如何编程筛选出走势和大盘不一样的股票

发布时间:2026-11-22 16:04阅读:5743评论:0

为什么要在意“和大盘不一样”的股票

大盘一涨,大部分股票跟着涨,这叫联动。大盘一跌,大部分股票跟着跌,这叫系统性风险。可总有些股票,大盘跌它横盘,大盘涨它不跟,走自己的节奏。这种独立走势的股票,要么有资金锁仓,要么基本面逻辑独立,要么就是被市场短暂忽略。对于做股票和期货的人来说,找到这类品种,等于避开了大盘的拖累,拿到了纯粹由个股逻辑驱动的收益。

编程筛选的核心思路不复杂:把每只股票的历史涨跌和大盘指数的历史涨跌放在一起比,算一个相关系数。相关系数越低,说明这只股票越不跟大盘走。再叠加一些过滤条件,就能筛出一批候选池。

如何编程筛选出走势和大盘不一样的股票

先搞数据 免费的就够用

写代码之前得有数据。日线级别的行情,用akshare或者tushare都能免费拉。akshare不用注册,直接装库就能用。需要的数据有两类:一是大盘指数日线,比如上证指数、沪深300或者中证500;二是个股日线,至少取过去120个交易日的收盘价和成交额。

安装依赖很简单:


pip install akshare pandas numpy

拉数据的代码长这样:


import akshare as ak

import pandas as pd

import numpy as np

# 拉沪深300指数日线

index_df = ak.stock_zh_index_daily(symbol="sh000300")

index_df = index_df[['date', 'close']].tail(120).copy()

index_df['index_ret'] = index_df['close'].pct_change()

# 拉个股列表,这里用沪深300成分股做示例

stock_list = ak.index_stock_cons(symbol="000300")

codes = stock_list['品种代码'].tolist()[:50]  # 先取50只跑通流程

拿到指数收益率序列之后,逐只拉个股数据,对齐日期,算个股每日收益率。注意日期要对齐,停牌的日子得剔掉,不然相关系数会失真。

相关系数怎么算 大白话讲清楚

相关系数的取值范围是-1到1。越接近1,说明两只股票涨跌节奏越同步;越接近0,说明各走各的;负数说明反向走。我们想要的是接近0甚至负数的品种。

用pandas算很简单:


stock_df = ak.stock_zh_a_hist(symbol=code, period="daily", start_date="20240101", end_date="20240630")

stock_df['stock_ret'] = stock_df['收盘'].pct_change()

merged = pd.merge(index_df[['date', 'index_ret']], stock_df[['日期', 'stock_ret']], left_on='date', right_on='日期')

corr = merged['index_ret'].corr(merged['stock_ret'])

算完每只股票的相关系数,升序排列,排在前面的就是和大盘联动最弱的。

只看相关系数还不够,得加两个过滤条件。一是成交额,日均成交额低于5000万的直接扔掉,流动性太差进出都麻烦。二是趋势强度,过去60个交易日累计涨幅为正,且跑赢大盘超过10个百分点,说明它不是单纯趴着不动,而是有独立向上的动力。这两个条件一卡,剩下的才是真有意义的“不一样”。


avg_amount = stock_df['成交额'].tail(60).mean()

cum_ret_stock = (1 + stock_df['stock_ret'].tail(60)).prod() - 1

cum_ret_index = (1 + index_df['index_ret'].tail(60)).prod() - 1

excess = cum_ret_stock - cum_ret_index

if avg_amount > 5e7 and excess > 0.1 and corr < 0.4:

    print(code, corr, excess)

期货也能用同一套逻辑

期货品种和股票指数之间同样可以算相关性。螺纹钢、铜、原油这些品种,受宏观预期和情绪影响,有时候和股指同涨同跌,有时候完全脱钩。做商品期货的人,如果想找和股市逻辑无关的品种,把上面的指数换成上证指数,把个股换成期货主力连续合约,跑一遍相关系数,就能筛出和股市不联动的商品。

期货数据用akshare也能拉:


fut_df = ak.futures_main_sina(symbol="RB0")

fut_df['fut_ret'] = fut_df['收盘价'].pct_change()

算出来的相关系数如果长期低于0.2,说明这个商品期货的驱动因素和股市基本无关,配置的时候可以起到分散风险的作用。

几个容易踩的坑

第一,时间窗口别太短。用20天算相关系数,噪音太大,今天算出来0.1,过一周可能变0.6。至少用60到120个交易日,结论才稳。

第二,别忽略行业集中度。筛出来的股票如果全是同一个行业,那说明不是个股独立,而是行业独立。把行业标签拉出来看一眼,分散到不同行业才有意义。

第三,相关系数低不代表一定涨。它只说明这只股票不跟大盘同步,可能走独立上涨,也可能走独立下跌。加上趋势过滤和成交额过滤,就是为了把独立下跌的品种剔掉。

第四,数据要复权。用不复权的价格算收益率,遇到除权除息那天会出现假暴跌,相关系数直接算歪。akshare的stock_zh_a_hist默认给的是不复权数据,得手动调成前复权,或者用pct_change之前先做复权处理。

筛完之后怎么用

得到一批低相关、有超额、流动性够的股票之后,不是闭眼买。这批票的价值在于:当大盘下跌的时候,它们抗跌的概率更高;当大盘震荡的时候,它们走独立行情的概率更大。把这些票放进自选池,结合基本面催化剂或者技术面突破信号,再决定具体买点。期货那边同理,低相关的商品期货适合做组合里的对冲腿或者独立趋势跟踪。

编程筛选只是把范围从五千只压缩到几十只,剩下的判断还得靠人对逻辑的理解。工具负责效率,人负责决策。

上一篇股票总市值和总资产到底有什么区别?散户搞懂才能不踩坑如何用Python控制同花顺自动下单买卖股票和期货下一篇
联系管理员
联系管理员