接着昨天的文章可转债至暗时刻？,文末留了一部分没写完,继续下文.
不少人做可转债,是因为其有债底保护,只要在低于面值甚至90,80以下买入,只要能够拿得住,就会回到130强赎,即使再不济,也会像格力转债这种,到期10x回售.
安道全的魔法书也多次提到,可转债一般是3年解决战斗(强赎),不过书里面只是笼统说这个时间,如果我们使用真实数据来回测,那么结论会更加有说服力.
![]()
这本书但是是在图书馆借的,一天可以看完
那么本文就用python结合量化平台回测一下实际效果, 但这次我们回测的是: 如果转债跌到90元后,我们买入卧倒装死,要等多久才能重回130元.
[h1]获取数据[/h1]数据源使用优矿自带的数据.
获取日期可以自己用参数设定,这里笔者选择从2017年1月到2020年12月的数据进行回测,因为在此之前的可转债数量过少,而且跌破90元的转债也是非常少.
可转债爆发式增长应该是在17年无需现金申购新债推广后出现的.- def bonds(beginDate=u"20170101",endDate=u"20201215"):
- df = DataAPI.MktConsBondPremiumGet(SecID=u"",tickerBond=u"",beginDate=beginDate,endDate=endDate,field=u"",pandas="1")
- cb_df = df.tickerBond.str.startswith(('12','11'))
- cb_df_=df[cb_df]
- ticker_list = cb_df_['tickerBond'].unique()
- return ticker_list
![]()
共有416只,包含已经退市的可转债
然后拿到代码后进逐个遍历日线数据,一般笔者使用收盘价作为参考价,如果盘中突然出现一个脉冲到130的就记录在当中.
如果读者想要计算盘中达到130的,只需要把参考价换一个参数closePriceBond,很简单的,改为high即可,不影响整体代码逻辑.
不过笔者习惯使用收盘价作为参考价,毕竟盘中的脉冲,不一定每一个人都能捕捉得到.- min_value=90
- max_value=130
- def bond_trade_data(ticker,beginDate,endDate):
- # 转债日线
- bond_df = DataAPI.MktConsBondPerfGet(beginDate=beginDate,endDate=endDate,secID=u"",tickerBond=ticker,tickerEqu=u"",field=['bondPremRatio','closePriceBond','tradeDate','tickerEqu','secShortNameBond'],pandas="1")
- min_df = bond_df[bond_df['closePriceBond']=max_value]
- name=bond_df['secShortNameBond'].iloc[0]
- min_date=None
- if len(min_df)>0:
- min_date = min_df.iloc[0]['tradeDate']
- max_date=None
- if len(max_df)>0:
- if min_date is not None:
- max_df=max_df[max_df['tradeDate']>min_date]
- if len(max_df)>0:
- max_date = max_df.iloc[0]['tradeDate']
- days=None
- if min_date is not None and max_date is not None:
- days=day_expand(max_date,min_date)
- return {'code':ticker,'days':days,'max':max_date,'min':min_date,'name':name}
OK,然后把上面2部分代码组合在一起:- beginDate=u"20170101"
- endDate=u"20201215"
- result_list =[]
- for bond in bond_list:
- ret=bond_trade_data(bond,beginDate,endDate)
- result_list.append(ret)
[h1]
[/h1][h1]分析[/h1]接下就是分析了.
我们先把有值的抽出来,因为不是每一个转债都出现过跌倒90在涨到130.
现在把这种情况的提取出来- has_value=[i for i in result_list if i.get('days') is not None]
共有24只转债上岸成功.
然后看看是哪24个幸运儿
![]()
看到最近热门妖债横河,盛路,蓝盾,模塑,都曾经落难到90以下. 不过先模塑,从90起来到130,用了足足600天,差不多2年的时间.
最近蹭上新能车概念的小康也是,90到130之路经历了882天,也就在今年12月才到的130元,经历多少岁月的煎熬,才熬出头.
然后我们就看看统计数据,对天数进行统计
![]()
mean是平均值, 为 302天, 就是转债从90到130要平均经历303天的时间(这里使用的是自然日), 但是也有部分是当前日期日期内跌到过90以下,但是现在也还没有上130的,比如亚太转债,辉丰转债.后面会有继续分析.
最快从90回到130的用了127天.
可以查查是哪一个
![]()
是第18个元素.
定位到该元素
![]()
是最近的妖债盛路转债
统计数据里面的25%,50%,75%分别是统计数据的四分位.
然后接着看一下哪些跌破90后,到现在还没有回到130的.
![]()
居然还有19只
榜首的辉丰转债没有摸过130就已经退市了
![]()
看K线,出道即巅峰.第一天开盘买入的要从头套到退市.
剩下的都是现在时间排序, 选择一只时间比较久的,当前价格又比较低的,可以作为埋伏,这个不失为一个保守的策略,冒进点的可以直接买入正股,不过这个有点赌的成分.
像之前的辉丰股份,模塑科技,最近的小康股份,溢价率看着从80%多拉倒10%以内,甚至变成负溢价.
![]()
有兴趣的读者可以使用上述代码尝试每个价格区间的持续时间,比如跌到100后涨回到130的时间, 上面的数字动动手指改一下就可以得到不一样的数据与结果.
笔者公众号里的文章涉及到的代码其他对新人可能不太友好,更加适合有编程经验的读者, 不过对于很多人,其实知道结论就足够了,而推理过程只是让你的信仰更加坚定,毕竟是自己推理出来的,不可能自己去打自己脸哈.
而有兴趣接触这一方面的读者,其实入门也不难,python语法简单,入门快,而做分析,大部分依赖numpy和pandas这2个第三方库, 基本涉及到数据分析的都会用到个库(pandas底层也是numpy的结构,实际同一个东西).
这个库功能十分强大, 可以把excel,数据库(mysql, mongo)等不同数据一键导入, 然后处理后又可以一键导出为excel,数据库. 操作也简单,即使不做数据分析,也是自动化办公的好帮手,比如用来过滤excel数据,只需要用数学等式就够了,不需要记复杂的excel函数.
之前有读者咨询看什么书比较好,个人是推荐的是这本书
![]()
之前也推荐过群里的小伙伴. 书的作者就是pandas库的作者, 而且老外写的书逻辑性要比国内的好很多,而且顺着他们的思路走下去,不会觉得突兀,书前面是python的基础知识,也适合刚学习python的小伙伴.
![]()
实体书的好书是可以随时翻翻,查阅方便,笔者平时就把它当做工具书,因为很多用法不可能都记得住,需要经常翻书查阅,虽然有kindle电子书,不过做笔记,查阅还是实体书方便.
墙裂推荐的一本数据分析书.
结语:
最近笔者在把一些数据做成接口查询,嵌入到微信自动回复里面,类似于一个人工AI智能机器人的形式,除了可以查询实时可转债行情,行业数据,还有基金实时折溢价率,微博关键字热度指数,百度指数等等,如果您有什么好用的数据,也可以后台留言,如果笔者觉得不错也可以收纳进来做成查询接口. 近期测试后会上线,敬请期待!
由于微信改版后不再是按时间顺序推送文章，如果后续想持续关注笔者的最新观点，请务必将公众号设为星标，并点击右下角的“赞”和“在看”，不然我又懒得更新了哈，还有更多很好玩的数据等着你哦。
|
|
转播
