python：哈奇计划 harch plan

最新推荐文章于 2026-01-01 15:45:23 发布

原创最新推荐文章于 2026-01-01 15:45:23 发布 · 481 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#python #pandas #哈奇计划

python 专栏收录该内容

302 篇文章

订阅专栏

本文介绍了哈奇计划法，一种趋势投资策略，通过计算股票周平均值和月平均值来判断买卖时机。具体操作是，当月平均值下降10%时卖出，回升10%时买入。提供的Python代码实现了该策略，展示了如何计算周和月平均值及其变化率，并给出了示例数据。

哈奇计划法（Harch Plan Method），又称10％转换法，属于趋势投资计划。
它是以发明人哈奇的名字命名的股票投资方法。
　　哈奇计划法的具体操作：投资者将购进的股票在每周末计算周平均值,并在月底再计算出月平均值。若本月的平均数比最后一次的高价下降10％,则股价有可能出现下跌趋势,投资者便卖出全部股票,而不再购进。等到他卖出股票平均市值,由最低点回升到10％,再行买进。这种方法,也就是当市场趋势发生了10％的反向变动时,便改变投资地位。
　　哈奇实施这种方法不作卖空交易,在实行此种计划的53年中,先后改变了44次地位,所持股票的期限,最短的为3个月,最长的为6年。哈奇在1882年至1936年的54年中,利用这个计划,将其资产由10万元提高到1440万美元。这个计划,直到哈奇逝世后,才被伦敦金融新闻公布。

harch_plan.py

# coding=utf-8
import os, sys
import datetime
import numpy as np
import pandas as pd

# python 按周分组统计：周平均值
if len(sys.argv) ==2:
    scode = sys.argv[1]
else:
    print('usage: python harch_plan.py stockcode ')
    sys.exit(1)

if len(scode) !=6:
    print(' scode is char(6)')
    sys.exit(2)

file1 = "./" +scode +'.csv'
if not os.path.exists(file1):
    print(file1 +' is not exists.')
    sys.exit(3)

# 用pandas读取csv
df = pd.read_csv(file1)
df = df[['date','close']]
df = df[ df['date'] > '2022-01-01']
df.index = pd.to_datetime(df.date)

# 计算周平均值
df_w = df.groupby(df.index.week).mean()
df_w.rename(columns={'close':'w_avg'}, inplace=True)
#print('df_week:', df_w)

# 周平均值
w_avg = np.array(df_w['w_avg'].values)
# Take diff of net values and computing rate of change
diff = np.diff(w_avg)
diff_percentage = 100.0 * np.diff(w_avg) / w_avg[:-1]
# 四舍五入到所需精度的值
diff = np.around(diff,3)
diff_percentage = np.around(diff_percentage,2)
 
# DataFrame 新增2列: diff,percent
df_w['diff'] = np.insert(diff,0,[0.0])
df_w['percent'] = np.insert(diff_percentage,0,[0.0])

print('df_week:\n', df_w)

# 计算月平均值
df_m = df.groupby(df.index.month).mean()
df_m.rename(columns={'close':'m_avg'}, inplace=True)
#print('df_month:', df_m)

# 月平均值
m_avg = np.array(df_m['m_avg'].values)
# Take diff of net values and computing rate of change
diff = np.diff(m_avg)
diff_percentage = 100.0 * np.diff(m_avg) / m_avg[:-1]
# 四舍五入到所需精度的值
diff = np.around(diff,3)
diff_percentage = np.around(diff_percentage,2)

# DataFrame 新增2列: diff,percent
df_m['diff'] = np.insert(diff,0,[0.0])
df_m['percent'] = np.insert(diff_percentage,0,[0.0])

print('df_month:\n', df_m)

python harch_plan.py 000661

df_week:
            w_avg    diff  percent
date
1     265.955000   0.000     0.00
2     262.621000  -3.334    -1.25
3     224.447000 -38.174   -14.54
4     168.785000 -55.662   -24.80
6     164.493000  -4.292    -2.54
7     170.169000   5.676     3.45
8     183.481000  13.312     7.82
9     180.243000  -3.238    -1.76
10    172.103000  -8.140    -4.52
11    175.933000   3.830     2.23
12    172.027000  -3.906    -2.22
13    166.303000  -5.724    -3.33
14    162.608333  -3.695    -2.22
15    158.823000  -3.785    -2.33
16    150.435000  -8.388    -5.28
17    145.051000  -5.384    -3.58
18    154.610000   9.559     6.59
19    155.139000   0.529     0.34
20    151.685000  -3.454    -2.23
21    152.951000   1.266     0.83
22    165.557500  12.607     8.24
23    172.257000   6.700     4.05
24    188.012000  15.755     9.15
25    211.330000  23.318    12.40
df_month:
            m_avg    diff  percent
date
1     228.583421   0.000     0.00
2     173.248125 -55.335   -24.21
3     173.236304  -0.012    -0.01
4     154.038158 -19.198   -11.08
5     154.295000   0.257     0.17
6     188.042059  33.747    21.87