短線買股賺Q的概率有多大？用Python分分鐘教你分析出結果

股票操作講究低買高賣，如果你能買在低點，賣在高點，那麼你就是高手；如果你能買在高點，賣在低點，那麼你就是“韭菜”。所謂“一盈兩平七虧”，對應的是中國的 A 股市場中有 10% 的高手和 70% 的韭菜。進入股市買賣的都覺得自己是高手，最後虧得底褲都沒了。 今天我們從一個簡單的模型來看看短線交易的成功率有多大？

短線交易模型的由來

所謂短線交易，就是在一個股價的低點買進，然後在幾天之內賣出。

A 股大多數交易者都喜歡短線交易，他們都希望今天買入，明天就賣出，以此來賺快錢，殊不知短線交易是大多數人虧損最快的方式。

A 股市場上有一批最頂尖的高手，他們可以做到八年一萬倍的神話，這類高手驚人收益率的來源就是短線交易，他們的鐮刀專門伸向追漲殺跌的韭菜。

正是因為有這群人的存在，A 股還有一個著名的榜單，叫做“龍虎榜”。

滬深交易龍虎榜指每日兩市中漲跌幅、換手率等由大到小的排名榜單，並從中可以看到龍虎榜單中的股票在哪個證券營業部的成交量較大。該數據有助於瞭解當日異動個股的資金進出情況，判斷是遊資所為還是機構所為。

我們的短線交易模型就是要從這個龍虎榜說起。 我在瀏覽東方財富網的龍虎榜時，無意中發現他們有個奇怪的數據，如下圖所示：

這一欄數據表示的是近三個月內該營業部買入個股後3天個股上漲的概率。

我們都知道股票就是個概率遊戲，如果我能夠計算出一隻股票的上漲概率，那麼我就能根據概率來進行博弈了。如果我每次買入之後上漲的概率大於50%，那麼每次下注的話，長期來看，穩贏啊！

我越想越興奮，感覺發現了一座金礦！

我的腦海中頓時閃現了一個思路：根據每個營業部買入後3天個股上漲的概率以及營業部買入的金額佔總買入金額的比例，我計算出每隻上榜股票後面3天上漲的概率。

具體的步驟如下：

1. 先將買入的營業部買入淨額排序，換算成比例，例如：買入1:買入2:買入3:買入4:買入5=a c:d:e；
2. 查看營業部上榜後的上漲概率，例如為：A,B,C,D,E；
3. 查看營業部上榜後的平均漲幅，例如為：A1,B1,C1,D1,E1；
4. 計算綜合上漲概率，公式為：(a A+b B+c C+d D+e*E)/(a+b+c+d+e)
5. 計算綜合漲幅，公式為：(a A1+b B1+c C1+d D1+e*E1)/(a+b+c+d+e)
6. 計算得到的概率值越大越好，越大越值得搏擊

數據準備

以上只是初步設想的一個簡單模型，要進行實踐，我們首先必須用歷史數據來驗證，看看這個模型是否可靠。

要驗證這個模型的可靠性，我們需要龍虎榜數據和個股行情數據。

下面簡單介紹一下這兩個數據的獲取方法。

龍虎榜數據

我們從東方財富的網頁上來獲取龍虎榜數據：http://data.eastmoney.com/stock/tradedetail/2020-03-20.html ，打開頁面如下：

這個頁面可以自定義查詢日期區間，這就很方便的查詢一段時間的數據了。

我們接著打開開發者工具，點擊查詢，就可以很容易地找到查詢數據的請求：

我們獲取到的請求為：

<code>http://data.eastmoney.com/DataCenter_V3/stock2016/TradeDetail/pagesize=50,page=1,sortRule=-1,sortType=,startDate=2020-03-20,endDate=2020-03-23,gpfw=0,js=var%20data_tab_2.html?rt=26416119
/<code>

在請求中，你可以帶上開始和結束日期，將pagesize設置大一些，就可以一次性將一段時間的數據查詢出來。

這裡就是一個簡單的 requests 請求，請求獲取的數據也可以很方便的解析，我就不放代碼了。

請求到龍虎榜的列表後，我們就可以查詢每一個股票的龍虎榜詳情數據了，我們點擊列表中的“明細”，就可以跳到龍虎榜詳情頁面了，對應的 URL 為：http://data.eastmoney.com/stock/lhb,2020-03-23,002727.html

我們使用 requests 請求這個 URL，就可以獲取到這個頁面的 HTML 內容，然後解析 HTML 內容即可得到龍虎榜詳情數據。

解析的核心代碼如下：

<code>def parse_data(self, html, lhb_date, scode):
        pattern_all = re.compile(' [\\s\\S]*?
[\\s\\S]*?<table>[\\s\\S]*?[\\s\\S]*?<tbody>([\\s\\S]*?)/<tbody>[\\s\\S]*?/<table>[\\s\\S]*?<table>[\\s\\S]*?[\\s\\S]*?<tbody>([\\s\\S]*?)/<tbody>[\\s\\S]*?/<table>[\\s\\S]*?
[\\s\\S]*?數據來源[\\s\\S]*?')
        all_content = re.findall(pattern_all, html)
        #print(all_content[0][1])

        obj_list=[]
        if len(all_content):
            buy_content = str(all_content[0][0])
            sell_content = str(all_content[0][1])

            buy_objs = self.parse_detail(buy_content, 0, lhb_date, scode)
            sell_objs = self.parse_detail(sell_content, 1, lhb_date, scode)
            obj_list.extend(buy_objs)
            obj_list.extend(sell_objs)

        return obj_list

    def parse_detail(self, content, type, lhb_date, scode): 

        pattern = re.compile('[\\s\\S]*?[\\s\\S]*?
[\\s\\S]*? [\\s\\S]*?
[\\s\\S]*?([\\s\\S]*?)([\\s\\S]*?)[\\s\\S]*?
[\\s\\S]*?([\\s\\S]*?)[\\s\\S]*?([\\s\\S]*?)[\\s\\S]*?([\\s\\S]*?)[\\s\\S]*?([\\s\\S]*?)[\\s\\S]*?([\\s\\S]*?)[\\s\\S]*?
[\\s\\S]*?')
        items = re.findall(pattern, content)
        obj_list=[]
        for item in items:
            obj = {}
            obj['sales_code'] = self.clear_quote(item[0]) #營業部code
            obj['sales_name'] = self.clear_quote(item[1]) #營業部名稱
            obj['his_rank_times'] = NumUtils.trans_int(self.clear_quote(item[2])) #歷史上榜次數
            obj['his_rank_rate'] = NumUtils.trans_float(self.clear_quote(item[3])) #歷史買入3天上漲概率
            obj['buy_money'] = NumUtils.trans_float(self.clear_quote(item[4])) #買入額
            obj['buy_of_total_rate'] = NumUtils.trans_float(self.clear_quote(item[5])) #買入額佔成交額比例
            obj['sell_money'] = NumUtils.trans_float(self.clear_quote(item[6])) #賣出額
            obj['sell_of_total_rate'] = NumUtils.trans_float(self.clear_quote(item[7])) #賣出額佔成交額比例
            obj['net_money'] = NumUtils.trans_float(self.clear_quote(item[8])) #淨買入額
            obj['type'] = type #買賣類型，0-買入，1-賣出
            obj['tdate'] = lhb_date
            obj['scode'] = scode
            obj_list.append(obj)

        return obj_list/<code>

通過這兩步，我們的龍虎榜數據就得到了，我們把它存儲到數據庫。

個股詳情數據

由於沒有地方可以一次性獲取到一段時間的個股數據，但是我們可以在東方財富網站上以找到當天所有個股的行情數據，URL 為：http://quote.eastmoney.com/center/gridlist.html#hs_a_board ，所以這個只能每天獲取一次，然後累積一段時間了。

這個個股詳情數據頁面如下：

跟龍虎榜列表頁面一樣，我們可以很容易地找到獲取數據的請求：

請求裡面的主要參數有三個：

pn：頁碼

pz：每頁記錄數

fields：個股詳情字段

同樣地，我們可以將每頁記錄數設置足夠大，以確保一次性獲取所有個股數據。

獲取方式很簡單，我們就不貼代碼了。但是有一點需要注意，這個個股數據是實時的，所以我們得每天收盤（下午三點）過後再獲取，才能得到收盤數據。

回溯驗證

每日選股

根據我們前面所講的模型的步驟，我們的選股核心代碼如下：

<code>def ana(self, detail_list):
        scode_dict = {}
        rank_list = []
        for detail in detail_list:
            if detail['scode'] not in scode_dict.keys():
                sub_list = [detail]
                scode_dict[detail['scode']] = sub_list
            else:
                sub_list = scode_dict[detail['scode']]
                sub_list.append(detail)
                scode_dict[detail['scode']] = sub_list

        for key in scode_dict.keys():
            scode = key
            sub_list = scode_dict[key]
            # 總買入額
            total_money = float(0)
            # 營業部上漲概率
            yyb_avg_rate_list = []
            for detail in sub_list:
                total_money = total_money + float(detail['buy_money'])
                yyb_avg_rate_list.append(float(detail['his_rank_rate']))

            # 買入額佔比
            money_rate_list = [float(item['buy_money'])/total_money for item in sub_list]
            total_rate = float(0)
            for i in range(0, len(sub_list)):
                total_rate = float(total_rate) + float(yyb_avg_rate_list[i] * money_rate_list[i])
            rank_list.append({'scode': scode, 'total_rate': total_rate})

        rank_list.sort(key=lambda it: it.get('total_rate'), reverse=True)
        return rank_list/<code>

這裡是嚴格按照前面的步驟來做的，最後將結果按照上漲概率倒序排列。

計算選股的上漲幅度

從龍虎榜中按照上漲概率將個股排序後，我準備選取最大上漲概率的股票來進行回溯。如果最大上漲概率的股票第二天開盤直接漲停，那麼捨棄，再選擇第二大概率的，以此類推。

由於股票的買賣價位決定了收益率的高低，我們無法知道真實操作中的買賣價格，所以這裡我用三種策略來進行對比：

樂觀值：第一天最低價買進，第二天最高價賣出。

悲觀值：第一天最高價買進，第二天最低價賣出。

平均值：第一天平均價買進，第二天平均價賣出。

由於我們的上漲概率是上榜後3天的上漲概率，所以我們的買賣方式可能是：

第一天買入，第二天賣出；

第一天買入，第三天賣出；

第二天買入，第三天賣出。

這裡我把上述情況歸結為兩種：第一天買入第二天賣出和前兩天某一天買入第三天賣出。

根據上面的思路，我們的核心代碼為：

<code>def compute(self, date, stat_type):
        ### stat_type 表示統計類型，1-計算兩天，2-計算三天 ###
        # 1. 獲取每日的龍虎榜選股(根據概率倒序)
        lhbpick = lhb_history_pick.lhbHisPick()
        pick_list = lhbpick.deal(date)

        if not len(pick_list):
            return None

        # 2. 根據選股計算上漲點數
        for stock in pick_list:
            # 將退市警示股和新股排除
            if 'ST' in stock['name'] or '*ST' in stock['name'] or 'N' in stock['name']:
                continue

            # 獲取股票三日行情數據
            stock_day_detail = self.query_stock_detail(stock['scode'], date)
            # 選股當天收盤價
            day_close_price = stock_day_detail[0]['close_price']
            # 選股後一天漲停價
            first_day_limit = stock_utils.StockUtils.calc_limit_price(day_close_price)
            # 選股後一天最低價
            first_day_low_price = stock_day_detail[1]['low_price']
            # 選股後一天最高價
            first_day_top_price = stock_day_detail[1]['top_price']
            # 選股後一天開盤價
            first_day_open = stock_day_detail[1]['open_price']
            # 選股後一天平均價
            first_day_avg_price = (first_day_top_price + first_day_low_price) / 2
            # 開盤即漲停並且一天未開板，買不進，放棄
            if first_day_low_price == first_day_top_price or first_day_limit == first_day_open:
                continue
 

            # 選股後二天最低價
            second_day_low_price = stock_day_detail[2]['low_price']
            # 選股後二天最高價
            second_day_top_price = stock_day_detail[2]['top_price']
            # 選股後二天平均價
            second_day_avg_price = (second_day_top_price + second_day_low_price) / 2

            # 計算上榜後兩天的情況
            optim_up2 = (second_day_top_price - first_day_low_price) / first_day_low_price
            pessim_up2 = (second_day_low_price - first_day_top_price) / first_day_top_price
            avg_up2 = (second_day_avg_price - first_day_avg_price) / first_day_avg_price

            if stat_type == 1:
                # print(optim_up2, pessim_up2, avg_up2)
                return optim_up2, pessim_up2, avg_up2

            # 選股後三天最低價
            third_day_low_price = stock_day_detail[3]['low_price']
            # 選股後三天最高價
            third_day_top_price = stock_day_detail[3]['top_price']
            # 選股後三天平均價
            third_day_avg_price = (second_day_top_price + second_day_low_price) / 2

            # 計算上榜後三天的情況
            max2 = max(first_day_top_price, second_day_top_price)
            min2 = min(first_day_low_price, second_day_low_price)
            avg2 = (first_day_avg_price + second_day_avg_price) / 2

            optim_up3 = (third_day_top_price - min2) / min2
            pessim_up3 = (third_day_low_price - max2) / max2
            avg_up3 = (third_day_avg_price - avg2) / avg2

            return optim_up3, pessim_up3, avg_up3

        return None/<code>

通過上述方法，我們就獲得了某一天所選出的股票的後三天上漲的幅度。

結果展示

我準備從三段不同趨勢的行情來驗證模型，分別是趨勢上漲，趨勢震盪，趨勢下跌三種。

選取的時間週期都是一週，對應的大盤指數日K圖如下：

為了更直觀地展示效果，我將每個週期的上漲幅度用折線圖來展示。

我們來看看上漲趨勢的收益圖：

下跌趨勢的收益圖：

震盪趨勢的收益圖：

我們先來進行縱向對比，很明顯，不論在哪種趨勢下，收益率的關係都是：樂觀 > 平均 > 悲觀。這也跟我們的常理相吻合，畢竟樂觀和悲觀是兩種極端操作方法，而平均是介於這兩者極端之間的。

我們再從上榜後2天和上榜後3天的方面來對比，我們可以看到，不論在哪種趨勢下，上榜後3天的總體收益率比上榜後兩天高，這也應該可以事先預想到。

接著，我們可以看到三種趨勢下總體收益率的情況：三種趨勢下，收益率並沒有跟隨不同的趨勢而出現顯著的特點，所以在三種趨勢下，最大上漲概率的股票收益率沒有顯著的區別。換句話說，就是不管在何種趨勢下，最好的短線操作都可以賺到差不多的收益。

我們來總結一下：如果你是市場上頂尖的選手，可以買在最低價賣在最高價，那麼不論行情怎麼樣，你都可以獲取不菲的收益；如果你是追漲殺跌型的韭菜，那麼你做短線註定會虧損；如果你只是平均水平，那麼你的收益很微薄，所以要想參與短線操作，你的水平至少必須在平均水平以上。

當然，股票市場上的變量很多，這只是一個簡單的模型，考慮的變量也很少，而且驗證的數據也相對較少，只能大致說明短線操作的收益情況，並不是嚴謹的論證。

閱讀更多 編程叫獸 的文章

關鍵字: 韭菜 越南 高點