股票打板策略分析_打板选股技巧

大家好，又见面了，我是你们的朋友全栈君。如果您正在找激活码,请点击查看最新教程,关注关注公众号 “全栈程序员社区” 获取激活教程,可能之前旧版本教程已经失效.最新Idea2022.1教程亲测有效,一键激活。

Jetbrains全家桶1年46，售后保障稳定

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}")
}

Jetbrains全家桶1年46，售后保障稳定

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)
}