Python数据分析案例10——北向资金流入与沪深300涨跌幅分析

已于 2024-01-02 09:58:18 修改
阅读量4.6k 收藏 64
点赞数 11
分类专栏： Python数据分析案例 文章标签： python 数据分析 pandas numpy
于 2022-09-30 16:05:42 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_46277779/article/details/127123759
版权

博主本科是学投资的，最近看了b站邢不行up主的一些量化策略视频，和自己本科毕业论文很像，便想自己也来做一下这个实操的项目。

案例背景

北向资金是从中国最南方——中国香港流入内陆的资金，大部分都是外资，也是市场俗称为“最聪明的资金”，善于抄底。所以跟着北向资金择时去投资是不是会有很好的效果呢？要用数据说话，接下来就做这个项目，从数据到策略的实现，再到结果评价和可视化全过程。

数据选择

北向资金基本买入的都是大盘股蓝筹股，即指数的成分股。所以我们选择使用沪深300指数作为标的，来验证北向资金流入这个指标是否有效。

北向资金有流入，在同一天当然也有流出，而且北向资金分为沪股通和深股通两大部分，所以我们采用沪股通和深股通两处资金的净流入的和作为北向资金的流入指标。

需要这代码演示数据的同学可以参考：数据

 数据获取

(更新，这里给出怎么获取沪深300的日度交易数据和沪股通和深股通的数据)

沪深300我们采用证券宝库获取，沪股通和深股通的数据从东方财富网爬虫获取。

导入包

import baostock as bs
import pandas as pd
import numpy as np

沪深300数据获取

# 登陆系统
lg = bs.login()
rs = bs.query_history_k_data_plus("sh.000300","date,code,open,high,low,close,preclose,volume,amount,pctChg",
     start_date='2014-01-01', end_date='2022-09-29', frequency="d")
print('query_history_k_data_plus respond error_code:'+rs.error_code)
print('query_history_k_data_plus respond  error_msg:'+rs.error_msg)

# 打印结果集
data_list = []
while (rs.error_code == '0') & rs.next():
    # 获取一条记录，将记录合并在一起
    data_list.append(rs.get_row_data())
result = pd.DataFrame(data_list, columns=rs.fields)
result

 

 储存下来

# 结果集输出到csv文件
result.to_csv("沪深300.csv", index=False)

 # 登出系统 

bs.logout()

沪股通数据获取

import requests,json
columns=['日期','当日资金流入','当日余额','历史资金累计流入','当日成交净买入额','买入成交额','卖出成交额','上证指数','涨跌幅']
data=pd.DataFrame(columns=columns)

headers={
    'Host':'datacenter-web.eastmoney.com',
    'Referer':'http://data.eastmoney.com/',
    'User-Agent':'Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.131 Mobile Safari/537.36'}

for i in range(1,184):
    url = 'http://datacenter-web.eastmoney.com/api/data/v1/get?callback=jQuery112304911072279904296_1636170506756&sortColumns=TRADE_DATE&sortTypes=-1&pageSize=10&pageNumber='+str(i)+'&reportName=RPT_MUTUAL_DEAL_HISTORY&columns=ALL&source=WEB&client=WEB&filter=(MUTUAL_TYPE%3D%22001%22)'
    res=requests.get(url,headers=headers)
    ren=res.text[42:-2]
    #print(ren)
    j=json.loads(ren)
    x=j['result']['data']
    for item in x:
        date=item['TRADE_DATE']       #'日期'
        n=item['FUND_INFLOW']         #'当日资金流入
        n2=item['QUOTA_BALANCE']      #当日余额
        n3=item['ACCUM_DEAL_AMT']     #历史资金累计流入'
        n4=item['NET_DEAL_AMT']       #当日成交净买入额'
        n5=item['BUY_AMT']            #买入成交额'
        n6=item['SELL_AMT']           #卖出成交额'
        n7=item['INDEX_CLOSE_PRICE']  #上证指数
        n8=item['INDEX_CHANGE_RATE']  #涨跌幅
        df=pd.DataFrame(dict(zip(columns,[date,n,n2,n3,n4,n5,n6,n7,n8])),index=[0])
        data=data.append(df,ignore_index=True)

百分比处理一下：

data.iloc[:,1:7]=data.iloc[:,1:7]/100
data

储存

data.to_csv('沪股通数据.csv',index=False)

深股通数据获取

columns=['日期','当日资金流入','当日余额','历史资金累计流入','当日成交净买入额','买入成交额','卖出成交额','深圳指数','涨跌幅']
data2=pd.DataFrame(columns=columns)

headers={
    'Host':'datacenter-web.eastmoney.com',
    'Referer':'http://data.eastmoney.com/',
    'User-Agent':'Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.131 Mobile Safari/537.36'}

for i in range(1,136):
    url = 'http://datacenter-web.eastmoney.com/api/data/v1/get?callback=jQuery112304911072279904296_1636170506777&sortColumns=TRADE_DATE&sortTypes=-1&pageSize=10&pageNumber='+str(i)+'&reportName=RPT_MUTUAL_DEAL_HISTORY&columns=ALL&source=WEB&client=WEB&filter=(MUTUAL_TYPE%3D%22003%22)'
    res=requests.get(url,headers=headers)
    ren=res.text[42:-2]
    j=json.loads(ren)
    x=j['result']['data']
    for item in x:
        date=item['TRADE_DATE']
        n=item['FUND_INFLOW']
        n2=item['QUOTA_BALANCE']
        n3=item['ACCUM_DEAL_AMT']
        n4=item['NET_DEAL_AMT']
        n5=item['BUY_AMT']
        n6=item['SELL_AMT']
        n7=item['INDEX_CLOSE_PRICE']
        n8=item['INDEX_CHANGE_RATE']
        df=pd.DataFrame(dict(zip(columns,[date,n,n2,n3,n4,n5,n6,n7,n8])),index=[0])
        data2=data2.append(df,ignore_index=True)

同样处理一下百分比，统一数据口径。 

data2.iloc[:,1:7]=data2.iloc[:,1:7]/100
data2

储存

data2.to_csv('深股通数据.csv',index=False)

 这样我们就得到了上面三个数据文件，可以进行下面的分析。

数据预处理

先导入包，数据分析三剑客

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt 

plt.rcParams ['font.sans-serif'] ='SimHei'               #显示中文
plt.rcParams ['axes.unicode_minus']=False               #显示负号

读取数据

沪深300

hus300=pd.read_csv('沪深300.csv',parse_dates=['date'])
hus300.head()

可以看到数据从2014-1月开始的，有每天的最高最低价，开盘收盘价。 

 沪股通数据

hgt=pd.read_csv('沪股通数据.csv',parse_dates=['日期'])
hgt=hgt.sort_values(by=['日期'])
hgt.head()

 可以看到数据从2014-11月开始的，有每天的流入，净流入，成交额等。 

深股通数据

sgt=pd.read_csv('深股通数据.csv',parse_dates=['日期'])
sgt=sgt.sort_values(by=['日期'])
sgt.head()

 可以看到数据从2016-12月开始的，有每天的流入，净流入，成交额等。 

三组数据的开始时间都不太一样，因为沪股通是2014年11月才开的，深股通是2016年12月才开的。

我们根据日期进行合并数据，选取沪深300 的收盘价，沪股通和深股通的净流入进行合并。

数据合并

df=hus300.loc[:,['date','close']].rename(columns={'date':'日期','close':'沪深300收盘价'})   #取出日期和沪深300收盘价
df=(pd.merge(df, hgt.loc[:,['日期','当日成交净买入额']] ,how='left',left_on='日期',right_on='日期')
 .dropna().rename(columns={'当日成交净买入额':'沪股通净流入'}).reset_index(drop=True)       #合并沪股通
)
df=(pd.merge(df, sgt.loc[:,['日期','当日成交净买入额']] ,how='left',left_on='日期',right_on='日期')
 .rename(columns={'当日成交净买入额':'深股通净流入'}).reset_index(drop=True)                #合并深股通
 .fillna(0).set_index('日期'))
df

 现在只剩下需要的三列数据，并且他们的时间口径也是对应起来了，空值也填充为了0。

短期分析

 短期我们要看评价1天后，3天后，5天后的涨跌幅。

计算如下：

df1=(df.assign(北向资金总净流入=lambda df:df.沪股通净流入+df.深股通净流入)
 .drop(columns=['沪股通净流入','深股通净流入'])
 .assign(未来1日涨跌幅=lambda df:df['沪深300收盘价'].shift(-1)/df['沪深300收盘价']-1)
 .assign(未来3日涨跌幅=lambda df:df['沪深300收盘价'].shift(-3)/df['沪深300收盘价']-1)
 .assign(未来5日涨跌幅=lambda df:df['沪深300收盘价'].shift(-5)/df['沪深300收盘价']-1)
 .dropna()
)
df1

 新建一个数据框，计算要显示的结果的数据：

flow代表北向资金的净流入，我选择了[0,5,10,20,30,50,80,100]这几个阈值作为分析对象。

result=pd.DataFrame()
for flow in [0,5,10,20,30,50,80,100]:
    t_df=df1[df1['北向资金总净流入']>flow]
    result.loc[flow,'出现次数']=t_df.shape[0]
    
    for i in [1,3,5]:
        result.loc[flow,f'未来{i}日上涨次数']=t_df[t_df[f'未来{i}日涨跌幅']>0].shape[0]
        result.loc[flow,f'未来{i}日平均涨幅']=t_df[f'未来{i}日涨跌幅'].mean()

计算上涨概率：

result['未来1日上涨概率']=result['未来1日上涨次数']/result['出现次数']
result['未来3日上涨概率']=result['未来3日上涨次数']/result['出现次数']
result['未来5日上涨概率']=result['未来5日上涨次数']/result['出现次数']

结果可视化

data=(result.reindex(columns=['出现次数', '未来1日上涨次数','未来1日上涨概率','未来1日平均涨幅', '未来3日上涨次数', 
                        '未来3日上涨概率', '未来3日平均涨幅','未来5日上涨次数','未来5日上涨概率','未来5日平均涨幅'])
  .rename_axis("资金流入阈值") # 索引重命名
  .reset_index()
  .style.bar(color='#5CADAD', subset=['未来1日上涨概率','未来3日上涨概率','未来5日上涨概率'],vmin=0.4, vmax=0.6)
  .bar(color='violet', subset=['未来1日平均涨幅','未来3日平均涨幅','未来5日平均涨幅'],vmin=0.000, vmax=0.006)

  .format({'出现次数':"{:.0f}",'未来1日上涨次数': "{:.0f}",'未来3日上涨次数': "{:.0f}",'未来5日上涨次数': "{:.0f}"})
  .format({'未来1日上涨概率': "{:.2%}",'未来3日上涨概率': "{:.2%}",'未来5日上涨概率': "{:.2%}"})
  .format({'未来1日平均涨幅': "{:.3%}",'未来3日平均涨幅': "{:.3%}",'未来5日平均涨幅': "{:.3%}"})
  .format({'资金流入阈值':'>{:.0f}'}) 
)
data

结果存为excel表

data.to_excel('北向资金结果.xlsx',index=False)

  结果分析

从上面的迷你条形图可以看到，在北向资金流入的阈值为正数的情况下，基本在后面的1天，3天，5天都是有较大的概率上涨的，而且平均收益都为正数。其实算是一个很有效的策略了。

需要说明的是流入阈值大于100 的时候，在A股历史上也只出现过42次，未来一天的上涨概率不算很大。我能想到的解释是北向资金的大幅流入都是市场恐慌的时候，市场恐慌的时候砸盘很严重，但是也是北向资金最为贪婪的时候，它们会买入很多筹码，在市场还未见底的情况左侧低吸，虽然未来一两天市场还是会继续跌，但是这也方便买入了更多的筹码。这进一步说明了北向资金的‘’预见性‘’能力。

长期分析

思路和前面差不多，只不过计算的是10天后，30天后，60天后的平均涨跌幅。

df1=(df.assign(北向资金总净流入=lambda df:df.沪股通净流入+df.深股通净流入)
 .drop(columns=['沪股通净流入','深股通净流入'])
 .assign(未来10日涨跌幅=lambda df:df['沪深300收盘价'].shift(-10)/df['沪深300收盘价']-1)
 .assign(未来30日涨跌幅=lambda df:df['沪深300收盘价'].shift(-30)/df['沪深300收盘价']-1)
 .assign(未来60日涨跌幅=lambda df:df['沪深300收盘价'].shift(-60)/df['沪深300收盘价']-1)
 .dropna()
)
df1

result=pd.DataFrame()
for flow in [0,5,10,20,30,50,80,100]:
    t_df=df1[df1['北向资金总净流入']>flow]
    result.loc[flow,'出现次数']=t_df.shape[0]
    
    for i in [10,30,60]:
        result.loc[flow,f'未来{i}日上涨次数']=t_df[t_df[f'未来{i}日涨跌幅']>0].shape[0]
        result.loc[flow,f'未来{i}日平均涨幅']=t_df[f'未来{i}日涨跌幅'].mean()
result['未来10日上涨概率']=result['未来10日上涨次数']/result['出现次数']
result['未来30日上涨概率']=result['未来30日上涨次数']/result['出现次数']
result['未来60日上涨概率']=result['未来60日上涨次数']/result['出现次数']
data=(result.reindex(columns=['出现次数', '未来10日上涨次数','未来10日上涨概率','未来10日平均涨幅', '未来30日上涨次数', 
                        '未来30日上涨概率', '未来30日平均涨幅','未来60日上涨次数','未来60日上涨概率','未来60日平均涨幅'])
  .rename_axis("资金流入阈值") # 索引重命名
  .reset_index()
  .style.bar(color='#5CADAD', subset=['未来10日上涨概率','未来30日上涨概率','未来60日上涨概率'],vmin=0.4, vmax=0.6)
  .bar(color='violet', subset=['未来10日平均涨幅','未来30日平均涨幅','未来60日平均涨幅'],vmin=0.004, vmax=0.02)

  .format({'出现次数':"{:.0f}",'未来10日上涨次数': "{:.0f}",'未来30日上涨次数': "{:.0f}",'未来60日上涨次数': "{:.0f}"})
  .format({'未来10日上涨概率': "{:.2%}",'未来30日上涨概率': "{:.2%}",'未来60日上涨概率': "{:.2%}"})
  .format({'未来10日平均涨幅': "{:.3%}",'未来30日平均涨幅': "{:.3%}",'未来60日平均涨幅': "{:.3%}"})
  .format({'资金流入阈值':'>{:.0f}'})
)
data

 可以看到北向资金流入在0到20这个区间，还有大于100时，从长期的一个月，两个月的胜率和收益是很高的。

（感兴趣的同学还可以看看原始项目链接：邢不行 | 北向资金）

（文章只用做数据分析案例、策略研究，不构成任何投资建议）

创作不易，看官觉得写得还不错的话点个关注和赞吧，本人会持续更新python数据分析领域的代码文章~(需要定制代码可私信)

python获取股市资金流向
m0_38111284的博客
08-16 895
print('股票代码:', stock_code, '可能有误')'f61': '超大单流入净占比','f57': '主力净流入占比','f58': '小单流入净占比','f59': '中单流入净占比','f60': '大单流入净占比','f56': '超大单净流入',stock_code: 6 位股票代码。'f52': '主力净流入','f53': '小单净流入','f54': '中单净流入','f55': '大单净流入','f62': '收盘价','f51': '日期','f63': '涨跌幅'
这样的Python实战项目谁不爱呢-C站必学的40个Python入门小程序，收获满满
Python4857的博客
11-09 4367
大家好，这里是为代码封神的封神榜（有点吹牛皮了，哈哈）。还是新人初来乍到，希望大家多多指教。 有不少同学学完Python后仍然很难将其灵活运用。我整理 37 个Python入门的小程序。在实践中应用Python会有事半功倍的效果。希望大家能够喜欢，多多支持。 例子1：华氏温度转换为摄氏温度 华氏温度转摄氏温度的公式：C = (F - 32) / 1.8。本例考察Python的加减乘除运算符。 """ 将华氏温度转换为摄氏温度 """ f = float(input('输入华氏温度: ')) c = (f
妙用北向资金找出大盘买点、卖点，跟着操作6年4倍【附代码】- 邢不行
xingbuxing_py的博客
09-09 1752
引言: 邢不行的系列帖子“量化小讲堂”，通过实际案例教初学者使用python进行量化投资，了解行业研究方向，希望能对大家有帮助。 下图中橙色曲线是等比缩放的沪深300指数。 6年4倍策略 蓝色曲线是一个择时策略的资金曲线。该策略对沪深300进行择时，即明确选择出针对大盘的买、卖时机。 (策略信号) 比如上图中，8月25至8月28日策略是看涨的，那此时就买入指数，同期指数上涨9.84%，获得相应收益（已扣除手续费）。 随后，8月31至9月8日策略看跌指数，此时就卖出指数。同期指数下跌0.
如何获取股市中北向资金的流向–通过Python、Tushare编程获取沪股通、深股通资金流量
01-20
港股通过沪股通、深股通进入的资金，简称北向资金。港股通的数据简称南向资金。从统计结果上来看，北向资金已经成为中国股市涨跌的重要参考。哪我们能从哪些渠道获取北向资金，或者南向资金的流向，以及具体的金额呢，从而给我们在股市中的操作提供一些参考呢？ 今天我们使用tushare的编程接口，获取北向资金，具体到沪股通、深股通的流向及资金量，实现方法非常简单。具体代码如下： import tushare as ts import pandas as pd\ntoken='c0*******8c' pro = ts.pro_api(token) hgt = pro.moneyflow_hsgt() hgt
python 北上资金_如何查看北向资金？ 什么是北向资金 在股市里面，南代表的是HK，北代表的是大陆。北向 = 从南向北流动，那么北向资金就很好理解了，就是HK的... - 雪球...
weixin_39883286的博客
12-14 955
来源：雪球App，作者： 用Python的小赌徒，(https://xueqiu.com/4141575809/131525135)什么是北向资金在股市里面，南代表的是HK，北代表的是大陆。北向 = 从南向北流动，那么北向资金就很好理解了，就是HK的资金流入大陆。反之就是南向资金。A股有2个交易所，一个在上海(简称沪)，一个在深圳(简称深)。HK的资金要进入A股，就要借助这两个交易所。所以北向资金...
python应用——简单的跟随北上资金策略
weixin_49249463的博客
09-29 1048
用类似双均线策略的思路来跟随北上资金，并计算策略收益。 整体思路是：当北上资金持股市值（5日）>北上资金持股市值变化（10日）时，买入该股，根据当日涨跌幅来计算策略收益率。
使用Python获取股市北向资金和南向资金信息
XL-STUDIO
12-11 3013
本文通过AKShare库获取南北向资金的相关信息。不知道AKShare的读者，可以通过之前的使用Python获取股票单日成交数据文章了解相关用法。 沪港通股票交易2014年11月17日开始。深港通股票交易2016年12月5日启动。 大陆居民通过沪、深港通买港股，叫做南向资金。 香港居民通过沪、深港通买A股，叫做北向资金。 北向资金的每日额度为各520亿元人民币。南向资金的每日额度为各420亿元人民币。 样例代码只输出了今日的数据，通过原始接口可以拿到所有日期的数据。 import aksha.
python获取北向资金的历史数据
zhangb98的博客
03-21 2220
运行python程序一键对北向资金净流向数据形成文档； 源码如下： import requests import pandas as pd import time def download_history_data(): hgt_list = [] sgt_list = [] i = 1 headers = { "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537..
Python获取股票数据——以沪深300成分股为例
对流层的酱猪肘~的博客
07-25 8475
需求是下载比如从2020-01-01到2022-12-31区间的沪深300成分股每支股票的日K线数据，没错这是个面板数据，原本以为直接通过Python接口可以直接下载到，因为之前找的上证综指啥的用R的pedquant都是直接获取的（看来因为是单支）。捣鼓了半天，还是我想的简单了……试过Akshare、Tushare、Baostock以及聚宽量化平台下载，下面总结一下下载心得 o_0。
【python】python基于tushare股票数据分析可视化（源码+数据+报告）【独一无二】
最新发布
测试开发自动化
04-14 4856
👉博__主👈：米码收割机👉技__能👈：C++/Python语言👉公众号👈：测试开发自动化【获取源码+商业合作】👉荣__誉👈：阿里云博客专家博主、51CTO技术博主👉专__注👈：专注主流机器人、人工智能等相关领域的开发、测试技术。
如何获取股市中北向资金的流向--通过Python、Tushare编程获取沪股通、深股通资金流量
跬步Python股票数据量化分析
03-15 7015
港股通过沪股通、深股通进入的资金，简称北向资金。港股通的数据简称南向资金。从统计结果上来看，北向资金已经成为中国股市涨跌的重要参考。哪我们能从哪些渠道获取北向资金，或者南向资金的流向，以及具体的金额呢，从而给我们在股市中的操作提供一些参考呢？ 今天我们使用tushare的编程接口，获取北向资金，具体到沪股通、深股通的流向及资金量，实现方法非常简单。具体代码如下： import tushare...
Python 获取沪深300日行情数据并存入Excel文件+Wind API.zip
06-01
Python 获取沪深300日行情数据并存入Excel文件，需要用到Wind接口，文件内含Wind API软件，以及安装教程，
基于python的沪深300指数增强模型实现
03-26
基于python的沪深300指数增强模型实现
使用python采集个股资金流向
小白兔奶糖
01-20 816
【代码+资源下载】使用python采集个股资金流向。
用Python买卖策略：基于北向资金的择时买入卖出策略复现
cainiao_python的博客
09-06 1248
大家好，我是菜鸟哥！最近自己一直在学习理财相关的东西，所以后面一段时间，可能会多分享一些这方面的学习笔记其实在学习之前，我一直在思考一个问题：为什么我们在市场上赚不了钱？可能基金还好点，只...
python cumsum_Python+Tushare 获取个股资金流向
weixin_39715926的博客
11-27 843
最近在利用资金流向分析股票，图例有（东富龙、坚朗五金、紫光国微等）。1、注册Tushare。2、利用python从Tushare获取A股的数据。3、绘制特定股票的 大单、特大单资金流向图。4、绘制特定股票 融资融券余额与股价。5、绘制 股东人数与股价。6、查询 个股公告。下面是程序基本设置# This allows multiple outputs from a single jupyter no...
利用Python进行数据分析（附详细案例）
热门推荐
m0_74942241的博客
01-29 2万+
一、前期准备 分析要用到两个包：NumPy和Pandas，首先确保jupyter中成功安装了这两个包
北向资金能预示大盘涨跌？【附Python源码】
Python金融量化
08-14 6656
01引言中国证监会于 2014 年和 2016 年分别批准了沪港通和深港通，建立了大陆和香港股市的互联互通机制，市场通常把沪股通和深股通的合计流入资金称为北向资金。换句话说，北上资金就是...
Python实现负责项目成本分析、资金预测，制定控制成本措施
weixin_45471729的博客
04-12 1190
Python实现针对一个具体的项目成本数据进行分析和预测
评论 12
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

阡之尘埃

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值