Skip to content

Latest commit

 

History

History
221 lines (148 loc) · 11.4 KB

technical1.md

File metadata and controls

221 lines (148 loc) · 11.4 KB

阅读下面文章前，请保证zvt的环境已经准备好。

源码:
https://github.com/zvtvz/zvt
https://gitee.com/null_071_4607/zvt

文档:
https://zvtvz.github.io/zvt/
http://zvt.foolcage.com

1. 什么是技术分析

所谓技术分析，是以历史成交数据（量价）为基础的一种分析方法。
数据在时间上的排列，就有了图形(形态)。波浪，趋势，震荡，头肩顶，头肩底，压力线，支撑线等皆属此列。
而对数据进行各种维度的计算，便有了技术指标。ma,macd,kdj等皆属此列。

本质上，形态和指标并没有区别，都是对量价数据的一种计算，它是对真实的已经发生的买卖情况的不同角度的呈现.

2. 技术分析有用吗？

这个世界有很多不屑于技术分析而专注基本面的人，也有很多只看k线图而有意忽略其他因素的人，其中都有人能赚到钱，也有人亏损累累。
似乎，技术分析并不是那么必须。

其实，从逻辑上，技术分析肯定是有用的。
因为，技术分析的因子里面最重要的就是价格，而连所谓价值投资派也必须重视价格。

而往深层次看，已经发生的买卖情况很多时候有着明确的含义，比如高位的巨量顶分型往往是明确的上涨动力耗尽的信号。 而清醒的投资者显然不能忽略这些信号。

3. 经典论断

技术分析的经典门派有道氏，艾略特波浪理论，江恩，k线形态等；其本质都是想从历史的成交数据中去寻找规律，其中夹杂着很多把或然当成必然的臆测，甚至缺少一个完整的成功率的统计，基本上都是朴素的经验主义，缺少逻辑上的严谨和统一。

对此，缠中说禅曾经有过经典的论断：

现在，问题的关键变成，如何去寻找这三个互相独立的程序。首先，技术指标，都单纯涉及价量的输入而来，都不是独立的，只需要选择任意一个技术指标构成一个买卖程序就可以。对于水平高点的人来说，一个带均线和成交量的K线图，比任何技术指标都有意义。其次，任何一个股票都不是独立的，在整个股票市场中，处在一定的比价关系中，这个比价关系的变动，也可以构成一个买卖系统，这个买卖系统是和市场资金的流向相关的，一切与市场资金相关的系统，都不能与之独立；最后，可以选择基本面构成一个甄别“早泄”男程序，但这个基本面不是单纯指公司赢利之类的，像本ID在前几期所说，国航李总当兵出身不会让自己的股票长期跌破发行价这么没面子，还有认沽权证基本不会让兑现等等，这才是更重要的基本面，这需要对市场的参与者、对人性有更多的了解才可能精通。

技术分析，最核心的思想就是分类，这是几乎所有玩技术的人都搞不清楚的一点。技术指标发出买入信号，对于技术派来说，就以为是上帝给了暗示一般，抱着如此识见，几乎所有技术派都很难有大的成功。技术指标不过是把市场所有可能的走势进行一个完全的分类，为什么技术派事后都是高手，真正干起来就个个阳痿，就是这个原因。

对于水平高点的人来说，一个带均线和成交量的K线图，比任何技术指标都有意义。

有人可能要问，如果业绩突然不好或有什么坏消息怎么办？其实这种问题没什么意义，即使在成熟市场里，这类的影响都会事先反应在走势上，更不用说在中国社会里，什么消息可以没有任何人事先知道？你不知道不等于别人不知道，你没反应不等于别人没反应，而这一切，无论你知道与否，都必然会反应到走势上，等消息明朗，一切都晚了。走势是怎么出来的？是用钱堆出来的！在这资本的社会里，又有什么比用实在的钱堆出来的更可信？除了走势，又有什么是更值得相信的？而那些更值得相信的东西，又有哪样不是建筑在金钱之上的？资本市场就是一个金钱的游戏，除了钱，还是钱。只有钱是唯一值得信任的，而钱在市场上运动的轨迹，就是走势。这是市场中唯一可以观察与值得观察的东西。一切基本面、消息面等的分析，最终都要落实到走势上，要让实在的钱来说话，否则都是自渎而已。只要有钱的运动，就必然留下轨迹，必然在走势上反映出来。

缠师这四段话明确了几点：

  • 技术分析是交易系统重要的一个部分，但不是全部
  • 好的技术分析是分类明确的评估系统，深陷进去是自找苦吃
  • 走势图有更深的含义

4. 均线

从不精确的角度，均线是所有技术分析里面最简单但也最实用的。 甚至，技术分析有均线就够了。因为，技术分析只是一面，这一面无论你如何精确，都是不完美的，过于求精，反而可能一叶障目。

那么均线的本质是什么？有什么必然的规律可循吗？

先从均线的计算说起，其计算非常简单，就是一定时间窗口的收盘价的平均。

指数移动平均之类根据离目前时间间隔的不同采取不同的权重，一般越近权重越大，差别不大。

本质上，均线代表着大部分人的持仓成本，从而有一定的压力或者支撑的作用，但也仅此而已，臆测更多并无意义。

而所谓的规律，在人们眼中无非是"如果发生什么，就会发生什么"的一种"必然性"。

所有的主观投资或者量化投资，都在试图寻找这种"必然性"，从而被这种“必然性”欺骗。

如果真要说有什么必然性，那就是"涨多了要跌"，为什么不说“跌多了要涨”呢？因为很多品种是有可能归0的。

5. 统计学

在统计学已经神话到机器学习的今天，不搞点统计学好像就不科学了。

人类的尊严似乎正在被机器夺去，投资似乎正越来越依赖机器。

那么，在巨头们的巨大算力面前，普通人还有机会吗？

似乎还是有的，现象上看：

  • 巴菲特之类的价值投资活得挺好
  • 量化投资的收益目前并没有证明比主观投资优秀
  • 机器学习+高频交易并不一定能给金融市场带来什么好处

从逻辑上看：

  • 机器的算力优势是明显的
  • 机器+复杂模型的代价也是巨大的

那么，普通人的机会在哪里？

  • 常识
  • 市场规则的理解
  • 简单的统计学和自动化

前面两点先不说，为什么是简单的统计学呢？首先，简单意味着容易理解，容易执行，容易验证，并且不需要很大的算力，一般的电脑即可。 在一定级别上，简单的统计学的力量并不比复杂的模型差。而自动化能够让人从枯燥无味的重复劳动中解放出来，从而专注一些更有用和有趣的方面。 而这一切，只要设计合理，是可以靠一般的电脑完成的。

6. 均线统计学

算法：取5，10日均线，定义两种状态

  • 5日均线>10日均线(up)

  • 5日均线<=10日均线(down)

当前持续该状态的次数记为current_count,并单独记录每轮持续的total_count;状态1用正数表示，状态2用负数.

具体实现代码

全市场每天持续运算

运算后的数据如下：

from zvt.api import *
from zvt.domain import *
import plotly.express as px
df = get_data(Stock1dMaStateStats,provider='zvt',entity_id='stock_sz_000001')
df[df.current_count>0].describe()
df[df.current_count<0].describe()

这似乎不够直观，除了上下的次数差不多，看不出啥来，让我们用histogram来展示其分布:

fig = px.histogram(df.loc[:,['total_count']],x='total_count')
fig.show()

df = get_data(Stock1dMaStateStats,provider='zvt',entity_id='stock_sz_000002')
fig = px.histogram(df.loc[:,['total_count']],x='total_count')
fig.show()

df = get_data(Stock1dMaStateStats,provider='zvt',entity_id='stock_sz_300104')
fig = px.histogram(df.loc[:,['total_count']],x='total_count')
fig.show()

从中可以看出：

  • 无论是牛股还是垃圾股，up和down的次数和分布都是基本对称的
  • +-(1-10)占据了大部分的时间，其中+-(3-9)尤甚

全市场的统计看一下（数据较大，导入需要比较长的时间）：

df = get_data(Stock1dMaStateStats,provider='zvt')
fig = px.histogram(df.loc[:,['total_count']],x='total_count')
fig.show()

对称性更明显，+-(1-2)差不多，然后都是+-(3-5)递增，5之后逐步递减。而不管是个股，板块，全市场进行统计，都差不多。 这说明了什么？对操作有什么帮助呢？ 这至少说明了：

  • 涨多了会跌，任何时候追涨都有极大的风险，特别是连涨(5-8)日后,变盘的概率太大了
  • 整体上，市场的涨跌是基本平衡的
  • 这种对称性及其变化说明，上涨，下跌，震荡(up和down的切换如果持续时间较短，一般就为震荡)是交替出现并有一定的周期性

给操作的指导意义：

  • 没有什么股票是值得长期持有的，连续的上涨后，再好的股票也需要震荡来消化，而差的就可能永远回不去了

现实的操作，显然知道这些是远远不够的，但连这些都不知道，那是肯定死都不知道怎么死的。

看一看周线的情况如何：

wk_df = get_data(Stock1wkMaStateStats,provider='zvt')
fig = px.histogram(wk_df.loc[:,['total_count']],x='total_count')
fig.show()

周线上也呈现出这种一致性，可见“股价就是随机漫步”不过是如"股市是赌场"般的人云亦云的无知显摆。

限定短一点的时间周期看一看：

fig = px.histogram(wk_df[wk_df.timestamp>='2015-01-01'].loc[:,['total_count']],x='total_count')
fig.show()

fig = px.histogram(wk_df[wk_df.timestamp>='2019-01-01'].loc[:,['total_count']],x='total_count')
fig.show()

时间周期短一些后，这种对称性会有一定破坏，但以下几点依然有效

  • up和down的次数和分布都是基本对称的
  • +-(1-10)占据了大部分的时间，其中+-(3-9)尤甚

7. 小结

以上，我们对技术分析和如何利用zvt来进行均线统计有了一个初步的认识，那么如何根据均线来选股并做相应的通知呢？我们下一节见。

扩展问题

  • 如何对数字货币进行相应的统计？其有相似的规律吗？
  • 期货呢？ 提示：只需要理解zvt系统对entity的定义，在MaStateStas输入相应的entity类别即可。
  • 如何利用up,down两种状态的变化来定义趋势，震荡？并以此设计交易的策略来进行回测和交易。

知乎专栏:
https://zhuanlan.zhihu.com/automoney

公众号:
公众号