量化研究干货系列一、具有哪些因子的股票更容易涨停

为了了解具有哪些因子的股票更容易涨停，我设计了这样一个实验：实验组是具有某因子偏好的一组股票，对照组是市场总体。比如选择小市值（市值低于市场一定分位）的股票作为实验组，当然市值也可以换成其它因子，比如pe，pb等等。之后统计实验组与对照组每天涨停的比例。市场长期平均涨停概率5%，如果符合某一因子暴露的实验组中涨停的概率达到10%或者更高，可能选择这类股票会更容易捕捉到涨停。当然也有可能是实验组的涨停概率也就2%左右，无法通过假设检验说明统计上具有显著差异。

为了节约时间，先上结果，后面再列研究代码。结论是大多数因子选出的股票在涨停概率上没有优势。有两个例外：一个是涨停次数，另一个是市值，这与大家印象中的股性活跃的股票更容易涨停正好对应。主要说说涨停次数，这里涉及两个参数：统计涨停次数的时间窗口T，和涨停次数达到市场平均水平的倍数N。T测试了60，120，250，500交易日，为了排除新股上市连续涨停的影响，对数据预先做了排除新股的处理，比如在测试T=60时，选择上市满120天的股票。所有测试皆已排除st。
结论一：T和N越大，涨停的概率越高，但不宜过大，当T大于250，N大于6时，边际递减明显。选取T=250，N=6，选出涨停的概率是24.55%，有一说一这个概率是真的高，下面会贴出每天预测第二天的代码，就是“今日预测明日”那部分，大家可以验证一下。长期平均值每天选出51只，不过标准差很大，最多的时候会选出100多只，最少只有个位数。测试时间为2010/1/4-2021/12/31.
结论二，很可惜，尽管这类股票涨停概率很高，但是收益的期望值却是负的。对一部分股票复盘发现，这个方法选出过很多妖股，妖股大多被炒作到高位，体现出涨停次数较多，但是炒作一般是短期的，之后收益往往不好。另外就是其它未能涨停的股票，短期内亏损的概率也比较高，所以即使有个别涨停的超额收益也往往无法覆盖大多数的亏损。
以上结论并没有添加打板的一些主观技巧，比如对热点，龙头，几连板这种判断。
赠人玫瑰，手留余香！以后会多多给大家分享量化研究系列！如果本帖对你有用、请留言收藏点赞打赏,是我每天坚持的动力。
今日预测明日涨停票代码：
#计算预测列表import pandas as pdimport datetime as dtfrom jqdata import *all_trade_days=[i.strftime(‘%Y-%m-%d‘) for i in list(get_all_trade_days())]tradingday = get_trade_days(start_date=‘2008-01-01‘, end_date=‘2022-02-10‘, count=None)trade_day_list = []for item in list(tradingday): trade_day_list.append(str(item))deffilter_new_stock(initial_list,watch_date,n_days): df=get_all_securities(types=[‘stock‘], date=watch_date)[[‘start_date‘]] df=df.loc[initial_list] date=datetime.datetime.strptime(all_trade_days[all_trade_days.index(watch_date)-n_days],"%Y-%m-%d").date() return list(df[df[‘start_date‘]6*count_mean]temp_list = list(DF.code)q = query(valuation.code,valuation.circulating_market_cap).filter(valuation.code.in_(temp_list))test_df = get_fundamentals(q, date=stat_date)test_df = test_df[test_df[‘circulating_market_cap‘]＜ 0.4*MKT_mean]test_list = list(test_df.code)count_list = []for stock in test_list: count = high_limit_count(stock, stat_date, w) count_list.append(count)test_df[‘count‘] = count_listprint("以下列表为{}预测".format(stat_date))test_df