目录
文章难度：★★☆☆☆
利用融资融券买卖张数以及成交量和当冲量建构羊群指标
阅读建议：本文会运用到一些进阶的资料视觉化应用以及统计回归模型，需要对资料视觉化和回归模型有一定的认识。
行为财务学的出现挑战了传统投资学认为人在做投资决策是理性的，而羊群效应则是代表了，投资人在市场中存在的从众行为，散户会看到大家往那边去，就盲目的跟从，且一般认为散户在市场中是赔钱的那群人，而如何定义市场中的散户，通常会使用融资融券和当冲量来表示，因为法人较少使用杠杆的方式和当冲来做交易，而本文使用了这几个数字组成的新指标来代表散户的从众行为，并用简单的回归模型，来确认散户是否真的是所谓的”反指标”。
本文使用Mac OS 并以jupyter作为编辑器
import pandas as pd import numpy as np import tejapi import statsmodels.api as sm import matplotlib.pyplot as plt import matplotlib.transforms as transforms plt.rcParams['font.sans-serif'] = ['Arial Unicode MS'] # 解决MAC电脑 plot中文问题 plt.rcParams['axes.unicode_minus'] = False tejapi.ApiConfig.api_key ="Your Key" tejapi.ApiConfig.ignoretz = True
import plotly.express as px import plotly.graph_objects as go from plotly.subplots import make_subplots
调整股价(日)-除权息调整(TWN/APRCD1)
融资融券(TWN/AGIN)
上市(柜)当日冲销交易统计资讯(TWN/ADT)
资料期间取2015/01/01到2022/10/13，分别取得了成交量、当冲量、融资买进、融资卖出、融券卖出、融券回补还有大盘指数的资料。
df = tejapi.get('TWN/ADT', #从TEJ api捞取所需要的资料
chinese_column_name = True,
paginate = True,
mdate = {'gt':'2015-01-01'},
coid='Y9999',
opts={'columns':['coid','mdate','volume', "vol_dt"]})
df1 = tejapi.get('TWN/AGIN', #从TEJ api捞取所需要的资料
chinese_column_name = True,
paginate = True,
mdate = {'gt':'2015-01-01'},
coid='Y9999',
opts={'columns':['coid','mdate','buy_l', "sell_l", "buy_s", "sell_s"]})
df2 = tejapi.get('TWN/APRCD1', #从TEJ api捞取所需要的资料
chinese_column_name = True,
paginate = True,
mdate = {'gt':'2015-01-01'},
coid='Y9999',
opts={'columns':['coid','mdate','close_adj']})
将资料设定好index，以利于后续做合并表格的工作，最后表格呈现方式如下图。
df1.rename(columns={'年月日':'日期'}, inplace=True)
df1.set_index(df1['日期'],inplace=True)
df1.drop(columns={'日期'},inplace=True)
df.set_index(df['日期'],inplace=True)
df.drop(columns={'日期'},inplace=True)
herding = pd.merge(df1, df.iloc[:,1:], left_index=True, right_index=True)
herding
接著利用散户买进公式：(融资买进+融券回补)/(成交量-当冲量)、散户卖出公式：(融资卖出＋融券卖出)/(成交量-当冲量)，将两个指标计算出来。
herding['buy'] = ((herding['融资买进(张)']+herding['融券买进(张)'])/(herding['成交量(千股)']-herding['现股当冲量(千股)']))*100 herding['sell'] = ((herding['融资卖出(张)']+herding['融券卖出(张)'])/(herding['成交量(千股)']-herding['现股当冲量(千股)']))*100
将大盘收盘价资料重新设定index并跟上面处理好的指标资料表做合并。
df2.rename(columns={'证券代码':'公司代码'},inplace=True)
df2.rename(columns={'年月日':'日期'},inplace=True)
df2.set_index(df2['日期'],inplace=True)
df2.drop(columns={'日期'},inplace=True)
result = pd.merge(herding,df2.iloc[:,1:], left_index=True, right_index=True)
result
将指标跟大盘指数绘制在同一张图上，可以发现由于是日资料的关系，在图上太密集无法看出趋势，因此我们改用另一种互动式绘图方式。
fig, ax1= plt.subplots(figsize =(20,16))
plt.plot(result.index , result['buy'],lw=1.5, label = '散户买进指标')
plt.plot(result.index , result['sell'],lw=1.5, label = '散户卖出指标')
plt.xlabel('日期',fontsize=15)
plt.ylabel('点数', fontsize=15)
plt.xticks(fontsize=15)
plt.yticks(fontsize=15)
plt.title('散户买卖与大盘指数', fontsize=20)
plt.legend(loc=1, fontsize=15)
ax2 = ax1.twinx() #跟第一张ax1的x轴一样
plt.plot(result.index, result['收盘价(元)'] , lw=1.5, color='r', label='大盘')
plt.ylabel('指标', fontsize=15)
plt.yticks(fontsize=15)
plt.legend(loc=2, fontsize=15)
plt.gcf().autofmt_xdate() #让x轴的时间轴比较宽松、漂亮 plt.show()
透过plotly套件所做的互动式图表，可以让你针对你想观察的部分做放大，让我们可以更清楚的看到一段时间的趋势。
我们放大到疫情最恐慌的时候观察，在3/19台股创下了近几年的新低，收盘收在8681点，而散户卖出指标也创下波段的新高，之后股市开始回稳，并一路向上攀升。
将大盘指数计算成报酬率，并将散户买进指标跟卖出指标往后移一期，以利于后续运用回归模型使用。
result[['报酬率']] = (result[['收盘价(元)']].pct_change(1))*100 result[['buy', 'sell']] = result[['buy', 'sell']].shift(1)
简单看一下相关系数发现，散户买进指标跟卖出指标都跟大盘报酬率是正相关，跟原先预期的有点落差，而卖出指标的相关性大了一些。
result[['buy', 'sell', '报酬率']].corr()
接著做个单回归来观察买进指标跟大盘报酬率，从结果可以看到，买进指标的系数为正且显著的，可见买进指标是可以预测大盘报酬率。
X = sm.add_constant(result['buy']) b = sm.OLS(result['报酬率'], X).fit() b.summary()
再来看到卖出指标，也跟买进指标一样，系数为正且显著的，代表卖出指标同样具有预测大盘报酬率的能力。
X = sm.add_constant(result['sell']) b = sm.OLS(result['报酬率'], X).fit() b.summary()
我们能从结果看到，我们原先预期散户是’反指标’，当散户买进指标上升时，隔天的大盘报酬率会减少，当散户卖出指标上升时，隔天会增加，但实证结果发现，无论是买进指标或卖出指标，对于大盘报酬率的预测皆是正相关，需要注意的是本文在实证方面使用的是单回归的方式，读者如果想做更深入的探讨，可以多增加控制变数，采用多元回归的方式来研究，结果会更加准确。
之后也会介绍使用TEJ资料库来建构各式指标，并回测指标绩效，所以欢迎对各种交易回测有兴趣的读者，选购TEJ E-Shop的相关方案，用高品质的资料库，建构出适合自己的交易策略。