如何判断市场强弱，一般看上证指数或沪深300，中证1000这些指数，但什么时候走强，什么时候走弱，指数均线？指数点位？这些都不够准确，甚至指数根本不能反应行情，比如2020-2021的板块轮动行情，指数不涨，部分板块行情波澜壮阔。所以我开始着手，用更多的数据来分析市场强弱。
先看成果
下是2021年12月至今数据表，横轴是时间，竖轴取值0-0，蓝色的线是上涨的板块占总板块数比值，黄色的线是主升浪板块占全板块的比值，结合历史行情来看，这个表已相对精准，我还整理了过去2年的数据，效果还不错。
干货开始
在通达信行情软件准备数据。使用通达信历史行情排序功能，根据指标来对板块排序。
1先建立一个自定义板块，命名【赛道板块】，把【细分行业】板块和【概念板块】下的所有板块加入到【赛道板块】，截止目前一共300多个细分行业和概念板块，具体如何操作请百度
3有了【赛道板块】和排序指标【赛道排序】，结合通达信【.401】历史行情排序就可以对【赛道板块】排序了。通达信输入.40打开历史行情.指标排序功能，选择【赛道板块】，再选择使用【赛道排序】指标进行排序，就可以得到今天的板块排序。
导出通达信中板块排序数据，得到板块排序数据的EXCEL，再通过pythonDataFrame分析导出的数据，并画
1在通达信排序界面输入指令34导出数据，得到数据EXCEL文件
2编写python代码读取上面导出的EXCEL，分析每天板块数据情况并整理每天的板块数据。代码中先读取导出的EXCEL，按照交易日历处理每个交易日的数据，核心代码如下
def read_bk(fn, zhusheng_xl=21, limit=40):
"""
读取板块导出的排序文件
:param fn: 通达信导出的xls，必须包含交易日期，例如：超级赛道20220708.xls
:param before_num: 数据包含前多少天
:param zhusheng_xl: 主升浪斜率值设置
:param limit: 取前多少行，0-取所有的行
:return: 以板块名称为序的df
"""
df = refine_csv(fn)
# 把处理后的csv写入文件
csv_path = os.path.splitext(fn)[0] + ".csv"
df.to_csv(csv_path, encoding="gbk")
# 保存处理的结果
ret_df = pd.DataFrame()
# 准备待处理的列集合
date_sets = df.columns.to_list()
date_sets = [e for e in date_sets if re.match(r"^(d{8})$", e)]
date_sets.sort()
for idx in range(0, len(date_sets), 1):
k = date_sets[idx]
df[k] = df[k].astype(np.float64)
_td = df.sort_values(by=k, ascending=False)
limit = len(_td[k]) if limit == 0 else limit
if (_td[k] > zhusheng_xl).sum() < limit:
_name = _td.loc[:, "名称"].reset_index(drop=True)[0:limit]
else:
_name = _td.loc[_td[k] > zhusheng_xl, "名称"].reset_index(drop=True)[:]
print(f"{k} ==> 板块前{limit}排名
{_name}")
# 计算大于0的板块数量占比
zb = (_td[k] > 0).sum() / len(_td[k])
_name[-2] = round(zb, 4)
# 斜率21度以上的占比
zb21 = (_td[k] > zhusheng_xl).sum() / len(_td[k])
_name[-1] = round(zb21, 4)
_name = _name.sort_index()
# 斜率值
_xl = _td[k].reset_index(drop=True)[0:(len(_name) - 2)]
# 较前一日变动值
_delta_all = pd.Series([np.nan] * (len(_td[k])))
_delta_head_5 = pd.Series([np.nan] * 5)
if idx > 0:
_td[date_sets[idx - 1]] = _td[date_sets[idx - 1]].astype(np.float64)
_delta_all = (_td[k] - _td[date_sets[idx - 1]]).reset_index(drop=True)
# 计算DELTA值前10名
_td["DELTA"] = round(_td[k] - _td[date_sets[idx - 1]], 2)
_tdd = _td.sort_values(by="DELTA", ascending=False)
_tdd["DELTA"] = _tdd["DELTA"].astype("str")
_tdd["名称,DELTA"] = _tdd["名称"].str.cat([_tdd["DELTA"]], sep=",")
_delta_head_5 = _tdd["名称,DELTA"].reset_index(drop=True)[0:5]
_delta = _delta_all[0:(len(_name) - 2)]
# 构造结果集
ret_df = pd.concat(
[ret_df, pd.DataFrame({k: _name}),
pd.DataFrame({"分值": _xl}),
pd.DataFrame({"DELTA": _delta}),
pd.DataFrame({"DELTA前N": _delta_head_5})], axis=1)
return ret_df处理过程
处理后还会将整理的数据写入EXCEL，方便随时查看
3每天在收盘后导出数据，执行一遍python代码更新数据，这样就可以得到每天的市场情况，根据数据去择时，比如2022年10月11日，晴雨值已经接近0，主升值长时间0，观察EXCEL的数据可以明显看出除了煤炭及其他几个板块，其他板块已经全部空头走势，这表明除了煤炭少数板块外，全市场处于卖空状态，这种情况无外乎两个结果，继续卖空，由于无人接盘，那会产生踩踏股灾，有人试探性入场卖货，底部由此产生，回看历史数据，只有2015年股灾和2016熔断股灾后续按第一种走势，一般情况下是第二种，底部形成，新一轮行情继续，股市如同太极，买卖双方如此反复，这就有了K线的起起落落。
文章为作者独立观点，不代表观点
相关文章
股民评论