北向資金能否預示股市漲跌？

滬深港通已經開通多年，市場一度把北向資金稱為聰明錢，用來預示股市的漲跌。那么時至今日，北向資金是否仍然是一個有效的指標？

1. 獲取北向資金數據

首先從tushare獲取北向資金的數據。

import tushare as ts pro = ts.pro_api('your token')

嚴格地驗證指標的有效性一般要求跨越牛熊周期，隨著A股波動性的加大，牛熊周期也越來越短。這里我們簡單地取3年時間做個驗證。

df=pro.moneyflow_hsgt(start_date=20190330, end_date=20220330) df

由于tushare的限制，一次只能取300條，所以我們還需要多取幾次數據，并把它們合起來。

df1=pro.moneyflow_hsgt(start_date=20190330, end_date=20201216) df = df.append(df1) df1=pro.moneyflow_hsgt(start_date=20190330, end_date=20190905) df = df.append(df1) df

2. 獲取大盤指數

我們可以去tushare獲取指數信息。

indexes = pro.index_basic() len(indexes), ','.join(indexes['name'].to_list())

可以看到，tushare至少提供了8000種指數供選擇。

其中如上證指數、深證成指、滬深300、創業板指、上證50、中證500、中小板指、上證180、深證100等都是比較常用的大盤指數。

先找出這些指數的代碼。

index_names = ['上證指數','深證成指','滬深300','創業板指','上證50','中證500','中小板指','上證180','深證100'] indexes[indexes['name'].isin(index_names)][['name', 'ts_code']]

我們先來獲取上證180的數據。

s180 = pro.index_daily(ts_code=indexes['ts_code'][19], start_date=20190330, end_date=20220330, fields='trade_date, close') s180

然后我們來結構性地獲取大盤指數。

index_names = ['上證指數','深證成指','滬深300','創業板指','上證50','中證500','中小板指','上證180','深證100'] trade_cal = pro.trade_cal(start_date=20190330, end_date=20220330, is_open=1) index_data = trade_cal[['cal_date']] index_data.columns = ['trade_date'] for name in index_names: index_new = pro.index_daily(ts_code=list(indexes[indexes['name']==name]['ts_code'])[0], start_date=20190330, end_date=20220330, fields='trade_date, close') index_new.columns = ['trade_date', name] index_data = pd.merge(index_data, index_new, on='trade_date') index_data

3. 探索性分析

將北向資金與大盤指數通過日期關聯起來。

data = pd.merge(df[['trade_date', 'north_money']], index_data, on='trade_date', how='right') data

注意，這里的how要設置為right，大盤指數用的是上市日歷，而北向資金存在數據缺失。

通過正面代碼可以看到哪些日期的數據存在缺失。

data[data['north_money'].isna()]

簡單地用pandas的默認方法做個插值。

data.interpolate(inplace=True)

可以看到，原來存在缺失的第13行已經完成了線性插值。

將大盤指數表示成收益率維度，并且放棄第一行。

data_return = data.copy() data_return[data.columns[2:]] = data_return[data.columns[2:]]/data_return[data.columns[2:]].shift(1)-1 data_return.drop(0, axis=0, inplace=True) data_return

計算北向資金與大盤指數的相關系統。

data_return.corr()

可以看到，從近三年來看，北向資金與各大盤指數的相關性已經非常弱，絕對值已經都在0.1以下。

我們的題目是北向資金能否預示股市漲跌，如果是日線級的預示，需要北向資金領先一天。

data_return = data.copy() data_return[data.columns[2:]] = data_return[data.columns[2:]]/data_return[data.columns[2:]].shift(1)-1 data_return['north_money'] = data_return['north_money'].shift(1) data_return.drop(0, axis=0, inplace=True) data_return

可以看到，相關性雖然有所提升，但仍然非常弱。

參考文獻1的設定，我們也來嘗試下120日滾動窗口。

data_return[data_return.columns[1:]].rolling(120).corr().tail(10)

可以看到，相關性仍然非常弱，且北向資金跟大部分指數都是負相關的。

事實上，無論是10日、20日、30日、60日，相關性也仍然非常弱。

可見，北向資金已經基本無法預示股市漲跌。當然，也許還有更好的特征提取方法，希望有機會看到。

參考文獻：

https://mp.weixin.qq.com/s/Vb9Ecejdtvez_V9oCEK8Vw

https://blog.csdn.net/weixin_43887421/article/details/112508666

https://www.jb51.net/article/151590.htm

Python 金融專區

版權聲明：本文內容由網絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發現本站中有涉嫌抄襲或描述失實的內容，請聯系我們jiasou666@gmail.com 處理，核實后本網站將在24小時內刪除侵權內容。