利用Python分析金融交易中的滚动Z值

大家好，在不断演变的证券交易领域，能够利用数据和统计学的力量提供重要的优势。无论是预测未来价格、分析市场趋势，还是简单地评估特定证券的波动性，数据驱动的见解已经改变了交易者对证券市场的处理方式。这就是Z值的用途，它是一种统计指标，可以为交易者提供有关证券的相对优势和定位的宝贵见解。

想象只需通过观察证券的历史价格和波动性，就能够简单地识别出证券何时可能被过度买入或卖出，这正是Z值可以提供的，本文将深入探讨如何利用Python（作为数据分析的强大工具）进行证券交易中的Z值计算和解读。

1.Z值介绍

Z值提供了一个数据点相对于均值的标准差距离的度量。在交易中，这可以帮助我们了解证券当前价格是否在统计上“正常”，或者是否为异常值。

如同表示正态分布的钟形曲线，大多数证券价格（假设它们服从正态分布，这是一个很大的假设，实际交易中通常并非如此）将位于中间附近。那些位于尾部，超出一定Z值（如1.5或-1.5）的证券，才会引起我们的兴趣。

Z值公式：这是一个数学表示，详细说明了如何使用总体标准差对偏离均值的程度进行标准化。对于希望将证券价格相对于历史数据量化的交易者来说，这个方程式至关重要。

其中：

• Z是Z值。

• X是数据点的值。

• μ是数据的平均值。

• σ是标准差。

通过以Z值的视角分析股票价格，交易者可以识别潜在的买入/卖出机会。明显高于1.5的Z值可能表明该证券相对于其历史平均价格被高估，而明显低于-1.5的Z值可能表明相反情况。

2.获取数据和初步设置

在深入研究之前，装备正确的工具是至关重要的。通过导入相关的Python库，如用于获取证券数据的yfinance和用于可视化的matplotlib，可以确保一个顺利的开始。

import yfinance as yf
import pandas as pd
import matplotlib.pyplot as plt

为了评估证券的异常情况，接下来将目标锁定在一只特定的证券上——为了演示的目的，本文选择了“ASML.AS”。然后，我们使用yfinance库获取历史数据。

tickerSymbol = "ASML.AS"
tickerData = yf.Ticker(tickerSymbol)
tickerDf = tickerData.history(period='1d', start='2020-1-1', end='2023-12-25')

3.计算Z值

本文分析的核心是Z值公式，它有助于评估证券价格相对于其历史的“偏离程度”。针对多个滚动期来计算这个值，以捕捉短期和长期的异常情况。

rolling_mean = close_prices.rolling(window=period).mean()
rolling_std = close_prices.rolling(window=period).std()
z_scores = (close_prices - rolling_mean) / rolling_std

4. 使用信号可视化偏离

通过将滚动Z值与证券价格绘制在一起，我们可以了解证券行为“正常”的时间以及何时可能出现异常情况。特别是Z值超过±1.5的区域，这种视觉线索对于交易者非常重要。可以随意更改Z值的阈值。

import yfinance as yf
import pandas as pd
import matplotlib.pyplot as plt

# 常量
Z_THRESH = 2
PERIODS = [30, 60, 90]
TICKER_SYMBOL = "ASML.AS"
START_DATE = '2020-1-1'
END_DATE = '2023-12-25'


def fetch_data(ticker_symbol, start_date, end_date):
    """Fetches historical data for a given ticker symbol."""
    ticker_data = yf.Ticker(ticker_symbol)
    return ticker_data.history(period='1d', start=start_date, end=end_date)

def calculate_z_scores(close_prices, periods):
    """Calculates Z-scores for given periods."""
    z_scores_dict = {}
    for period in periods:
        # 计算给定周期的滚动平均值
        rolling_mean = close_prices.rolling(window=period).mean()      
        # 计算给定周期的滚动标准差
        rolling_std = close_prices.rolling(window=period).std()       
        # 计算收盘价的Z值
        z_scores = (close_prices - rolling_mean) / rolling_std      
        # 将Z值存储在以周期为关键字的字典中
        z_scores_dict[period] = z_scores
    return z_scores_dict

def plot_data(close_prices, z_scores_data):
    """Plots close prices and z-scores."""   
    
    # 为收盘价和Z值创建子图
    fig, (ax1, ax2) = plt.subplots(2, sharex=True, figsize=(20, 8))   
    
    # 在第一个子图上绘制收盘价
    ax1.plot(close_prices.index, close_prices, label='Close Prices')
    for period, z_scores in z_scores_data.items():
        # 在第二个子图上绘制每个时期的Z值
        ax2.plot(z_scores.index, z_scores, label=f'Z-Scores {period} days', alpha=0.7)       
        # 如果周期是列表中的第一个，则在第一个子图上绘制买入/卖出信号
        if period == PERIODS[0]:
            buy_signals = (z_scores < -Z_THRESH)
            sell_signals = (z_scores > Z_THRESH)
            ax1.plot(close_prices[buy_signals].index, close_prices[buy_signals], 'o', color='g', label='Buy Signal')
            ax1.plot(close_prices[sell_signals].index, close_prices[sell_signals], 'o', color='r', label='Sell Signal')
    # 为收盘价子图设置y标签和图例
    ax1.set_ylabel('Close Prices')
    ax1.legend(loc="upper left")
    ax1.grid(True)
    
    # 在Z值子图上绘制表示Z值阈值的水平线
    ax2.axhline(-Z_THRESH, color='red', linestyle='--')
    ax2.axhline(Z_THRESH, color='red', linestyle='--')   
    # 设置Z值子图的Y标签和图例
    ax2.set_ylabel('Z-Scores')
    ax2.legend(loc="upper left")
    ax2.grid(True)

    # 为整个绘图设置主标题
    plt.suptitle(f'{TICKER_SYMBOL} Close Prices and Z-Scores {Z_THRESH} Treshold')
    # 显示图表
    plt.show()

# 获取股票代码的历史数据
ticker_data = fetch_data(TICKER_SYMBOL, START_DATE, END_DATE)

# 计算指定时期的Z值
z_scores_data = calculate_z_scores(ticker_data['Close'], PERIODS)

# 绘制收盘价和Z值
plot_data(ticker_data['Close'], z_scores_data)

ASML.AS证券价格的变化与30天、60天和90天滚动Z值并列，绿色和红色标记分别表示基于Z值阈值的潜在买入和卖出点。

虽然Z值提供了一种数学方法来进行证券分析，但最重要的是要记住交易涉及众多因素。Z值可以是工具箱的一部分，但一定要将统计见解与全面的市场研究相结合。