LOADING
3087 字
15 分钟
底部特征_02市场底部特征理论篇
2022-04-28
06重拾量化
/
g市场大势
底部特征

主要参考文章：
研究中进行市场底部特征分析:https://www.joinquant.com/view/community/detail/376c92456d4c71e6c80e991b0edefaa1?type=1
【华创金工】市场底部特征研究:https://mp.weixin.qq.com/s/sXGUJ3DXk_iIlsiVjXQ3Fg

价格类#

低价股比例#

逻辑是牛市消灭仙股，熊市产生仙股
原理：牛市消灭仙股，熊市产生仙股，仙股原意是指价格已经低于1元的股票，这里放大了仙股价格区间，设定为小于2元的股票，统计了从07年开始，低价股数量占比的时间序列。可是，考虑到时间跨度超过10年，那是当年可以买碗牛肉拉面的两块钱，为了抵消通货膨胀的影响，所以这里做了些改动，将条件按每年4%的无风险收益进行增长，到目前，这个低价格的阈值已经是3.2元。
图示：
del01

  #返回股价低于2元的股票个数占比
  def f1(self,date_list):
      bei = len(date_list)//13
      se_price_2 = []
      for i in range(1,13):
          e = date_list[i*bei]
          s = date_list[(i-1)*bei]
          if i == 0:
              s = date_list[0]
          elif i == 12:
              e = date_list[-1]
          all_stock = list(get_all_securities(types='stock',date=e).index)
          def f1_1(x):
              x=x.dropna(axis=0)
              return sum(x)
          df = get_price(all_stock,start_date=s,end_date=e,fields=['close'],fq=None)['close']
          df_1 = df<=2*(1.04)**i
          #print(2*(1.04)**i)
          se1 = df_1.apply(f1_1,axis=1)
          l2 = [len(get_all_securities(types='stock',date=i)) for i in se1.index ]
          se2 = pd.Series(l2,index=se1.index)
          #se2 = df_1.apply(f1_1[1],axis=1)
          se_price_2.append(se1/se2)
      return pd.concat(se_price_2)

破净股比例#

打折促销，领先指标。
原理：破净是指股价跌破净资产值，破净股具体就是指股票的每股市场价格低于它每股净资产价格，破净的特点和逻辑，和低价股类似。这一点从下面的图中看确实如此，从历史走势来看，破净股数据的变化情况，与股票市场的顶底区域是同步的。针对这个问题，我们找出市场中对应的几个位置特别位置和该指标数据进行对比，这里是2018年2月9号的具体表现
图示：
del01
注意到，这个指标和低价股是强相关的， 曲线非常类似，个人觉得这个可解释性更佳！

  #返回破净股比例
  def f2(self,date_list):
      pb = []
      for d in date_list:
          df_temp = get_fundamentals(query(valuation.code,valuation.pb_ratio,valuation.circulating_market_cap,valuation.pe_ratio),date=d)
          a = len(df_temp)
          b = len(df_temp[df_temp['pb_ratio']<=1])
          #b = len(df_temp[(df_temp['pb_ratio']<=1)&amp;(df_temp['pb_ratio']>=0)])
          pb.append(b/a)
      df_2 = pd.DataFrame(pb,index=date_list,columns=['pb_ratio'])
      return df_2['pb_ratio']

流动性类#

全市交易额有没有触底？全市场人气。#

“大底时全市成交额，是高点全市成交额的10%。目前已经符合大底的标准。”
下面的图是将沪深两市每日成交额进行合计，惊奇的发现，2015年市场成交额数据竟然如此高不可攀，直逼2万亿，达到所有历史行情之最，让人不得不感慨这2015年杠杆牛的威力，明处券商两融业务做得风生水起，暗处场外配资遍地开花。虽然点数没有突破历史，但是成交金额却创下了历史记录。
将近几年的成交额数据放大，可以发现近期成交额基本处于15年以来成交额2千多万的底线水平，占最高点成交额的11%
del01

    #全市场成交额
    #输出两个市场成交额数据变化
    def f5(self,date_list):
        s,e = date_list[0],date_list[-1]
        pl = get_price(['399001.XSHE','000001.XSHG'],start_date=s,end_date=e,fields=['money'])['money']
        pl['money'] = pl['399001.XSHE']+pl['000001.XSHG']
        return pl['money']

个股流动性有没有触底？大底中大部分个股流动性枯竭。#

市场整体热度不够，个股自然不会好到哪里。目前从图中看到，个股的成交已经是在上次股灾值附近
这里以100万/天的成交额作为判断标准，来衡量市场个股是否冷淡。同样，由于时间跨度较大，也要考虑到市场整体的上涨对该判断带来的影响，不过这里是以M2增速的标准进行处理，我们也参考这个标准进行处理：
M2在2005年6月底数据为275,785.53，到2018年6月底数据为1,770,200.00，按复利增长计算，基本上是每年14%的速度上升，将该速度套用在2008年每天100万成交额的基础上，得出了2018年418万成交额的条件。图中看到貌似目前还未能满足该条件，未做比例统计

del01

 #个股成交的冷淡
  #返回个股成交金额
  def f6(self,date_list):
      l_money_mean = []
      for i in date_list:
          all_stock = list(get_all_securities(types='stock',date=i).index)
          df_money = get_price(all_stock,end_date=i,count=1)['money']
          df_money = df_money.dropna(axis=1)
          money_mean = sum(df_money.T)/df_money.shape[1]
          l_money_mean.append(money_mean.values)
      df_money_mean = pd.DataFrame(l_money_mean,index=date_list,columns=['money_mean'])
      return df_money_mean

动量类#

个股区间最大跌幅中位数#

大底是跌出来的，大底的水准是高点腰斩，在腰斩。
下面的图是沪深300的成分股最大回撤中位数数据，可以看到，在2008年创下了最高纪录73%，与原文提到的74.44%相当接近，2014年牛市启动之前曾达到58%，最近的一次高点，也就是在2016年2月股灾2.0时，该数据达到了54.48%，而现在该值在54%左右徘徊，已经符合该底部特征的条件。
del01

  #个股区间最大跌幅中位数
  def f7(self,date_list):
      date = date_list[-1]
      #all_stock = list(get_all_securities(types='stock',date=date).index)
      all_stock = get_index_stocks('000300.XSHG')
      df_temp = get_price(all_stock,start_date='2005-4-1',end_date=date,fields=['close'])['close']
      se_l = []
      for i in date_list:
          df_temp_1 = df_temp[df_temp.index<i]
          #回撤
          se = 1-df_temp_1[-1:]/df_temp_1.max()
          #格式为series
          se_l.append(se.T.quantile(0.5))
      return pd.concat(se_l)

外部类#

M2/总市值中位数#

相当于每一元的市值，有多少M2支撑和刺激？可以理解为“施肥率”。
M2（广义货币）= 流通中的现金（即流通于银行体系之外的现金）+企业活期存款+准货币（定期存款+居民储蓄存款+其他存款+证券公司客户保证金）
简单粗暴的来讲就是指现金+活期存款+定期存款，M2越大越有钱，有了钱就可以大胆的买买买了，买酒、买药、买榨菜、买面条…M2被比作市场的肥料，这里将M2/总市值中位数进行了指标构建，相当于每平方米的施肥率。而选择中位数却不用总市值，是想弱化权重股对这个指标的过度影响，这里也是可以理解，毕竟中小盘股的参与度要高于超级大盘股。
del01

  def f3_1(self,date_list):
      M2_date = pd.read_excel('M2.xls')
      M2_date = M2_date[(M2_date['time']>date_list[0]) &amp; (M2_date['time']<date_list[-1])]
      M2_date.index = M2_date['time'].values
      date_list_new = M2_date.time
      market = []
      for d in date_list_new:
          df_temp = get_fundamentals(query(valuation.code,valuation.circulating_market_cap),date=d)
          c = df_temp['circulating_market_cap'].quantile(0.5)
          market.append(c)
      df_3 = pd.DataFrame(market,index=date_list_new,columns=['market_50%'])
      df_3['m2'] = M2_date['M2']
      df_3['M2/总市值中位数'] = df_3['m2']/df_3['market_50%']
      df_3 = df_3.sort_index(ascending=1)
      return df_3#['M2/总市值中位数']

PE中位数和十年国债收益率倒数#

比较股票和国债收益率的高低，经典的股债轮动指标。
先说说国债收益率和股市的关系，国债作为固收类产品，其收益率就是我们常说的无风险收益率，稳赚不赔，国债收益率较高的时候，会吸引资金 从高风险领域不断流入低风险的国债，造成流动性紧张，其他资产价格就会下跌；国债利率低，就会导致更多资金流入高风险领域，如间接持有股票型基金，或直接入市等，导致市场热度上升，这就是股债轮动存在的依据。
下图就是市场PE中位数和十年国债收益率倒数的走势情况。
“第一、就是PE中位数随着小盘股占比越来越高，PE中位数也水涨船高。现在的PE中位数和08年PE中位数，内涵已经差了很多。” 目前，看到PE中位数已经接近前低，假设PE是以线性增长的话很明显已经跌破了之前两次低点的连线，PE中位数和国债收益倒数非常接近，但还未产生交叉
“第二、蓝色线和灰色线的交叉，注意，通常不止一次。”
前几次的数据曲线中我们看到，红线（PE中位数）几次下跌都是在熊市中下穿蓝线（10年国债收益率倒数），在市场回暖的过程中红线势必突破蓝线，我们可以看到一轮完整的牛熊市切换貌似都要触及一次蓝线，构成市场的左侧信息和右侧信号，中间即是买票上车的时间。
del01

#PE中位数和十年国债收益率倒数的比较
def f4_1(self,date_list):
  deb_date = pd.read_excel('10年国债数据.xls')
  deb_date = deb_date[(deb_date['time']>date_list[0]) &amp; (deb_date['time']<date_list[-1])]
  deb_date.index = deb_date['time'].values
  date_list_new = deb_date.time
  pe = []
  cir_market_ratio = []
  for d in date_list_new:
      df_temp = get_fundamentals(query(valuation.code,valuation.pe_ratio,valuation.circulating_market_cap),date=d)
      a = len(df_temp)
      b = len(df_temp[df_temp['circulating_market_cap']<45])
      #print(df_temp['circulating_market_cap'].quantile(0.5))
      c = df_temp['pe_ratio'].quantile(0.5)
      cir_market_ratio.append(b/a)
      pe.append(c)
  df_4 = pd.DataFrame(pe,index=date_list_new,columns=['pe_50%'])
  df_4['returns'] = deb_date['returns']
  df_4['1/returns'] = 100/deb_date['returns']
  df_4['cir_market_ratio'] = cir_market_ratio
  #df_4['pe中位数/10年国债收益倒数'] = df_4['pe_50%']/df_4['1/returns']
  return df_4[['pe_50%','1/returns','cir_market_ratio']]

人气指标：次新股的破发率。#

除了全市场的估值低，各个行业也一片惨淡，几无例外。
次新股，一般是指上市一年以内的股票，可以通过以下代码获取近一年上市的所有股票，共计241只，占全市场股票6.8%,取出全市场换手率最高的前100只股票，其中次新股却有57只，对广大股民来讲，次新确实有着绝对的人气。
下面是次新股和全市场股票的PE中位数的数据，就最近一次的牛市行情来看，次新是不一样的，在2015股灾之后，依然走出了一波行情，直到2016年年底才开始跳水，这与IPO加速都有着直接的关系。数据往前推几年，牛熊交替的过程中我们看到，市场好的时候，大家各有各的花样，市场不好的时候，看起来都是一个样。最低点时次新股与全市场估值接近，就是所谓通杀。就目前来看，次新还是有着自己的想法。
del01

import datetime
#获取所有的股票信息
df = get_all_securities()
#筛选出近一年的股票
df[df['start_date']>datetime.date(2017,7,20)]




#获取次新股和全市场股票的PE中位数
  def f8(self,date_list):
      sec_new_pe = []
      pe = []
      p_ratio_l = []
      all_stock = get_all_securities(types='stock',date=date_list[-1])
      all_stock['fir_open'] = [get_price(stock,end_date=all_stock.loc[stock]['start_date'],count=1,fields=['open'])['open'].values[0] for stock in all_stock.index]
      for d in date_list:
          df_temp = get_price('000001.XSHG',end_date=d,count=252)
          year_1,month_1,day_1 = int(str(df_temp.index[0])[:4]), int(str(df_temp.index[0])[5:7]), int(str(df_temp.index[0])[8:10])
          year,month,day = int(str(df_temp.index[-1])[:4]), int(str(df_temp.index[-1])[5:7]), int(str(df_temp.index[-1])[8:10])
          sec_new_stock_df = all_stock[(all_stock['start_date']>datetime.date(year_1,month_1,day_1)) &amp; (all_stock['start_date']<datetime.date(year,month,day))]
          sec_new_stock = sec_new_stock_df.index
          df_temp = get_fundamentals(query(valuation.code,valuation.pe_ratio).filter(valuation.code.in_(sec_new_stock)),date=d)
          df_temp_1 = get_fundamentals(query(valuation.code,valuation.pe_ratio),date=d)
          pe_sec = df_temp['pe_ratio'].quantile(0.5)
          pe_all = df_temp_1['pe_ratio'].quantile(0.5)
          sec_new_pe.append(pe_sec)
          pe.append(pe_all)
          #获取次新股当前价格
          sec_new_price = get_price(list(sec_new_stock),end_date=d,fields=['close'],count=1)['close'].T
          sec_new_price.columns=['fir_open']
          p_ratio = sec_new_price['fir_open']/all_stock.loc[sec_new_price.index,:]['fir_open']
          po_ratio = len(p_ratio[p_ratio<1])/len(p_ratio)
          p_ratio_l.append(po_ratio)
      df_pe = pd.DataFrame(sec_new_pe,index=date_list,columns=['sec_pe'])
      df_pe['pe'] = pe
      df_pe['p_ratio'] = p_ratio_l
      return df_pe

市场大底，行业一片惨淡，无一例外#

关于股票估值有很多的说法，就结果而言，至少到目前为止并没有一个可靠的办法，都是试图无限接近真实价值，但是结果本身甚至都不具收敛性，只能是挖掘相对好一点的方法。
比较常见的方法会以每股收益为基础，估计价格，以股票当前的价格比上每股收益，得出市盈率，其中每股收益是公司本身决定的，是个确定的值，而股票价格，就是参与者来决定的随机值，根据经验，我们可以找出历史的PE值在牛熊市、特定行业中的表现，pe = p/e转换为p=pe*e,从而得到估计的值，对当前价格进行指导。
在熊市的时候，大部分行业集中低估，行业估值的80%分位数，和全市场估值水平差不多。这一特征，这里并没有进行详细的数据演示，下面展示的是不同市值、不同板块的指数成分股50%分位数的时间序列，行业的话可以参考前面的代码，把股票池更换成行业成分股即可，调整下中位数刻度，进行对比验证了。

del01

a = f()
#由于部分指数上市较晚，这里开始时间从2015年开始
date_list = a.get_tradeday_list('2015-7-17','2018-7-17')
df9 = a.f9(date_list)
df9 = df9.sort_index(ascending=1)
df9.plot(figsize=(10,7))
9.png
  #市场大底，行业一片惨淡，无一例外
  #行业PE估值
  def f9(self,date_list):
      #指数用成分股，pe值做市值加权处理
      index_list = ['000001.XSHG','000300.XSHG','000016.XSHG','000905.XSHG','000852.XSHG','399006.XSHE','399678.XSHE','399005.XSHE']
      index_name = ['上证','沪深300','上证50','中证500','中证1000','创业板','次新股','中小板']
      pe_fin = []
      for i in date_list:
          pe_index = []
          for j in index_list:
              stock_list = get_index_stocks(j,i)
              df_temp = get_fundamentals(query(valuation.code,valuation.pe_ratio).filter(valuation.code.in_(stock_list)),date=i)
              pe = df_temp['pe_ratio'].quantile(0.5)
              pe_index.append(pe)
          pe_fin.append(pe_index)
      pe_df = pd.DataFrame(pe_fin,index=date_list,columns=index_name)
      return pe_df

todo#

板块分化#

可以进一步分析板块信息，比如下跌，龙头板块的下跌幅度，可能更具有代表性，毕竟部分板块可能一直不温不火，即使大跌，可能也没跌多少。可能导致数据失真，偏差。比如每次下跌，龙头板块下跌2/3，才到近似底部等结论。

底部特征_02市场底部特征理论篇
/posts/quant/de13a641/
作者
思想的巨人
发布于
2022-04-28
许可协议
CC BY-NC-SA 4.0

部分信息可能已经过时

底部特征_03中金历史阶段性底部特征梳理
定投_01基本原理和加权定投
© 2026 思想的巨人. All Rights Reserved. / RSS / Atom / Sitemap
Powered by Astro & Twilight  Version 1.0