index=pd.to_datetime(df.trade_date) df=df.sort_index() 排序收益率 return df 排序AR、BR分项 def arbr(stock,n=120): code=get_code()[stock] df=get_data(code,n)[[open,high,low,close]] df[HO]=df.high-df.open df[OL]=df.open-df.low df[HCY]=df.high-df.close.shift(1) df[CYL]=df.close.shift(1)-df.low 排序AR、BR分项 df[AR]=ta.SUM(df.HO, timeperiod=26)/ta.SUM(df.OL, timeperiod=26)*100 df[BR]=ta.SUM(df.HCY, timeperiod=26)/ta.SUM(df.CYL, timeperiod=26)*100 return df[[close,AR,BR]].dropna() 对产品价格和ARBR展开建模 def plot_arbr(stock,n=120): df=arbr(stock,n) df[close].plot(color=r,figsize=(14,5)) plt.xlabel() plt.title(stock+产品价格走势,fontsize=15) df[[AR,BR]].plot(figsize=(14,5)) plt.xlabel() plt.show() plot_arbr(上证综指) plot_arbr(上证综指,n=250) plot_arbr(创业板指,n=250) plot_arbr(沪深300,n=250) plot_arbr(东方通信,n=250)

06 结语

股票消费市场上，随着多空两方的较量，公司股价会向上或向下偏离这一平衡价位区，公司股价偏离得越大，说明力量越大，偏离得越小，说明力量越小。因此。利用股票各种产品价格之间的关系，找到这个平衡价位区，对研判多空力量的变化起着重要的作用。而ARBR分项就是根据股票的正股、沪市、最高值和超低价之间的关系来预测多空力量的对比，预测公司股价的未来走势。ARBR分项排序简单，容易理解，但是使用起来并非容易，需要深厚的实盘进行买卖经验才能作出准确判断。另外，ARBR分项也存在一定的局限性，如只利用了历史产品价格信息，而忽略了成交量的重要性。

本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，请发送邮件至1936152778@qq.com举报，一经查实，本站将立刻删除。
如若转载，请注明出处：https://www.caopanquan.cn/2415.html