北向資金能預示大盤漲跌？「附Python源碼」

01 引言

中國證監會於 2014 年和 2016 年分別批准了滬港通和深港通，建立了大陸和香港股市的互聯互通機制，市場通常把滬股通和深股通的合計流入資金稱為北向資金。換句話說，北上資金就是指從香港流入大陸股市的資金，而內地流入香港股市的資金則被稱為南下資金。市場廣 泛認為北向資金是“聰明錢”，會對市場的短期走勢有一定的指示作用，因此本文對該指標進行統計分析，並借鑑華泰金工研量化資產配置7月月報《北向資金走向預示市場短期或震盪》關於北上資金的擇時思路，構建基於北向資金的股市擇時策略，並進行歷史回測。結果表明，北向資金對於判斷滬深 300指數漲跌具有較好的預示作用。

02 數據獲取

本文所使用的指數數據和北上資金數據均來自tushare.pro。如果由於積分受限，可在公眾號後臺回覆“北上資金”獲取相應csv格式數據。

<code>
import
 pandas  
as
 pd
import
 numpy 
as
 np
import
 matplotlib.pyplot 
as
 plt
%matplotlib inline
from
 pylab 
import
 mpl
mpl.rcParams[
'font.sans-serif'
]=[
'SimHei'
]
mpl.rcParams[
'axes.unicode_minus'
]=
False
/<code>

由於tushare對北上資金數據的單次提取有限制（300條/次），需要通過獲取兩個時間週期內的交易日曆，分次提取數據。

<code>
import
 tushare 
as
 ts
token=
'輸入你的token'
pro=ts.pro_api(token)
/<code>

<code> 
def
 
get_cal_date
(start,
end
)
:
    cal_date=pro.trade_cal(exchange=
'' 
, start_date=start, end_date=
end
)
    cal_date=cal_date[cal_date.is_open==
1
]
    dates=cal_date.cal_date.values
    
return
 dates/<code>

定義北向資金數據獲取函數。

<code> 
def get_north_money(
start
,
end
):
     
    dates=get_cal_date(
start
,
end
)
     
    df=pro.moneyflow_hsgt(start_date=
start
, end_date=
end
)
     
    
for
 i 
in
 
range
(
0
,
len
(dates)
-300
,
300
):
        d0=pro.moneyflow_hsgt(start_date=dates[i], end_date=dates[i+
300
])
        df=pd.concat([d0,df])
         
        df=df.drop_duplicates()
        df.index=pd.to_datetime(df.trade_date)
        df=df.sort_index()
    
return
 df/<code>

定義指數數據獲取函數。

<code> 
def
  
get_index_data
(code,start,
end
)
:
    index_df = pro.index_daily(ts_code=code, start_date=start,end_date=
end
)
    index_df.index=pd.to_datetime(index_df.trade_date)
    index_df=index_df.sort_index()
    
return
 index_df/<code>

獲取常用的幾個指數2014-2020期間收盤價數據。

<code> 
 
indexs={
'上證綜指'
: 
'000001.SH'
,
'深證成指'
: 
'399001.SZ'
,
'滬深300'
: 
'000300.SH'
,
       
'創業板指'
: 
'399006.SZ'
,
'上證50'
: 
'000016.SH'
,
'中證500'
: 
'000905.SH'
,
       
'中小板指'
: 
'399005.SZ'
,
'上證180' 
: 
'000010.SH'
}
start=
'20141117'
end
=
'20200812'
/<code>

<code>index_data=pd.DataFrame()
for name,code in indexs.items():
    index_data[name]=get_index_data(code,
start
,
end
)[
'close'
]
/<code>

03 探索性分析

理論上而言，股市的上漲離不開資金的推動，而市場的活躍又會反過來吸引更多資金加入博弈。近年來，北上資金受到市場的關注越來越大，被看作是短期市場風向標，與市場指數存在一定的正向關係。當然理論在現實中不一定成立，所以在利用北上資金構建擇時策略前，有必要先對指數和北上資金的關係進行探索性分析。

<code>#累計收益
(index_data/index_data.iloc[
0
])
.plot
(figsize=(
14
,
6
))
 
plt
.title
(
'A股指數累積收益率\n 2014-2020'
,size=
15
)
plt
.show
()
/<code>

陸股通覆蓋大部分寬基指數成分股，即北向資金可投資的股票池覆蓋了上證 50、滬深 300、中證 500 的絕大多數指數成分股，下面對各大指數的收益率和北上資金進行相關性分析。

<code> 
all_ret=index_data/index_data.shift(1)-1
north_data=get_north_money(
start
,
end
)
 
all_data=all_ret.join(north_data[
'north_money'
],how=
'inner'
)
all_data.rename(
columns
={
'north_money'
:
'北向資金'
},inplace=
True
)
all_data.dropna(inplace=
True
)/<code>

<code>
all_data
.corr
()/<code>

上圖顯示，2014年至2020年8月整個交易期間內，北上資金與各大指數收益率均存在一定的正相關，但相關係數較低，分佈在0.23-0.29之間。由於北上資金相對整個A股市場來說，體量還是比較小的，因此該指標的指示作用可能體現在短期內。下面使用120日的滾動窗口考察下北上資金與指數的相關性。

<code>
all_data
.rolling
(120)
.corr
()
.tail
(9)
/<code>

數據顯示，北上資金與各大指數的滾動窗口120日相關係數均大於0.5，其中滬深300與北上資金相關係數最高（0.7），可見中短期內，北上資金的大小對指數收益率具有一定的指示作用。下面以滬深300指數為例，對二者的散點圖進行迴歸線擬合。圖形再次支持了北上資金與滬深300指數的正相關性。

<code>
import
 
seaborn
 
as
 
sns
plt
.figure
(figsize=(
10
, 
6
))
sns
.regplot
(x=list(all_data[
"北向資金"
][
-120
:]),y=list(all_data[
"滬深300"
][
-120
:]))
plt
.title
(
'滬深300與北向資金擬合迴歸線' 
,size=
15
)
plt
.xlabel
(
'北向資金'
,size=
12
)
plt
.ylabel
(
'滬深300收益率'
,size=
12
)
plt
.show
()/<code>

再來觀察一下滬深300日收益率與北上資金的波動情況，二者具有一定的同步性。

<code>#滬深
300
指數收益率與北向資金
final_data=all_data
[['滬深300','北向資金']]
.dropna()
final_data.plot(secondary_y=
'北向資金'
,figsize=(
12
,
6
))
plt.title(
'滬深300日收益率 VS 北向資金'
,size=
15
)
plt.show()/<code>

<code> 
def
 
cal_rol_cor
(data,period=
30
)
:

    cors=data.rolling(period).corr()
    cors=cors.dropna().iloc[
1
::
2
,
0
]
    cors=cors.reset_index()
    cors=cors.set_index(
'trade_date'
)
    
return
 cors[
'滬深300'
]/<code>

最後從縱向角度考察滬深300收益率與北上資金的相關性。數據顯示，2014年至2020年8月期間，二者相關係數均值為0.33，最大值為0.7。圖形顯示，二者的相關性近年來逐漸走高。

<code>cor=cal_rol_cor(final_data,period=120)
cor.describe()
/<code>

<code>
count
:1236
  
mean
 
:0.335
std
：0
.219
  
min
：
-0
.215
25%：0
.219
  50%：0
.379
75%：0
.525
  
max
：0
.706
/<code>

<code>
cor
.plot
(figsize=(
14
,
6
),label=
'移動120日相關係數'
)
plt
.title
(
'滬深300與北向資金移動120日相關係數'
,size=
15
)
plt
.axhline
(cor.mean(), c=
'r'
,label= 
'相關係數均值=0.33'
)
plt
.legend
(loc=
2
)
plt
.show
()/<code>

04策略實例

從上面的探索性分析發現，北上資金與各大指數中短期內存在一定的正相關性，下面參考華泰金工研報的思路，基於北向資金變動數據構建布林帶擇時策略，並對擇時模型進行回測分析。

策略思路如下：

（1） 當該日北向資金流入規模 > 過去 252 個交易日的北向資金均值 + 1.5 倍標準差， 則全倉買入滬深 300；

（2） 當該日北向資金流入規模 < 過去 252 個交易日的北向資金均值 - 1.5 倍標準差， 則清倉賣出滬深 300；

（3） 以第二天開盤價買入（研報是以收盤價來計量）。

定義策略函數：

<code>
def
 
North_Strategy
(data,window,stdev_n,cost)
:

    
'''輸入參數：
    data:包含北向資金和指數價格數據
    window:移動窗口
    stdev_n:幾倍標準差
    cost:手續費
    ''' 

     
    df=data.copy().dropna()
    df[
'mid'
] = df[
'北向資金'
].rolling(window).mean()
    stdev = df[
'北向資金'
].rolling(window).std()
     
    df[
'upper'
] = df[
'mid'
] + stdev_n * stdev
    df[
'lower'
] = df[
'mid'
] - stdev_n * stdev
    df[
'ret'
]=df.close/df.close.shift(
1
)
-1
    df.dropna(inplace=
True
)

     
     
    df.loc[df[
'北向資金'
]>df.upper, 
'signal'
] = 
1
     
    df.loc[df[
'北向資金'
]'signal'] = 
0
    df[
'position'
]=df[
'signal'
].shift(
1
)
    df[
'position'
].fillna(method=
'ffill'
,inplace=
True
)
    df[
'position'
].fillna(
0
,inplace= 
True
)
     
    df.loc[df.index[
0
], 
'capital_ret'
] = 
0
     
    df.loc[df[
'position'
] > df[
'position'
].shift(
1
), 
'capital_ret'
] = \
                         (df.close/ df.open
-1
) * (
1
- cost) 
     
    df.loc[df[
'position'
] 'position'].shift(
1
), 
'capital_ret'
] = \
                   (df.open / df.close.shift(
1
)
-1
) * (
1
-cost) 
     
    df.loc[df[
'position'
] == df[
'position'
].shift(
1
), 
'capital_ret'
] = \
                        df[
'ret'
] * df[
'position'
]
     
    df[
'策略淨值'
]=(df.capital_ret+
1.0
).cumprod()
    df[
'指數淨值'
]=(df.ret+ 
1.0
).cumprod()
    
return
 df/<code>

受篇幅所限，策略評價指標、可視化函數和主函數代碼省略，完整代碼見知識星球“Python金融量化”上分享（掃描下方二維碼即可加入）。

<code>
def
 
performance
(df)
:

     
pass
/<code>

<code> 
def
 
plot_performance
(df,name)
:

     
pass
/<code>

<code> 
def
 
main
(code=
'000300.SH'
,start= 
'20141117'
,end=
'20200812'
,window=
252
,stdev_n=
1.5
,cost=
0.00
)
:

    
pass
/<code>

首先以滬深300指數進行回測，滾動窗口默認250日，手續費默認為0。回測結果顯示，基於北上資金的擇時策略表現較好，年化收益率17.8%，高於基準的5.3%，最大回撤17%低於基準32%，夏普比率為2.2。

<code>
main
(code=
'000300.SH'
)/<code>

<code>回測標的：滬深300指數
回測期間：20151208—20200812
策略年勝率為：80
.0
%
策略月勝率為：64
.58
%
策略周勝率為：60
.98
%
總收益率：  策略：106
.36
%，滬深300：26
.03
%
年化收益率：策略：17 
.81
%, 滬深300：5
.37
%
最大回撤：  策略：17
.28
%, 滬深300：32
.46
%
策略
Alpha
： 0
.15
, 
Beta
：0
.46
，夏普比率：2
.2
/<code>

考慮到北上資金2016年後才開始備受關注，而且前文的探索性分析也顯示相關性是2016年後逐年攀高，因此將回測起始時間改為2016年，交易手續費設置為1%（有點高）。結果顯示，這一期間（實際上是2017年至今）的擇時策略表現更佳，年化收益率達到24%。

<code>
main
(code=
'000300.SH'
,start=
'20161117'
,cost=
0.01
)
/<code>

<code>回測標的：滬深300指數
回測期間：20171205—20200812
策略年勝率為：50
.0
%
策略月勝率為：65
.52
%
策略周勝率為：61
.86
%
總收益率：  策略：72
.01
%，滬深300：15
.65
%
年化收益率：策略：23
.93
%, 滬深300：5
.92
%
最大回撤：  策略：17
.29
%, 滬深300：32
.46 
%
策略
Alpha
： 0
.21
, 
Beta
：0
.45
，夏普比率：2
.1
/<code>

最後以創業板為標的進行歷史回測，結果顯示，策略效益整體優於基準，與滬深300指數相比，除了年化收益率外，其最大回撤和夏普比率相對差些。

<code>
main
(code=
'399006.SZ'
)
/<code>

<code>回測標的：創業板指指數
回測期間：20151208—20200812
策略年勝率為：80
.0
%
策略月勝率為：54
.17
%
策略周勝率為：54
.88
%
總收益率：  策略：133
.88
%，滬深300：
-3
.75
%
年化收益率：策略：21
.19
%, 滬深300：
-0
.86
%
最大回撤：  策略：37
.17
%, 滬深300：57
.57
%
策略
Alpha
： 0
.22
, 
Beta
：0
.5
，夏普比率：1
.92
/<code>

05 結語

本文對各大指數與北上資金的相關性進行了探索性分析，並借鑑華泰金工研報關於利用北上資金來構建擇時策略的思路，對滬深300和創業板指數進行了歷史回測。回測結果表明，北上資金的流動規模具有一定的實戰指示意義，短期內可用於對對大盤的走向進行研判，同時可用於對指數進行擇時，指導股指期貨交易。本文最後的歷史回測與研報原文並未完全吻合，但策略表現上大同小異，可能與回測環境的配置有關，感興趣的讀者可試試採用回測框架（如backtrader）或量化平臺進行更嚴謹的回測。本文的分析僅供學習參考，不構成任何投資建議！

參考資料：

華泰證券·《北向資金走向預示市場短期或震盪》2020.08

關於Python金融量化

專注於分享Python在金融量化領域的應用。加入知識星球，可以免費獲取量化投資視頻資料、量化金融相關PDF資料、公眾號文章Python完整源碼、量化投資前沿分析框架，與博主直接交流、結識圈內朋友等。