python代码实现技术指标： 转债正股的乖离率

python代码实现技术指标： 转债正股的乖离率

乖离率(BIAS)是描述股价与股价的移动平均线的相距的远近程度。BIAS指的是相对距离。

1．BIAS的计算公式及参数。

N日乖离率=（当日收盘价-N日移动平均价）/N日移动平均价

式中：分子为股价(收盘价)与移动平均价的绝对距离，可正可负，除以分母后，就是相对距离。

移动平均价为1元时相差0.1元，与移动平均价为10元时相差0．1元是很不相同的，所以在一定场合要用相对距离，不应考虑绝对距离。

BIAS的公式中含有参数的项只有一个，即MA。这样，MA的参数就是BIAS的参数，即乖离率的参数就是移动平均价的参数，也就是天数。参数大小的选择首先影响MA，其次影响BIAS。一般说来，参数选得越大，则允许股价远离MA的程度就越大。换句话说，股价远离MA到了一定程度，我们就会认为该回头了，而这个远离的程度是随着参数的变大而变大的。例如，参数为5时，我们可能认为BIAS到了4％股价就该回头了；而参数为10时，我们则必须等到BIAS超过4％，比方说到了7％才认为股价该回头。

2．BIAS的应用法则。

BIAS的原理是离得太远了就该回头，因为股价天生就有向心的趋向，这主要是由人们的心理因素造成的。

另外，经济学中价格与需求的关系也是产生这种向心作用的原因。股价低需求就大，需求一大，供不应求，股价就会上升；反之，股价高需求就小，供过于求，股价就会下降，最后达到平衡，平衡位置就是中心。

BIAS的应用法则主要是从以下考虑：

从BIAS的取值大小方面考虑。这个方面是产生BIAS的最初的想法。找到一个正数或负数，只要BIAS一超过这个正数，我们就应该感到危险而考虑抛出，

只要BIAS低于这个负数，我们就感到机会可能来了而考虑买入。这样看来问题的关键就成了如何找到这个正数或负数，它是采取行动与沉默的分界线。

上面的是百度出来的bias的解释。 也看到少数人用这个指标来根据正股来追踪转债，获得不错的收益率。所以笔者也尝试下该参数的计算。有空再把回测贴上了。

python 代码实现

#计算方法：
#bias指标
#N期BIAS=(当日收盘价-N期平均收盘价)/N期平均收盘价*100%
​
df['bias_6'] = (df['close'] - df['close'].rolling(6, min_periods=1).mean())/ df['close'].rolling(6, min_periods=1).mean()*100
df['bias_12'] = (df['close'] - df['close'].rolling(12, min_periods=1).mean())/ df['close'].rolling(12, min_periods=1).mean()*100
df['bias_24'] = (df['close'] - df['close'].rolling(24, min_periods=1).mean())/ df['close'].rolling(24, min_periods=1).mean()*100
df['bias_6'] = round(df['bias_6'], 2)
df['bias_12'] = round(df['bias_12'], 2)
df['bias_24'] = round(df['bias_24'], 2)

核心就是上面的几行，压缩下，变成一个函数，df为正股的日线数据。 N为要计算的N期

def bias(df,N):
    label='bias_{}'.format(N)
    
    df[label] = (df['closePrice'] - df['closePrice'].rolling(N, min_periods=1).mean())/ df['closePrice'].rolling(N, min_periods=1).mean()*100
    
    df[label] = df[label].map(lambda x:round(x,2))
    
    return df.iloc[-1][label]

当然，写成map函数也可以，一行即可。不过这样追求简洁反而让看的人错过某些细节信息。 python花式炫技要不得。

有了核心部分，剩下的边角料就一步一步填就好了。

获取转债对应正股的代码

• 方法1：

集思录和宁稳的数据，数据准确性与更新最快，有过滤强赎公告。 具体操作方式见文：

集思录：

https://t.zsxq.com/zJM7qVJ

宁稳：

https://t.zsxq.com/jemEI6y

日线数据获取：tushare，但需要积分（￥￥￥￥），过滤出来的数据需要通过时间过滤，因为出来的很多历史数据。 之前共享了一个pro 版本的token，也可以直接使用，无限调用。

用这个方法本地既可以跑，也可以上QMT实盘，用于每天自动选债。

• 方法2：

量化平台，优矿、聚宽等。

方便，不需要本地安装python环境。不过没法每次做成自动化操作，只能每次都要打开网页，点一下运行。无法每天自动运行通知到自己的微信。

下面用方法2来实现：

获取所有 转债与正股代码

def get_bonds_list(beginDate=u"20170101", endDate=u"20201215",EB_ENABLE=False):
    df = DataAPI.MktConsBondPremiumGet(SecID=u"",
                                       tickerBond=u"",
                                       beginDate=beginDate,
                                       endDate=endDate,
                                       field=u"",
                                       pandas="1")
​
    cb_df = df.tickerBond.str.startswith(('12', '11'))
    df = df[cb_df]
    cb_df = df.tickerBond.str.startswith('117')
    df = df[~cb_df]
    if not EB_ENABLE:
        eb = df.secShortNameBond.str.match('\d\d.*?E[123B]')  # TODO 判断EB是否过滤
        df = df[~eb]
​
    ticker_list = []
    remove_duplicated = set()
    for _, row in df[['tickerBond', 'secShortNameBond', 'tickerEqu']].iterrows():
        if row['tickerBond'] not in remove_duplicated:
            ticker_list.append((row['tickerBond'], row['secShortNameBond'], row['tickerEqu']))
            remove_duplicated.add(row['tickerBond'])
    ticker_list = force_redemption(ticker_list, beginDate)
    return ticker_list

start_date = '2022-01-14'
ticker_list=get_bonds_list(start_date,start_date) 

开始时间与结束时间同一天，start_date='2022-01-14', 因为我们需要计算当前的bias的值，所以我们不取历史强赎的转债数据。

取的正股日期，以当前日期往前N×2天，比如要求N=6的周期，那么就取个6*2=12天的历史日线。 实际正常取N+3即可，为了以防节假日的时候数据过少导致k线不够。

start_date_dt = datetime.strptime(start_date,'%Y-%m-%d') + timedelta(days=-N*2)
start_date_str = start_date_dt.strftime('%Y-%m-%d')

所以使用一个正股代码求bias值的代码为：

def get_zg_bias(code):
    df=DataAPI.MktEqudAdjGet(secID=u"",ticker=code,tradeDate=u"",beginDate=start_date_str,endDate=u"",isOpen="1",field=u"closePrice,tradeDate",pandas="1")
    return bias(df,N)

批量取所有转债正股的bias只需要一个循环：

ticker_list=get_bonds_list(start_date,start_date) 
bias_list =[]
N = 6
​
for bond in ticker_list:
    _bias = get_zg_bias(bond[2])
    bias_list.append({'zg_name':bond[1],'code':bond[0],'bias':_bias})

把结果转为dataframe

bias_df = pd.DataFrame(bias_list)

得到的是6日均线的bias值排序，看看结果：

当前bias最大的10值。

最大的居然是亚药转债的正股，bias值为25.14. 上表中最大的在最底下。 接着依次是万孚转债，润达转债的正股。

6日均线的bias更多应用在短线上，选出来的都是多头均线排列。当然这时更加需要溢价率的配合，结合溢价率，把高溢价率的去除。

不然100%的溢价率，即使正股继续涨停，也得要涨100%多才能消化掉这个溢价率。

计算转债溢价率，然后把高溢价率的去除，这里阈值随意给一个，比如过滤掉30%

def getBondPremRatio(codelist):
    return DataAPI.MktConsBondPerfGet(beginDate=start_date,endDate=start_date,secID=u"",tickerBond=codelist,tickerEqu=u"",field=u"tickerBond,bondPremRatio",pandas="1")

溢价率与bias合并

join_df = pd.merge(bias_df,bondPremRatio_list,left_on='code',right_on='tickerBond',how='inner')

过滤溢价率大于30%的，bias值最大的10值

join_df[join_df['bondPremRatio']<30].sort_values('bias',ascending=False).head(10)

然后正股下降趋势的是bias值倒数10名：

随便找一只对应的正股看看，小康股份

目前均线是空头排列。但是价格和溢价率都是相对较高，这种下降走势就不取抄底转债了。 要博反弹的话，可以把价格控制一下，最好在160以下的，越靠近债底安全较高。