股票价格是随机漫步游走的吗？

2024年2月12日 369点热度 0人点赞 0条评论

股票价格是否是随机的是一个一直处于争论中的话题。我曾经和身边的朋友就这个问题谈过看法，多数倾向于股票价格中有某种规律可循，不是随机的，但我的观点可能稍有不同。我的看法是，就股票价格，即开高收低这四个价格本身的分布而言，特征是随机的，但股票的长期趋势有内生规律可循，而所谓的规律，并不是价格这个简单的因子能够解释的，而是基于一些更宏观的因素，比如经济周期，企业基本面，以及地缘或其他周期性因素的影响。

在交易策略算法的研究中，经常会使用蒙特卡洛式的算法进行大量的数据生成，模拟与回归。就这个问题，我曾经写过一个简单的模拟股票价格K线的工具函数，在这里分享一下。

贴代码之前，首先说明一下这个函数的实现逻辑：

从对股票市场的长期统计数据来看，收益率这个序列符合正态分布。基于此，我们定义一个初始价格，设定一些约束参数，比如需要考虑张跌停板的限制，后续生成符合正态分布的收益率序列以反算对应的K线价格。下面是代码实现：

import numpy as np
import random
from pandas import DataFrame
from datetime import datetime, timedelta

def fake_klines(
    initial_date: datetime,
    initial_close: float,
    num: int,
    precision: int = 2,
    constraint: float = 0.1,
    mean: float = 0,
    std_dev: float = 0.03,
    volume_range: tuple[float, float] = (8000, 10000),
    drop_weekend: bool = True,
) -> DataFrame:
    """
    随机K线生成器

    Args:
    -----
        - initial_date (datetime): 初始日期
        - initial_close (float): 初始收盘价格
        - num (int): 需要生成的K线根数
        - precision (int, optional): 价格精度. Defaults to 2.
        - constraint (float, optional): 涨跌停约束条件. Defaults to 0.1.
        - mean (float, optional): 收益序列均值. Defaults to 0.
        - std_dev (float, optional): 收益率序列标准差. Defaults to 0.03.
        - volume_range (tuple[float, float], optional): 成交量取值范围. Defaults to (8000, 10000).
        - drop_weekend (bool, optional): 日期生成是否不包含周六周日. Defaults to True.

    Returns:
    --------
        DataFrame: K线数据帧
    """

    close = initial_close
    df = DataFrame(columns=["datetime", "open", "high", "low", "close", "volume"])
    i = 0
    bars = 0

    while bars < num:
        today = initial_date + timedelta(days=i)

        if drop_weekend and (today.weekday() == 5 or today.weekday() == 6):
            i += 1
            continue

        random_pcts = np.clip(
            np.random.normal(
                mean, std_dev, 4
            ),
            -1 * constraint,
            constraint
        ).tolist()

        high_pct = max(random_pcts)
        low_pct = min(random_pcts)
        random_pcts.remove(high_pct)
        random_pcts.remove(low_pct)

        df.loc[bars] = [
            today,
            round(close * (1 + random_pcts[0]), precision),
            round(close * (1 + high_pct), precision),
            round(close * (1 + low_pct), precision),
            round(close * (1 + random_pcts[1]), precision),
            random.randint(volume_range[0], volume_range[1]),
        ]
        close = df.loc[bars, "close"]

        i += 1
        bars += 1

    return df

该函数返回一个收益率序列符合均值为mean，标准差为std_dev的K线数据帧。我们以均值为0，标准差为0.03即3%为默认参数，生成5000根K线，其对应的图表如下图所示：

上面的图表看起来是不是和真实的股票走势非常像？如果告诉您这就是一只股票的真实走势，我想多数人并不会怀疑吧，而这的的确确是用随机数生成的假数据。

在fake_klines函数的参数中，mean参数和std_dev参数决定了所生成K线图表的趋势与波动程度，这很好理解，均值mean为正，那么走势一定是长期向上的，为负则为长期下跌趋势；std_dev参数是数据的离散参数，标准差越高，数据的波动就越大。在实际使用这个函数的时候，可以根据需要调整参数设置。下面贴几张上涨趋势和下跌趋势的参数图表：