次新股开板投资攻略

次新股简单粗暴的买入策略！

最近一段时间，次新股概念非常火，市场关注度也非常高。前面卢威大神已经发布了关于次新股投资研究的帖子:新股、次新股的投资机会研究 ，总结一下这里面的内容，主要的观点有：

1. 行业对次新股影响比较大

2. 市值较小的次新股往往会带来更高的超额收益

3. 需要和同行业的其他的股票进行横向对比，一字板数量要小于同行业的股票

最近发现国君也发了一篇关于次新股的研报，主要观点和上面会有一些不同，从另外的视角来筛选次新股，个人感觉也挺有借鉴意义，在这里简单实现一下。

国君研报中选次新股的条件有4个，股社区也做了相应的总结：

1. 上市连续涨停<>

2. 同一天开板新股>1个

3. 无分析师覆盖

4. 牛熊分界处于熊市一侧（可以替换为399678低于20日线）

其中同一天开板新股大于1个，主要的观点就是当天有多只股票开板的话，可能不是个股的原因，而是因为大盘的原因，被错杀了。第四个条件中牛熊分界处于熊市一侧也是基于同样的考量。

因为第三个条件没有比较好的数据实现，这里将其他3个选股条件都用上，分析一下最终的结果。

最近一段时间，次新股概念非常火，市场关注度也非常高。前面卢威大神已经发布了关于次新股投资研究的帖子:新股、次新股的投资机会研究 ，总结一下这里面的内容，主要的观点有：

1. 行业对次新股影响比较大

2. 市值较小的次新股往往会带来更高的超额收益

3. 需要和同行业的其他的股票进行横向对比，一字板数量要小于同行业的股票

最近发现国君也发了一篇关于次新股的研报，主要观点和上面会有一些不同，从另外的视角来筛选次新股，个人感觉也挺有借鉴意义，在这里简单实现一下。

国君研报中选次新股的条件有4个，股社区也做了相应的总结：

1. 上市连续涨停<>

2. 同一天开板新股>1个

3. 无分析师覆盖

4. 牛熊分界处于熊市一侧（可以替换为399678低于20日线）

其中同一天开板新股大于1个，主要的观点就是当天有多只股票开板的话，可能不是个股的原因，而是因为大盘的原因，被错杀了。第四个条件中牛熊分界处于熊市一侧也是基于同样的考量。

因为第三个条件没有比较好的数据实现，这里将其他3个选股条件都用上，分析一下最终的结果。

6

1

import seaborn

2

from matplotlib import pylab

3

import matplotlib.pyplot as plt

4

from matplotlib.pyplot import *

5

from CAL.PyCAL import *    # CAL.PyCAL中包含font

6

from datetime import timedelta,datetime,date

查看全部

1. 获取2014年6月以来的新上市的股票

1. 获取2014年6月以来的新上市的股票

7

1

security_listDate = DataAPI.EquGet(equTypeCD=u'A',secID=u'',ticker=u'',listStatusCD=u'',field=u'secID,ticker,secShortName,ListDate',pandas='1')

2

new_equity = security_listDate[(security_listDate['listDate'] > '2014-06-01') &

3

                              (security_listDate['listDate'] '2017-02-20')].reset_index(drop='False')

4

new_equity['month'] = new_equity['listDate'].apply(lambda x : int(x[0:4] + x[5:7]))  # 转换时间格式，方便统计每个月上市的股票

5

new_equity_se = new_equity.groupby('month').size()

6

print new_equity.head()

7

​

查看全部

secID ticker secShortName listDate month0 000166.XSHE 000166 申万宏源 2015-01-26 2015011 001979.XSHE 001979 招商蛇口 2015-12-30 2015122 002724.XSHE 002724 海洋王 2014-11-04 2014113 002726.XSHE 002726 龙大肉食 2014-06-26 2014064 002727.XSHE 002727 一心堂 2014-07-02 201407

2. 每个月上市的股票的数量统计

2. 每个月上市的股票的数量统计

12

1

#下面代码为画图的逻辑： 次新股数量统计

2

fig = plt.figure(figsize=(12, 6))

3

ax1 = fig.add_subplot(111)

4

ax1.bar(range(len(new_equity_se)), new_equity_se.values, align='center',  width=0.5)

5

ax1.set_xlim(-1, len(new_equity_se))

6

​

7

ax1.set_xticks(range(len(new_equity_se)))

8

ax1.set_xticklabels([str(i) for i in new_equity_se.index], fontproperties=font, fontsize=14)

9

plt.setp(plt.gca().get_xticklabels(), rotation=45)

10

ax1.set_title(u'新股上市数量', fontproperties=font, fontsize=16)

11

​

12

​

查看全部

从上图可以看到，2015年股灾结束后，新股发行的速度已经恢复常态。按照这个发行速度，现在还有700多家公司在排队IPO，未来的新股供给量应该会非常充足。

从上图可以看到，2015年股灾结束后，新股发行的速度已经恢复常态。按照这个发行速度，现在还有700多家公司在排队IPO，未来的新股供给量应该会非常充足。

3. 统计新股上市的行业信息

3. 统计新股上市的行业信息

12

1

def get_industry(secID, day):

2

   '''获取行业分类信息'''

3

   industry_df = DataAPI.EquIndustryGet(industryVersionCD=u'010303',secID=secID,ticker=u'',intoDate=day,

4

                          field=u'secID,ticker,secShortName,industryName1,isNew',pandas='1')

5

   industry_df = industry_df[industry_df['isNew']==1]

6

   return industry_df['industryName1'].head(1)

7

​

8

today = date.today().strftime('%Y%m%d')  

9

​

10

# 如果使用上市日期来查询股票行业分类，会有NaN值出现

11

new_equity['industy_name'] = new_equity.apply(lambda x: get_industry(x['secID'], today), axis=1)

12

​

查看全部

14

1

#下面代码为画图的逻辑： 画图展示行业信息

2

​

3

new_equity_industry_se = new_equity.groupby('industy_name').size()

4

​

5

fig = plt.figure(figsize=(12, 6))

6

ax1 = fig.add_subplot(111)

7

ax1.bar(range(len(new_equity_industry_se)), new_equity_industry_se.values, align='center',  width=0.5)

8

ax1.set_xlim(-1, len(new_equity_se))

9

​

10

ax1.set_xticks(range(len(new_equity_industry_se)))

11

ax1.set_xticklabels([i.decode('utf-8') for i in new_equity_industry_se.index], fontproperties=font, fontsize=14)

12

plt.setp(plt.gca().get_xticklabels(), rotation=90)

13

ax1.set_title(u'新股行业分布', fontproperties=font, fontsize=16)

14

​

查看全部

从上图可以看到，化工，机械设备，医药生物还有计算行业的新股比较多，这也吻合这几个行业自身成份股数量较多的特点

从上图可以看到，化工，机械设备，医药生物还有计算行业的新股比较多，这也吻合这几个行业自身成份股数量较多的特点

4. 获取股票的上市时的涨停板的个数

优矿提供了一个API，可以获取新股上市后的涨停板的个数，这个太方便了，自己要是做还是比较麻烦的：MktIpoConTraddaysGet。利用这个API，首先获取每个股票上市有多少个涨停板。

我们需要将一字板大于10天的剔除，这种股票的后续潜力已经很小了。

4. 获取股票的上市时的涨停板的个数

优矿提供了一个API，可以获取新股上市后的涨停板的个数，这个太方便了，自己要是做还是比较麻烦的：MktIpoConTraddaysGet。利用这个API，首先获取每个股票上市有多少个涨停板。

我们需要将一字板大于10天的剔除，这种股票的后续潜力已经很小了。

7

1

def get_uplimt_num(secID):

2

   '''获取新股连续涨停的天数'''

3

   df = DataAPI.MktIpoConTraddaysGet(secID=secID,field=u'continiousTradDays',pandas='1')

4

   return df['continiousTradDays'].head(1)

5

​

6

new_equity['uplimit_num'] = new_equity.apply(lambda x: get_uplimt_num(x['secID']), axis=1)

7

​

查看全部

1

1

print new_equity[new_equity['uplimit_num']1].to_html()

查看全部

	secID	ticker	secShortName	listDate	month	industy_name	uplimit_num
0	000166.XSHE	000166	申万宏源	2015-01-26	201501	非银金融	0.0
1	001979.XSHE	001979	招商蛇口	2015-12-30	201512	房地产	0.0
232	300498.XSHE	300498	温氏股份	2015-11-02	201511	农林牧渔	0.0
355	601155.XSHG	601155	新城控股	2015-12-04	201512	房地产	0.0
605	603998.XSHG	603998	方盛制药	2014-12-05	201412	医药生物	0.0

从上面的统计信息可以看出，有些股票上市第一天就是破板了，这种情况在前一篇帖子已经分析过了，主要原因是因为这些股票不是纯正的新股，这种股票也要剔除。

从上面的统计信息可以看出，有些股票上市第一天就是破板了，这种情况在前一篇帖子已经分析过了，主要原因是因为这些股票不是纯正的新股，这种股票也要剔除。

1

1

new_equity = new_equity[(new_equity['uplimit_num']>0)&(new_equity['uplimit_num']10)]

查看全部

5. 找到新股开板的那一天

前面有上市的时间，还有连续涨停的时间，那么将上市的时间加上连续涨停的天数，即可获取开板的那一天

5. 找到新股开板的那一天

前面有上市的时间，还有连续涨停的时间，那么将上市的时间加上连续涨停的天数，即可获取开板的那一天

27

1

def get_specific_trading_day(date_str='2016-01-04', window=20, direction='forward'):

2

   '''给定日期，可以通过这个函数获取前后N天的那个交易日'''

3

   date = datetime.strptime(date_str, '%Y-%m-%d')

4

   if direction=='back':

5

       begin_day = date - (window+5) * 4 * timedelta(days=1)   # 可以获取冗余的交易日，防止最终取不到有效数据

6

       end_day = date

7

   elif direction=='forward':

8

       begin_day = date

9

       end_day = date + (window+5)  * 4 * timedelta(days=1)

10

       

11

   begin_day_str = begin_day.strftime('%Y-%m-%d')

12

   end_day_str = end_day.strftime('%Y-%m-%d')

13

       

14

   cal_dates = DataAPI.TradeCalGet(exchangeCD=u'XSHG', beginDate=begin_day_str, endDate=end_day_str, field='calendarDate,isOpen')

15

   trading_days = cal_dates[cal_dates['isOpen']==1]['calendarDate'].tolist()

16

   # trading_days = [day[0:4] + day[5:7] + day[8:] for day in trading_days] # 更改日期的格式，将'2014-01-03'转化为'20140103'

17

   try:

18

       if direction=='back':

19

           return trading_days[-window]

20

       return trading_days[window]

21

   except:

22

       print date_str,window,direction

23

       

24

       

25

#开板的那天

26

new_equity['un_limit_day'] = new_equity.apply(lambda x: get_specific_trading_day(x['listDate'], int(x['uplimit_num'])), axis=1)

27

new_equity = new_equity[new_equity['un_limit_day']'2017-02-20'] #加上相应的日期后，可能会有越界的情况

查看全部

6.找到同一天开板的股票数量大于1的股票

6.找到同一天开板的股票数量大于1的股票

5

1

# 找到同一天开板的股票数量大于1的股票

2

​

3

day_count = new_equity.groupby('un_limit_day').size()

4

more_than_one_stock_unlimit = day_count[day_count>1].index # 当天不止一只股票开板的日期

5

new_equity = new_equity[new_equity['un_limit_day'].isin(more_than_one_stock_unlimit)]

查看全部

7. 找到牛熊分界处于熊市一侧的股票

股社区觉得可以替换为399678低于20日线，这个是深次新股指数。这里面要用到优矿的指数因子的API，相当方便啊

7. 找到牛熊分界处于熊市一侧的股票

股社区觉得可以替换为399678低于20日线，这个是深次新股指数。这里面要用到优矿的指数因子的API，相当方便啊

10

1

def get_bear_flag(day):

2

   '''判断是否是熊市一侧，如果399678低于20日线，即可简单认为是熊市'''

3

   day = day.replace('-','')

4

   df = DataAPI.MktIdxFactorOneDayGet(tradeDate=day,secID=u'',ticker=u'399678',field=u'Close,MA20',pandas='1')

5

   if len(df[df['Close'] df['MA20']])>0:

6

       return True

7

   return False

8

​

9

new_equity['is_bear'] = new_equity.apply(lambda x:get_bear_flag(x['un_limit_day']), axis=1)

10

new_equity = new_equity[new_equity['is_bear']]

查看全部

8. 分析超额收益

经过上面几步的筛选，已经得到我们需要的股票池。按照研报的中思路，我们在开板后买入，持有20天，相较于中证500，有24.3%的超额收益！

8. 分析超额收益

经过上面几步的筛选，已经得到我们需要的股票池。按照研报的中思路，我们在开板后买入，持有20天，相较于中证500，有24.3%的超额收益！