繁簡切換您正在訪問的是FX168財經網，本網站所提供的內容及信息均遵守中華人民共和國香港特別行政區當地法律法規。

FX168财经网>人物频道>帖子

分析近1年的板块联动关系——PCA降维分析

作者/SCSDV_d 2019-05-10 08:30 0 来源: FX168财经网人物频道

因为刚刚学习完PCA的分析方法，感觉上貌似可以发觉很多股票市场的特征，于是动手试一试。
但愿不要把我的分析方法成为“降维打击”。
最后数据的分析部分有点仓促
欢迎批评指正。

方法说明¶

PCA方法，是一种从多维数据中精炼提取主要成分的方法。具体说来，我希望找到行业指数涨跌，并使用近一年的月线数据进行描述，这是我们看到的是板块轮动在月线级别描述。但是，通过PCA的主要成分提取后，我们将看道一个（行业数I，M）的矩阵，该矩阵中或许会突出的显示某几个具体行业的关系，例如：银行版块与某个行业呈现负相关，等等。

import pandas as pd
import numpy as np
from jqdata import *
list_sw_inst = get_industries(name='sw_l1')
list_inst = get_all_securities(types=['index'], date=None)[223:234]
list_inst = list_inst.append(get_all_securities(types=['index'], date=None)[1:2])
inst_code = list_inst.index.values
df = history(16, unit='22d', field='close',security_list=inst_code)
df.columns = list_inst.display_name
df = df.pct_change().sort_index(ascending = False).dropna()*100
df
.dataframe tbody tr th:only-of-type { vertical-align: middle; } .dataframe tbody tr th { vertical-align: top; } .dataframe thead th { text-align: right; }
display_name 中证能源 中证材料 中证工业 中证可选 中证消费 中证医药 中证金融 中证信息 中证电信 中证公用 中证民企 A股指数
2019-03-22 7.940004 13.439119 13.089791 10.265754 13.478864 17.350378 12.180055 21.469452 14.734399 7.489044 18.168224 12.432133
2019-02-20 7.800795 9.512191 8.238523 11.583730 18.140163 13.730463 11.199082 17.360354 11.798375 5.201886 10.048761 8.905820
2019-01-14 -3.643331 -3.287487 -0.925635 -0.162226 -0.901618 -12.894519 -3.315761 -2.821597 0.111133 1.124026 -3.332875 -2.251158
2018-12-11 -5.709016 -1.730581 2.832286 -1.042596 4.011799 -3.252002 -0.415202 0.134072 0.092864 2.551563 1.062556 -0.190332
2018-11-09 -9.295204 -8.602502 -4.311614 -6.732543 -11.561922 -4.820497 0.864218 -3.204947 -1.967537 -4.248236 -4.289541 -4.659880
2018-10-10 9.325048 -2.974908 -0.945492 -2.763233 0.667153 -5.354084 0.221778 -11.140349 -11.445113 -0.189866 -4.756764 0.023827
2018-08-31 2.012526 -6.390889 -5.353774 -9.054609 -8.436062 -5.961504 0.651820 -3.980503 3.820148 -4.553895 -6.527609 -3.520901
2018-08-01 -0.567944 4.314367 0.741848 -3.223587 -2.141814 -7.007006 4.003825 -0.925219 7.150530 5.951640 -2.755316 1.769409
2018-07-02 -5.997144 -8.421514 -10.588715 -7.135612 -6.611597 -5.967551 -9.601337 -8.656142 -19.787739 -7.929385 -10.211807 -8.750659
2018-05-30 -0.761080 -3.001733 -3.844518 2.253995 7.800698 7.796943 -4.844720 -4.208956 -4.276768 1.566122 -1.956460 -1.087756
2018-04-26 -4.069942 -2.051289 -0.997040 -6.065973 -0.774984 2.235666 -4.366490 -0.269361 -0.065271 -4.676149 0.294770 -2.470056
2018-03-23 -4.362683 -4.209144 0.417723 -2.268276 -4.021007 7.993376 -3.343539 5.058767 -2.154805 2.498916 2.173010 -1.451096
2018-02-14 -5.984156 -3.452585 -7.797266 -4.583612 -9.077741 -6.922975 -6.351672 -8.531694 -9.328090 -6.268775 -8.999347 -6.199311
2018-01-15 8.810050 3.483354 -1.393256 5.309426 10.857910 2.490353 5.525422 -4.076279 -6.861662 -1.147644 -1.257582 3.259069
2017-12-13 -3.325115 -3.734080 -4.764252 -4.941853 -1.456863 -2.433876 0.090588 -6.821924 -5.411441 -2.880996 -6.197114 -4.198169

数据df表示各个板块在最近的12个月中的涨跌轮动情况，最右边一列附上整个A股指数的涨跌

#下面开始进行PCA分析
#首先计算协方差矩阵S，然后计算eigenvalue
S = df.cov().values
evalue,evactor = np.linalg.eigh(S)
ev = evalue / evalue.sum()
for i in range(12):
    print(-i,ev[-i:].sum())

0 1.0
-1 0.7591959537535696
-2 0.8600023322742836
-3 0.9261398690298226
-4 0.952687316946254
-5 0.9662109208323336
-6 0.9779216733417028
-7 0.9851006305827936
-8 0.9919192332157581
-9 0.9971606934053021
-10 0.9995686073006775
-11 0.999928396324449

从输出数据我们发现， 后3个egenvalue就可以对数据进行92%的描述， 后4个数据就可以对数据进行95%的描述 我选择后4个数据。

usefulv = evactor[:,-4:].T
rdf = pd.DataFrame(usefulv,columns=df.columns)
(rdf*100).round(2)
.dataframe tbody tr th:only-of-type { vertical-align: middle; } .dataframe tbody tr th { vertical-align: top; } .dataframe thead th { text-align: right; }
display_name 中证能源 中证材料 中证工业 中证可选 中证消费 中证医药 中证金融 中证信息 中证电信 中证公用 中证民企 A股指数
0 -54.66 5.87 14.03 31.65 41.54 -40.26 -35.30 -0.57 -5.15 33.55 3.75 -4.39
1 -37.98 -18.68 -8.72 0.62 -2.29 67.47 -34.05 28.84 -28.51 -15.38 17.65 -14.92
2 41.86 7.60 -10.35 25.48 49.67 16.18 -3.01 -32.62 -58.74 -5.70 -10.80 5.73
3 18.63 27.04 26.29 25.79 34.68 32.91 24.41 39.36 33.29 17.93 32.82 25.07

数据解读（有瞎猜的成分）¶

该数据的解读分4个部分，即数据的四行，分别代表小跌、大跌、小涨、大涨时各个板块的表现，可以发线一下几个特点：

第一，消费板块跟给力，一直都强与大盘¶

第二，医药版块也不错，但是在大盘弱势的时候，也拖过大盘的后退¶

第三，能源版块基本在拖大盘的后退，只有大盘弱强势时，他就牛逼¶

第四，电信、信息版块波动很大！¶

聲明：本文為入駐FX168財經網人物頻道的作者發布，不代表FX168財經網的觀點。文中觀點僅供參考，投資有風險，入市需謹慎

分享到：
       
举报财经168客户端下载

全部回复

0/140

SCSDV_d

12关注53粉丝47帖子

热门文章最新文章

投稿 您想发表你的观点和看法？

热门标签

原油 黄金 技术分析 市场热点 市场分析 白银 环球财经 美元 经纪商

更多人气分析师

  • 张亦巧

    人气2208文章4145粉丝45

    暂无个人简介信息

  • 张迎妤

    人气1904文章3305粉丝34

    个人专注于行情技术分析，消息面解读剖析，给予您第一时间方向...

  • 指导老师

    人气1864文章4423粉丝52

    暂无个人简介信息

  • 李冉晴

    人气2320文章3821粉丝34

    李冉晴，专业现贷实盘分析师。

  • 梁孟梵

    人气2184文章3177粉丝39

    qq:2294906466 了解群指导添加微信mfmacd

  • 王启蒙现货黄金

    人气320文章3471粉丝8

    本人做分析师以来，并专注于贵金属投资市场，尤其是在现货黄金...

  • 金泰铬J

    人气2328文章3925粉丝51

    投资问答解咨询金泰铬V/信tgtg67即可获取每日的实时资讯、行情...

  • 金算盘

    人气2696文章7761粉丝125

    高级分析师，混过名校，厮杀于股市和期货、证券市场多年，专注...

  • 金帝财神

    人气4760文章8329粉丝119

    本文由资深分析师金帝财神微信：934295330，指导黄金，白银，...
FX168 99期货 瑞财网
FX168财经客户端

FX168财经

FX168财经学院

FX168财经

FX168北美