股票打板策略分析
这里我们只分析一件事情，就是如何打板才能最大概率赚到钱，就是我们可以分析过去一天涨停今天还涨停、分析过去两天涨停今天涨的概率，一直到过去10天涨停今天涨的概率，其实很多人都喜欢打板，但是可能大家都没分析过打板的胜率。
前面我们已经可以筛选出截止到特定日期的过去10天中的连续涨停了，这里我们只需要将所有日期过去10日的连续涨停计算出来就可以作为我们的数据源，然后计算统计个数算分布就可以了，至于如何计算连续涨停可以参考股票数据分析
计算历史数据的涨停情况
我们今天的打板分析，是在昨天的基础上，这里我们真的是需要一个for 循环了，循环所有日期
def main(args: Array[String]): Unit = {
val data=spark
.read
.option("header", true)
.csv(path)
.select("ts_code","trade_date","open","high","low","close","pre_close","change","pct_chg","vol","amount")
// close 收盘价 pre_close 昨收价 change 涨跌额 pct_chg 涨跌幅 vol 成交量 （手） amount 成交额 （千元）
data.createOrReplaceTempView("trade")
val stocks=spark
.read
.option("header", true)
.csv(stocksPath)
stocks.createOrReplaceTempView("stocks")
val dates=spark
.read
.option("header", true)
.csv(datesPath)
dates.createOrReplaceTempView("dates")
val start=LocalDate.of(2018,1,1)
val loop = new Breaks;
val pattern=DateTimeFormatter.ofPattern("yyyyMMdd")
// 循环的日期
loop.breakable{
for(i<- 1 to 2000){
val lastDate = start.plusDays(i).format(pattern)
val startDate=LocalDate.parse(lastDate,pattern).plusDays(-30).format(pattern)
lastContinueDays(lastDate,startDate)
if(lastDate.equals("20211104")){
loop.break
}
}
}
}
// 算出截止lastDate过去10天内，连续涨停的情况
def lastContinueDays(lastDate:String,startDate:String): Unit ={
println(s"业务时间: '${startDate}' '${lastDate}'")
// 首先选出涨停的票
sql(
s"""
|select
| ts_code,trade_date,$lastDate as end_date
|from(
| select
| ts_code,trade_date,open,high,low,close,pre_close,change,pct_chg,vol,amount,row_number() over(partition by ts_code order by trade_date desc) as rn
| from
| trade
| where
| -- 时间要换掉 大致的过滤条件
| trade_date>='${startDate}'
| and trade_date<='${lastDate}'
|)tmp
|where
| -- 过去10条记录(这里注意一下不一定是过去10天的)
| rn<=10
| -- 涨停的数据
| and pct_chg>=9.8
|""".stripMargin
).createOrReplaceTempView("zhangting")
sql(
"""
|select
| ts_code,trade_date,end_date,zt_cnt
|from(
| select
| ts_code,
| trade_date,
| end_date,
| zt_cnt,
| row_number()over(partition by ts_code order by zt_cnt desc) as rn
| -- 筛选出 zt_cnt最大的记录
| from(
| select
| a.ts_code,
| a.trade_date,
| a.end_date,
| count(distinct b.trade_date) as zt_cnt
| from
| zhangting a
| left join
| zhangting b
| on
| a.ts_code=b.ts_code
| and a.trade_date<=b.trade_date
| and a.end_date>=b.trade_date
| left join
| dates dates
| on
| dates.cal_date>=a.trade_date
| and dates.cal_date<=a.end_date
| -- 是否是交易日
| and dates.is_open=1
| group by
| a.ts_code,a.trade_date,a.end_date
| having
| count(distinct b.trade_date)=count(distinct dates.cal_date)
| )t
|)t
|where
| rn=1
|order by
| zt_cnt
|""".stripMargin
)
.write
.format("parquet")
.mode(SaveMode.Overwrite)
.save(s"/Users/gemii/Desktop/data/day=${lastDate}")
}
这个代码主要是我们以前讲的SQL，今天的话主要是配合了for循环，唯一要注意的是我们s"/Users/gemii/Desktop/data/day=${lastDate}" 这个路径，文件的命名方式是分区的处理，后面在读取的时候spark 就可以分区感知，自动读取，否则的话比较麻烦，效果如下
这里有一个地方要注意一下，那就是你可以打开某一天的文件夹，你会发现下面有很多小文件
其实这里我们知道我们每一天的数据量其实很小，所以我们可以针对这些小文件做一下处理，就是在DataFrame 写出的时候调用一下，repartition 或者coalesce 方法，最后的效果如下
分析涨停的分布情况
上面我们统计出了截止每一天的过去10天的连续涨停数据，接下来我们就统计一下涨停的分布，首先我们先看一下我们的数据
这里我们的end_date就是我们的业务日期，day是分区信息，所以end_date和day是相等的，zt_cnt是连续涨停的天数，1 就代表只有end_date那天是涨停的
我们想算的是在n连涨的情况下n+1 连涨的概率，我们只需要统计出n连涨的个数和n+1连涨的个数即可。
def daBan(): Unit ={
val data=spark
.read
.parquet("/Users/gemii/Desktop/data")
data.createOrReplaceTempView("daban")
sql(
"""
|select
| zt_cnt,
| cnt,
| concat(cast(round(cnt/lag(cnt)over(order by zt_cnt)*100,2) as string),"%") rate
|from(
| select
| zt_cnt,
| count(ts_code) as cnt
| from
| daban
| group by
| zt_cnt
|)
|order by
| zt_cnt
|""".stripMargin
).show(2000,false)
}
计算结果
我们可以看到在8连板之后买入涨停的概率最大，所以打板的小伙伴们，不要在打三连板了，网上很多大佬告诉你打三连板，哈哈！
总结
股市有风险，入市需谨慎，学习无限好，从此自由活