起源
今年の7月26日に市場が急落したとき、Huluグループの偉い人がこんな写真を思いついたのですが、著者がこの下落を予測していたので、それを読んだとき私は非常にショックを受けました。
必ずしも正しいとは限りませんが、グループのお偉いさんが魔法の本だと言っていたので、興味本位で開いて読んでみると、著者は「A株には10年周期がある」と結論づけていました。著者の主張は理解できなかったものの、一見すると意味が分かるようなので検証してみましょう！
著者の意見と検証
著者の視点
著者の見解:中国の株式市場は 10 年周期です。強気相場は旧暦 C 年に始まり、D 年は調整を経て新年に続きます。仁貴年は弱気相場、B 年は強気相場を生み出します市場。
著者の計算方法は天幹暦に基づいており、天幹は 10 個あるため、各年は西暦年の仮数部に対応し、次の表に整理できます。
| 時間が経つのは早い | 西暦の下一桁 | 市況 |
|---|---|---|
| 耿 | 0 | 構造クマ |
| 辛 | 1 | 弱気市場 |
| 十天茎の9番目 | 2 | 弱気市場 |
| グイ | 3 | 弱気市場 |
| 初め | 4 | ベアからブルへの変換 |
| 2番 | 5 | ベアからブルへの変換 |
| C | 6 | 牛 |
| 男 | 7 | 強気+弱気変換 |
| E | 8 | ビッグベアー |
| もっている | 9 | 牛 |
確認する
事前検証の内容は著者が提唱する10年周期であり、月日まで正確な前回の内容ではなく、それらが与える第一印象が100％正しいとは限らないのが主な理由であり、そして、このサイクルに特定の一般的なルールがある場合、それは戦略のタイミングに非常に役立ちます。
私の検証アイデアは次のとおりです。
- 上海総合指数と CSI 300 指数のデータをダウンロードし (これについてはコースで説明します。クロールするのが面倒な場合は、Web サイトにアクセスしてください)、それを星座と支店の年表に変換します。
- 各年ごとの騰落、振幅、上昇日数、下降日数等の指標（幹枝年別、以下同じ）を計算し、著者の結論に基づいて予備判定を行う。
- 年間チャートを作成し、主観的な判断を下します (定量化を行っていることに同意しませんでしたか)。
準備
- クロールインデックスデータ
現在、上海総合指数について入手できる最も古いデータは 1990 年 12 月 (新浪金融より)、CSI 300 指数については 2005 年 4 月です。
- 太陰時間に変換できるライブラリをダウンロードする
変換された CSI 300 インデックスは次のようになります。
プロセス
まず、幹と枝の年代順に基づいて記述統計を作成しましょう。
df_all = pd.DataFrame()
df_all['year'] = list(set(df001['year']))
for i in list(set(df001['year'])):
df_all.loc[df_all['year'] == i, 'candle_begin_time'] = df001.loc[df001['year'] == i, 'candle_end_time'].iloc[0]
df_all.loc[df_all['year'] == i, 'candle_end_time'] = df001.loc[df001['year'] == i, 'candle_end_time'].iloc[-1]
df_all.loc[df_all['year'] == i, '涨跌幅'] = round(df001.loc[df001['year'] == i, 'close'].iloc[-1] / df001.loc[df001['year'] == i, 'close'].iloc[0] - 1, 2)
df_all.loc[df_all['year'] == i, '振幅'] = round(df001.loc[df001['year'] == i, 'close'].max() / df001.loc[df001['year'] == i, 'close'].min(), 2)
df_all.loc[df_all['year'] == i, '上涨天数'] = len(df001.loc[(df001['year'] == i) & (df001['close_change'] >= 0), 'close_change'] )
df_all.loc[df_all['year'] == i, '下跌天数'] = len(df001.loc[(df001['year'] == i) & (df001['close_change'] < 0), 'close_change'] )
df_all['上涨天数-下跌天数'] = df_all['上涨天数'] - df_all['下跌天数']
df_all.sort_values(['candle_begin_time'])
結果は次のとおりです。
| 年 | キャンドルの開始時間 | キャンドル終了時間 | 見積変更 | 振幅 | 日が昇る | ダウンデイズ | 上昇日数 - 下落日数 |
|---|---|---|---|---|---|---|---|
| 耿武 | 1990/12/19 | 1991/2/14 | 0.07 | 1.07 | 39 | 1 | 38 |
| シンウェイ | 1991/2/19 | 1992/1/31 | 0.12 | 1.12 | 180 | 57 | 123 |
| レンシェン | 1992/2/7 | 1993/1/22 | 7.09 | 10.43 | 69 | 14 | 55 |
| 貴陽 | 1993/1/27 | 1994/2/4 | -0.31 | 2.04 | 129 | 138 | -9 |
| 嘉苓 | 1994/2/14 | 1995/1/27 | -0.28 | 3.09 | 100 | 146 | -46 |
| イハイ | 1995/2/6 | 1996/2/16 | 0.04 | 1.74 | 128 | 138 | -10 |
| ビンジ | 1996/3/4 | 1997/1/31 | 0.6 | 2.25 | 129 | 106 | 23 |
| チョウ・ディン | 1997/2/17 | 1998/1/23 | 0.24 | 1.68 | 137 | 99 | 38 |
| 武陰 | 1998/2/9 | 1999/2/9 | -0.13 | 1.33 | 118 | 140 | -22 |
| ジーマオ | 1999/3/1 | 2000/1/28 | 0.4 | 1.64 | 120 | 111 | 9 |
| ゲンチェン | 2000/2/14 | 2001/1/19 | 0.23 | 1.33 | 136 | 98 | 38 |
| シン・シ | 2001/2/5 | 2002/2/8 | -0.25 | 1.65 | 123 | 129 | -6 |
| 仁武 | 2002/2/25 | 2003/1/29 | -0.02 | 1.31 | 116 | 115 | 1 |
| 桂尾 | 2003/2/10 | 2004/1/16 | 0.08 | 1.24 | 114 | 118 | -4 |
| 嘉深 | 2004/1/29 | 2005/2/4 | -0.22 | 1.5 | 113 | 143 | -30 |
| イーヨウ | 2005/2/16 | 2006/1/25 | -0.02 | 1.3 | 118 | 116 | 2 |
| ビンシュウ | 2006/2/6 | 2007/2/16 | 1.33 | 2.41 | 166 | 91 | 75 |
| 定海 | 2007/2/26 | 2008/2/5 | 0.51 | 2.2 | 150 | 85 | 65 |
| 五子 | 2008/2/13 | 2009/1/23 | -0.56 | 2.73 | 101 | 135 | -34 |
| ジ・チョウ | 2009/2/2 | 2010/2/12 | 0.5 | 1.73 | 157 | 102 | 55 |
| ゲンギン | 2010/2/22 | 2011/2/1 | -0.07 | 1.34 | 119 | 114 | 5 |
| シン・マオ | 2011/2/9 | 2012/1/20 | -0.16 | 1.42 | 112 | 124 | -12 |
| レンチェン | 2012/1/30 | 2013/2/8 | 0.06 | 1.26 | 133 | 123 | 10 |
| グイシ | 2013/2/18 | 2014/1/30 | -0.16 | 1.24 | 110 | 123 | -13 |
| 嘉武 | 2014/2/7 | 2015/2/17 | 0.59 | 1.7 | 148 | 108 | 40 |
| イーウェイ | 2015/2/25 | 2016/2/5 | -0.14 | 1.95 | 133 | 104 | 29 |
| ビンシェン | 2016/2/15 | 2017/1/26 | 0.15 | 1.22 | 130 | 107 | 23 |
| ディン・ユー | 2017/2/3 | 2018/2/14 | 0.02 | 1.17 | 154 | 104 | 50 |
| 呉徐 | 2018/2/22 | 2019/2/1 | -0.2 | 1.35 | 105 | 129 | -24 |
| ジハイ | 2019/2/11 | 2020/1/23 | 0.12 | 1.23 | 125 | 112 | 13 |
| 耿子 | 2020/2/3 | 2021/2/10 | 0.33 | 1.37 | 140 | 115 | 25 |
| シン・チョウ | 2021/2/18 | 2021/7/30 | -0.08 | 1.1 | 54 | 58 | -4 |
CSI 300 の状況は次のとおりです。
| 年 | キャンドルの開始時間 | キャンドル終了時間 | CSI 300の隆盛と衰退 | CSI 300 振幅 | CSI 300 上昇日 | CSI 300 降下日 | CSI 300 上昇日 - 下降日 |
|---|---|---|---|---|---|---|---|
| イーヨウ | 2005/2/16 | 2006/1/25 | 0.01 | 1.23 | 103 | 93 | 10 |
| ビンシュウ | 2006/2/6 | 2007/2/16 | 1.59 | 2.67 | 166 | 91 | 75 |
| 定海 | 2007/2/26 | 2008/2/5 | 0.82 | 2.39 | 151 | 84 | 67 |
| 五子 | 2008/2/13 | 2009/1/23 | -0.58 | 3.08 | 104 | 132 | -28 |
| ジ・チョウ | 2009/2/2 | 2010/2/12 | 0.58 | 1.84 | 164 | 95 | 69 |
| ゲンギン | 2010/2/22 | 2011/2/1 | -0.05 | 1.41 | 119 | 114 | 5 |
| シン・マオ | 2011/2/9 | 2012/1/20 | -0.18 | 1.48 | 109 | 127 | -18 |
| レンチェン | 2012/1/30 | 2013/2/8 | 0.13 | 1.32 | 130 | 126 | 4 |
| グイシ | 2013/2/18 | 2014/1/30 | -0.2 | 1.27 | 105 | 128 | -23 |
| 嘉武 | 2014/2/7 | 2015/2/17 | 0.59 | 1.75 | 140 | 116 | 24 |
| イーウェイ | 2015/2/25 | 2016/2/5 | -0.15 | 1.88 | 132 | 105 | 27 |
| ビンシェン | 2016/2/15 | 2017/1/26 | 0.15 | 1.24 | 126 | 111 | 15 |
| ディン・ユー | 2017/2/3 | 2018/2/14 | 0.18 | 1.32 | 148 | 110 | 38 |
| 呉徐 | 2018/2/22 | 2019/2/1 | -0.2 | 1.39 | 105 | 129 | -24 |
| ジハイ | 2019/2/11 | 2020/1/23 | 0.21 | 1.27 | 121 | 116 | 5 |
| 耿子 | 2020/2/3 | 2021/2/10 | 0.57 | 1.65 | 147 | 108 | 39 |
| シン・チョウ | 2021/2/18 | 2021/7/30 | -0.17 | 1.22 | 59 | 53 | 6 |
そこで、上の表をもとにざっと見てみたのですが、再度閲覧してみたところ、基本的には同じでした。
たとえば、著者は、冰と丁の年は強気相場の開始点であったと強調し、1996 年と 2006 年には 50% 以上の上昇があり、1997 年と 2007 年にも指数は 20 以上上昇しました。 %。2016 年と 2017 年のみ、増加幅は小さくなりました。しかし、それらはすべてプラスです。次に、5 年目の強気市場がすべてマイナスになった後の調整成長率を見てください。そして、著者が指定した強気市場である 9 年目では、比較的大きな増加もありますが、相対的に言えば、2019年の増加は小さいです;次に、庚年を見てみると、市場があったと言われていますが、4回のうちマイナスだったのは1回だけです;1992年の仁申年だけですもともと弱気相場でしたが、市場は非常に好調で、最終的な上昇率は7倍でした（しかし、今年は非常に特別で、特に理由はわかりません）。
さて、一次判定を経て、著者の結論はある程度妥当であると暫定的に考えたので、次にそれを図表でさらに理解していきます。
plt.figure(figsize=(15, 38))
var1 = ['丙', '丁', '戊', '己', '庚', '辛', '壬', '癸', '甲', '乙']
var_temp = 0
for o in var1:
ax = plt.subplot(10, 1, var_temp+1)
for i in list(filter(lambda x: x.startswith(o), set(df001['year']))):
temp = df001.loc[df001['year']==i, 'close'].reset_index(drop=True)
temp['curve'] = (1+temp.pct_change()).cumprod()
ax.plot(temp['curve'], label=i)
plt.legend()
var_temp += 1
plt.savefig('picture.png')
plt.show()
次のような画像を取得します。
これは CSI 300 です。
この時点で、著者の結論を肯定したい場合、一部の年は明らかにそれを支持していないことがわかりました。たとえば、1992 年にレンシェン年は急騰しましたが、著者はレンシェン年が弱気相場であると提案しました。著者の結論を否定するには証拠が不十分です。Bing 年と D 年はすべて強気市場であり、Wu 年は弱気市場であり、Ji 年は強気市場であるという著者の結論は確かに同じです。近年の強気相場と呼ばれる市場は、比較的小さな上昇と下落を示しているため、さまざまな地質ゾーンの説明もあり、その組み合わせには異なる長所と短所があります。たとえば、著者は、26 年は冰武年、正午の火は最も純粋な火であり、天の枝と地の枝はすべて富であるため、非常に強い強気市場になります。
結論は
それが私たちの戦略にどのような影響を与えるのでしょうか? 個人的には特に良い補助方法は見つかっていませんが、唯一有効な方法は、丁年、つまり呉年の大幅上昇後の大幅下落を回避することですが、新仁貴三年の弱気相場では、前述のとおりです。著者は、多くの戦略が利益を生むことができると考えています。B 年と D 年の大強気相場は、各戦略が最もパフォーマンスが良かった時期ではありませんでした。著者は、A 年と B 年は弱気から強気への移行期だったと述べました。多くの戦略が最も収益を上げた時代。
さらに、毎年 B と D が強気相場であるわけではありません。たとえば、最近はそうではありません。14 年と 15 年の A 年と B 年で構成される強気相場です。16 年と 17 年は、2,600 年から上昇した小さな強気相場にすぎません。 3,500まで。
つまり、現在のサンプル データは小さすぎます (わずか 3 サイクルです)。また、著者によるサイクルの説明はあまり定量的ではありません。私たちの検証では、彼の結論を 100% 確認または否定することはできません。彼のポリシーを完全に使用することには不確実性があります。もちろん、慈善と知恵については誰もが異なる意見を持っています。