Python 算法交易实验7 状态转移矩阵分析

说明

前面提到了目标的离散化，假定我们现在关心涨跌的状态（1~7），那么今天的涨跌对明天意味着什么呢？按马尔科夫的假设：下一步只受到当前步的影响。

内容

1 读取数据

获取所有股票列表

# 股票列表
#查询当前所有正常上市交易的股票列表
stocks_df = pro.stock_basic(exchange='', list_status='L', fields='ts_code,symbol,name,area,industry,list_date')

获取所有指数列表

上交所

# 指数列表
index_df  = pro.index_basic(market='SSE')

2 获取股票数据

# 光明
df_gm = pro.daily(ts_code='600597.SH', start_date='20100701', end_date='20220718')
df_gm['status'] = (df_gm['pct_chg']/100).apply(fs.stock_change_status)
df_gm =df_gm.set_index(['trade_date'])
df_gm.head()

输入一个离散（状态）时间序列，返回转移矩阵或者热图

# 对一个都是离散值（状态）的时间序列，计算转移矩阵
def cal_discrete_timeseries_transit_matrix(some_s ,fs, show_heat = False,missing_pct = 0.0001):
    # 1 获取时间状态序列的差分
    tem_df = fs.s_trans_pair(some_s)
    # 2 差分序列转矩阵
    trans_mat = fs.s_trans_pair2mat(tem_df)
    # 3 计算转移概率矩阵
    trans_mat_pct = fs.s_trans_mat2pct(trans_mat)
    trans_mat_pct = trans_mat_pct.fillna(missing_pct)
    if show_heat:
        cols_name_list,rows_name_list, data_list = fs.make_pe_heatmap_para(trans_mat_pct)
        return fs.pe_heat_map(cols_name_list,rows_name_list, data_list)
    else:
        return trans_mat_pct

看一下这只股票的转移矩阵

fs.cal_discrete_timeseries_transit_matrix(df_gm['status'],fs, show_heat = True)

2021.4.30的状态是1， 所以下一个个交易日上涨(5,6,7)的概率是30%，继续下跌的概率是24%。从概率转移矩阵上看，处于1（超级跌），2（大跌）之后行情处于更不确定的状态。以4（振荡）为中心，概率分布更加扁平。而3，4，5状态之后的变化更加确定，表现为集中在中间。在不确定的情况下，应该见好就收。

类似地，我们可以看下上证指数的变化。虽然指数的变化用1，3，5个百分点来区分比较粗糙，但是可以看规律。

fs.cal_discrete_timeseries_transit_matrix(df_sh_idx['status'],fs, show_heat = True)

总体上说，上证指数还是比较平稳的，感觉下跌状态之后倾向于继续下跌，上涨后倾向继续上涨。

3 总结

从只有一阶记忆的转移矩阵，我们可以看到一些规律。可以做出一些简单的判断。