北向资金能否预示股市涨跌？

沪深港通已经开通多年，市场一度把北向资金称为聪明钱，用来预示股市的涨跌。那么时至今日，北向资金是否仍然是一个有效的指标？

1. 获取北向资金数据

首先从tushare获取北向资金的数据。

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

严格地验证指标的有效性一般要求跨越牛熊周期，随着A股波动性的加大，牛熊周期也越来越短。这里我们简单地取3年时间做个验证。

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

由于tushare的限制，一次只能取300条，所以我们还需要多取几次数据，并把它们合起来。

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. 获取大盘指数

我们可以去tushare获取指数信息。

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

可以看到，tushare至少提供了8000种指数供选择。

其中如上证指数、深证成指、沪深300、创业板指、上证50、中证500、中小板指、上证180、深证100等都是比较常用的大盘指数。

先找出这些指数的代码。

index_names = ['上证指数','深证成指','沪深300','创业板指','上证50','中证500','中小板指','上证180','深证100'] indexes[indexes['name'].isin(index_names)][['name', 'ts_code']]

我们先来获取上证180的数据。

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

然后我们来结构性地获取大盘指数。

index_names = ['上证指数','深证成指','沪深300','创业板指','上证50','中证500','中小板指','上证180','深证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

将北向资金与大盘指数通过日期关联起来。

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

注意，这里的how要设置为right，大盘指数用的是上市日历，而北向资金存在数据缺失。

通过正面代码可以看到哪些日期的数据存在缺失。

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

简单地用pandas的默认方法做个插值。

data.interpolate(inplace=True)

可以看到，原来存在缺失的第13行已经完成了线性插值。

将大盘指数表示成收益率维度，并且放弃第一行。

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

计算北向资金与大盘指数的相关系统。

data_return.corr()

可以看到，从近三年来看，北向资金与各大盘指数的相关性已经非常弱，绝对值已经都在0.1以下。

我们的题目是北向资金能否预示股市涨跌，如果是日线级的预示，需要北向资金领先一天。

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，相关性虽然有所提升，但仍然非常弱。

参考文献1的设定，我们也来尝试下120日滚动窗口。

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

可以看到，相关性仍然非常弱，且北向资金跟大部分指数都是负相关的。

事实上，无论是10日、20日、30日、60日，相关性也仍然非常弱。

可见，北向资金已经基本无法预示股市涨跌。当然，也许还有更好的特征提取方法，希望有机会看到。

参考文献：

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 金融专区

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。