复制链接
克隆策略

筹码理论的探索-筹码分布计算的实现

资金和筹码

资金是推动筹码移动的源动力,资金的强弱决定了筹码移动的方向。买入的资金强于卖出的筹码,说明筹码需求大于供应,股价就会上涨。相反,卖出的筹码强于买入的资金,说明筹码需求小于供应,股价就会下跌。当买入的力量和卖出的力量接近平衡时,说明供求相近,股价就会横盘震荡。

筹码理论背后的经典逻辑

  • 谁的筹码不抛
      在筹码价位较高,没有明显出货迹象时,试想一只股票下跌了30%以上,而从没有放量,高端和低端筹码都不动,这是不正常的,散户重在散,下跌到一定程度一定会有很多人止损和出局,而持续盘跌不放量,只能说明其中有主力被套了,因为主力一般无法止损出局,那样成本太高了。这种股最适用于擒庄操作
  • 谁的筹码不卖
      在筹码价位较低时,一只股票上涨了20%以上,而从不放量,底端密集筹码不动也是不正常的,散户一般很少有人经得起如此引诱而一致不出货,这只能说明其中有主力在运做,而多数主力没有30%以上的利润是不会离场的,因为那样除去费用纯利就太低了。这种股最适用于坐轿操作。
  • 机会和风险提示
      有些股票虽然高位无量,但其拉升时出现了放量或长时间盘整,使筹码出现了高位集中,这些股一般是主力离场了,后市风险会较大。有些股低位放量或长时间盘整,出现筹码低位密集,一般是有主力进行收集造成的,操作起来机会比较大。

筹码理论的关键参数

  • 筹码分布
      计算历史所有筹码的换手价位,类似分价表
  • 成本均线
      以成交量为权重的价格平均线,用来表示N日内的市场参与者平均建仓成本。无穷成本平均线是最重要的成本均线,反映上市以来所有交易者的平均建仓成本,是市场牛熊的重要分水岭。
  • 筹码集中度
      刻画主要筹码堆积的主要区域的幅度,数值越大表示筹码集中的幅度越大,筹码就越分散。
  • 活跃筹码
      价附近的筹码是最不稳定的,也是最容易参与交易的,因为在股价附近的股票持有者,最经受不住诱惑,盈利的想赶快把浮动盈利换成实际盈利;被套的想趁着亏损得还少赶快卖掉,利用资金买另外的股票,把亏损赶快挣回来。而远离股价,在下方的筹码,由于有了一定的利润,持股信心会增强;在上方的筹码,由于被套太深而不愿割肉,所以在股价附近的筹码是最活跃的,而在股价上下,远离股价的筹码是不太活跃的。
      活跃筹码的数值很小时是很值得注意的一种情况。比如,一只股票经过漫长的下跌后,活跃筹码的值很小(小于10),大部分筹码都处于被套较深的状态,这时多数持股者已经不愿意割肉出局了,所以这时候往往能成为一个较好的买入点;再比如:一只股票经过一段时间的上涨,活跃筹码很小(小于10),大部分筹码都处于获利较多的状态,如果这时控盘强弱的值较大(大于20),前期有明显的庄股特征,总体涨幅不太大,也能成为一个较好的买入点。所以,在股价运行到不同的阶段时,考虑一下活跃筹码的多少,能起到很好的辅助效果。

筹码理论的股价周期阐述

股价走势循环周期的四个阶段
A阶段:无穷成本均线由向下到走平;俗称筑底阶段;
B阶段:无穷成本均线由走平到向上;俗称拉升阶段,可称为上升阶段;
C阶段:无穷成本均线由向上到走平;俗称作头(顶)阶段;
D阶段:无穷成本均线由走平到向下;俗称派发阶段,可称作下降阶段;

1、筹码的价位分布计算

假如某只股票有1000万股,第一天平均交易价格10元,第二天换手率20%,平均交易价格11元,那第二天的筹码分布为,10元:1000 (1 - 0.2)=800万,11元:1000 0.2 = 200万。第三天换手率30%,平均交易价格12元,那第三天的筹码分布为,10元:1000 (1 - 0.2) (1 - 0.3)= 560万,11元:1000 0.2 (1 - 0.3) = 140万,12元:1000 * 0.3 = 300万,以此类推。代码如下:

In [1]:
instruments = ['601700.SHA']
#这里尽量包含从上市日期开始到最后的数据
df = D.history_data(instruments, start_date='2005-01-02', end_date='2018-07-04',
fields=['open','close','adjust_factor','turn','volume']) #获取历史数据
df['real_close']=df['close']/df['adjust_factor'] #获取真实收盘价
df['real_open']=df['open']/df['adjust_factor'] #获取真实开盘价
df['turn']=df['turn']/100 #获取换手率
df['avg_price']=np.round(df['real_close']+df['real_open'])/2 #计算每日平均成本,这里按照0.5元一个价位做分析
df=df.sort_values(by='date',ascending=False).reset_index(drop=True) #日期按降序排列
df['turn_tomo']=df['turn'].shift(1) #计算明日的换手率
df['remain_day']=1-df['turn_tomo'] #计算当日的剩余筹码比例
#假设N日后,上市第一天的剩余筹码比率就是每日剩余比例的累乘即:剩余筹码比例=(1-明天换手率)*(1-后日换手率)*...*(1-最新日换手率),以此类推各日的剩余筹码
df['remain_his']=df['remain_day'].cumprod()*df['turn'] 
df['remain_his']=df['remain_his'].fillna(df['turn']) #最新一日的筹码就是当日的换手率
In [2]:
#关键统计,统计最后一天的各价位历史筹码堆积量(百分比)
ss=df.groupby('avg_price')[['remain_his']].sum().rename(columns={'remain_his':'筹码量'})
ss.head(10)
Out[2]:
筹码量
avg_price
3.5 0.060804
4.0 0.044996
4.5 0.120760
5.0 0.120956
5.5 0.059544
6.0 0.149679
6.5 0.075149
7.0 0.073177
7.5 0.069574
8.0 0.141947
In [3]:
#检查一下各价位筹码总和是不是1
ss['筹码量'].sum()
Out[3]:
1.0000001

2、筹码理论的Winner指标

In [9]:
#计算end_date时某一价位的获利比例
pp=ss.reset_index()
pp[pp.avg_price<=3.5]['筹码量'].sum()
Out[9]:
0.06080448
In [8]:
#计算end_date时收盘价的获利比例
pp[pp.avg_price<=df['real_close'].iloc[-1]]['筹码量'].sum()
Out[8]:
0.9996914

3、筹码理论的Cost指标

In [6]:
ss['筹码累积量']=ss['筹码量'].cumsum()
ss.head()
Out[6]:
筹码量 筹码累积量
avg_price
3.5 0.060804 0.060804
4.0 0.044996 0.105800
4.5 0.120760 0.226561
5.0 0.120956 0.347516
5.5 0.059544 0.407060
In [7]:
#给定累计获利比率winner_ratio,计算对应的价位,表示在此价位上winner_ratio的筹码处于获利状态
winner_ratio=0.5
for i in range(len(ss)-1):
    if ss['筹码累积量'].iloc[i] < winner_ratio and ss['筹码累积量'].iloc[i+1]> winner_ratio:
        cost=ss.index[i]
cost
Out[7]:
5.5

4、计算全市场各股票的winner指标

In [8]:
instruments = ['601700.SHA','601699.SHA']
#这里尽量包含从上市日期开始到最后的数据
df = D.history_data(instruments, start_date='2005-01-02', end_date='2018-02-14',
fields=['open','close','adjust_factor','turn','volume']) # 获取历史数据
df['real_close']=df['close']/df['adjust_factor'] # 获取真实收盘价
df['real_open']=df['open']/df['adjust_factor'] # 获取真实开盘价
df['turn']=df['turn']/100
df['avg_price']=np.round(df['real_close']+df['real_open'])/2 # 计算每日平均成本,这里按照0.5元一个价位做分析
df=df.sort_values(by='date',ascending=False).reset_index(drop=True) # 日期按降序排列
df['turn_tomo']=df.groupby('instrument')['turn'].apply(lambda x:x.shift(1)) # 计算明日的换手率
df['remain_day']=1-df['turn_tomo'] # 计算当日的剩余筹码比例
In [9]:
#假设N日后,上市第一天的剩余筹码比率就是每日剩余比例的累乘即:剩余筹码比例=(1-明天换手率)*(1-后日换手率)*...*(1-最新日换手率),以此类推各日的剩余筹码
df['remain_his']=df.groupby('instrument')['remain_day'].apply(lambda x:x.cumprod())
df['remain_his']=df['remain_his']*df['turn']
df['remain_his']=df['remain_his'].fillna(df['turn']) # 最新一日的筹码就是当日的换手率
In [10]:
# 关键统计,统计最后一天的各价位历史筹码堆积量(百分比)
ss=df.groupby(['instrument','avg_price'])[['remain_his']].sum().rename(columns={'remain_his':'筹码量'}).reset_index()
In [11]:
real_close=df.groupby('instrument')[['real_close']].apply(lambda x:x.iloc[0]).reset_index()
pp=ss.merge(real_close,on='instrument')
# 计算end_date时收盘价的获利比例
winner=pp[pp.avg_price<=pp.real_close].groupby('instrument')[['筹码量']].sum().rename(columns={'筹码量':'winner'})
winner
Out[11]:
winner
instrument
601699.SHA 0.639122
601700.SHA 0.817013
In [12]:
# 检查各股票各价位的筹码总和是否为1
ss.groupby('instrument')['筹码量'].sum()
Out[12]:
instrument
601699.SHA    1.0
601700.SHA    1.0
Name: 筹码量, dtype: float32

计算全市场各股票每日的winner指标

In [5]:
instruments = ['601700.SHA','601699.SHA']
#这里尽量包含从上市日期开始到最后的数据
df_all = D.history_data(instruments, start_date='2022-01-01', end_date='2022-08-10',
fields=['open','close','adjust_factor','turn','volume']) #获取历史数据
In [6]:
def cal_winner_day(df_all):
    winner=[]
    for k in list(df_all.date):
        df=df_all[df_all.date<=k]
        df['real_close']=df['close']/df['adjust_factor'] #获取真实收盘价
        df['real_open']=df['open']/df['adjust_factor'] #获取真实开盘价
        df['turn']=df['turn']/100 #获取换手率
        df['avg_price']=np.round(df['real_close']+df['real_open'])/2 #计算每日平均成本,这里按照0.5元一个价位做分析
        df=df.sort_values(by='date',ascending=False).reset_index(drop=True) #日期按降序排列
        df['turn_tomo']=df['turn'].shift(1) # 计算明日的换手率
        df['remain_day']=1-df['turn_tomo'] # 计算当日的剩余筹码比例
        # 假设N日后,上市第一天的剩余筹码比率就是每日剩余比例的累乘即:剩余筹码比例=(1-明天换手率)*(1-后日换手率)*...*(1-最新日换手率),以此类推各日的剩余筹码
        df['remain_his']=df['remain_day'].cumprod()
        df['remain_his']=df['remain_his'] * df['turn']
        df['remain_his']=df['remain_his'].fillna(df['turn']) # 最新一日的筹码就是当日的换手率
        # 关键统计,统计最后一天的各价位历史筹码堆积量(百分比)
        ss=df.groupby('avg_price')[['remain_his']].sum().rename(columns={'remain_his':'筹码量'}).reset_index()
        ss['real_close']=df['real_close'].iloc[0]
        # 计算end_date时收盘价的获利比例
        winner_day=ss[ss.avg_price<=ss.real_close]['筹码量'].sum()
        winner.append(winner_day)
    result=pd.DataFrame({'winner':winner},index=df_all.date)
    return result
In [7]:
winner_all=df_all.groupby('instrument').apply(cal_winner_day)
In [8]:
winner_all.reset_index().sort_values(by='date',ascending=False)
Out[8]:
instrument date winner
291 601700.SHA 2022-08-10 0.570463
145 601699.SHA 2022-08-10 0.202125
144 601699.SHA 2022-08-09 0.204071
290 601700.SHA 2022-08-09 0.602298
143 601699.SHA 2022-08-08 0.082636
... ... ... ...
148 601700.SHA 2022-01-06 0.198327
147 601700.SHA 2022-01-05 0.124006
1 601699.SHA 2022-01-05 0.000000
0 601699.SHA 2022-01-04 0.016433
146 601700.SHA 2022-01-04 0.052517

292 rows × 3 columns