由于数据获取容量上限为3000，时间跨度不宜太长。我们的研究时间跨度为2018.6.1~2019.6.1。篇幅所限，以下所有数据结果均展示最后5行。

#导入模块
from jqdata import *
import datetime as dt
import matplotlib.pyplot as plt
%matplotlib inline
import pandas as pd
import numpy as np
import random
import warnings
warnings.filterwarnings('ignore')

限售解禁的原因很多，不同的解禁类型对应不同类型的股东，这些股东对公司信息的掌握情况不同，故解禁类型是我们关注的一个方面。不妨先看一下各种解禁类型的数量统计情况。

#定义起始和终止日期
date1 = dt.date(2018,6,1)
date2 = dt.date(2019,6,1)
#NewMarketableSharesSource:解禁原因的文字说明
#SourceType:解禁原因代码
q = query(
          jy.LC_SharesFloatingSchedule.SourceType,
          jy.LC_SharesFloatingSchedule.NewMarketableSharesSource
         ).filter(jy.LC_SharesFloatingSchedule.StartDateForFloating>=date1,
                  jy.LC_SharesFloatingSchedule.StartDateForFloating<date2)
release = jy.run_query(q)
#展示最后5行
release.tail()

#统计各种解禁类型的占比
(release.groupby('NewMarketableSharesSource').count()/len(release)).applymap(lambda x: format(x, '.1%'))

在2141行数据中，“发行前股份限售流通”、“增发A股法人配售上市”和“股权激励限售流通”是占比前三的解禁类型，总占比近85%。因此，这3种解禁类型是我们研究的重点。又因为股票的解禁数量与未来的抛售压力直接相关，自然我们关注的另一个方面是解禁规模的大小。我们用当期解禁数量占解禁前流通数量的比例（以下简称“解禁比例”）来描述这一指标。下面获取上述3种解禁类型的明细数据，字段包括公司代码、解禁日期、解禁比例和解禁类型。

#研究3种类型的限售解禁（24-增发A股法人配售上市，80-股权激励限售流通，82-发行前股份限售流通）
types = [82,24,80]
#CompanyCode:公司代码
#StartDateForFloating:解禁日期
#Proportion1:本次解禁数量占上期末已流通数量比例（%）
q = query(
          jy.LC_SharesFloatingSchedule.CompanyCode,
          jy.LC_SharesFloatingSchedule.StartDateForFloating,
          jy.LC_SharesFloatingSchedule.Proportion1,
          jy.LC_SharesFloatingSchedule.SourceType,
         ).filter(jy.LC_SharesFloatingSchedule.StartDateForFloating>=date1,
                  jy.LC_SharesFloatingSchedule.StartDateForFloating<date2,
                  jy.LC_SharesFloatingSchedule.SourceType.in_(types),
                 ).order_by(jy.LC_SharesFloatingSchedule.StartDateForFloating)
unbanned = jy.run_query(q)
#对解禁比例（%）保留两位小数
round(unbanned.tail(),2)

以上第1列‘CompanyCode’并非是我们常用的证券代码。为了便于研究，需要将它们转化为证券代码，方法是通过关联聚源数据的SecuMain表来实现。于是定义代码转换函数如下：

#定义函数：将公司代码转化为证券代码
def com2sec(code):
    #若在任一张表中查不到数据，则返回空值nan
    symbol = np.nan
    #获取含有公司代码code的SecuMain表
    q = query(
              jy.SecuMain.CompanyCode,
              jy.SecuMain.SecuAbbr).filter(jy.SecuMain.CompanyCode==code)
    df1 = jy.run_query(q)
    #先判断SecuMain表是否为空
    if not df1.empty:
        #获取公司代码对应的证券简称，SecuMain表中的名称中有空格，需去除
        name = df1.iloc[0,1].replace(' ','')
        df2 = get_all_securities()
        if (df2['display_name']==name).any():
            symbol = df2[df2['display_name']==name].index[0]
    return symbol

调用代码转换函数，将公司代码转换为证券代码：

unbanned['CompanyCode'] = unbanned['CompanyCode'].map(com2sec)
#‘CompanyCode’一列可能包含空值，故去除所有空值所在行
unbanned = unbanned.dropna()

因为不同板块的参照基准不同，我们还想通过个股的证券代码得到它对应的基准指数，于是定义基准获取函数如下：

def ref(stock):
    #深圳主板证券代码前3位是000，基准指数为深证成指399001
    if stock[0:3]=='000':
        reference = '399001.XSHE'
    #中小板证券代码前3位是002，基准指数为中小板指399005
    elif stock[0:3]=='002':
        reference = '399005.XSHE'
    #创业板证券代码前3位是300，基准指数为创业板指399006
    elif stock[0:3]=='300':
        reference = '399006.XSHE'
    #上海主板证券代码首位是6，基准指数为上证综指000001
    elif stock[0]=='6':
        reference = '000001.XSHG'
    #其它情形的比较基准设为沪深300指数000300
    else:
        reference = '000300.XSHG'
    return reference

通过调用基准获取函数，在unbanned中新增一列‘reference’来记录个股对应的基准指数：

unbanned['reference'] = unbanned['CompanyCode'].map(ref)

再来考虑“解禁比例”的数据处理。首先绘制“Proportion1”的累计分布直方图：

plt.xlabel('Proportion(%)',fontdict={'family':'Times New Roman','size':16})
plt.ylabel('Frequency',fontdict={'family':'Times New Roman','size':16})
plt.xlim(0,200)
plt.yticks(fontsize=13)
plt.xticks(range(0,210,25),fontsize=13)
plt.grid(linestyle='--',linewidth=1,axis='y')
plt.hist(unbanned['Proportion1'],bins=40,normed=True,cumulative=True,\
         align= 'mid',facecolor="yellow",edgecolor="black",alpha=0.7)
plt.show()

从上图中看出，解禁比例25%以下的数据最集中，故25%可近似认为是解禁比例的重要分水岭。因而我们以25%为分界线，将“解禁比例”划分为2个区间状态：“小于25%”和“大于25%”，分别命名为“25-”和“25+”，再将“解禁比例”的数值转换为对应的区间状态。为此，定义状态转换函数如下：

def val2sta(value):
    if value<25:
        status = '25-'
    else:
        status = '25+'
    return status

调用状态转换函数将‘Proportion1’一列转化为区间状态：

unbanned['Proportion1'] = unbanned['Proportion1'].map(val2sta)

对于‘StartDateForFloating’一列的数据，删除时间部分，保留日期部分：

unbanned['StartDateForFloating']=unbanned['StartDateForFloating'].map(lambda x: str(x).split(' ')[0])

最后，为方便引用，我们对各列重新命名：

unbanned.rename(columns={'CompanyCode':'security',\
                         'StartDateForFloating':'date',\
                         'Proportion1':'proportion',\
                         'SourceType':'type'},\
                inplace=True)

为规避次新股行情对股价走势的影响，我们过滤掉上市短于1年的股票：

#过滤次新股
for i in unbanned.index:
    #获取证券代码
    security = unbanned.loc[i,'security']
    #获取解禁日期（字符串类型）
    release_date = unbanned.loc[i,'date']
    #将解禁日期先转化为日期时间类型，再转为日期类型
    release_date = dt.datetime.strptime(release_date,'%Y-%m-%d').date()
    #获取证券的上市日期（日期类型）
    list_date = get_security_info(security).start_date
    #上市不超过1年，则置证券代码为空值
    if release_date-list_date<dt.timedelta(365):
        unbanned.loc[i,'security']=np.nan
unbanned = unbanned.dropna()

至此，得到的数据展示如下：

unbanned.tail()

我们下一步是计算股票在解禁前后的绝对涨幅和相对涨幅（比较基准为板块指数）。我们的思路是：以解禁日后第10个交易日为期末日期，取前20个交易日个股和基准指数的收盘价进行处理。为获取某交易日后第10个交易日的日期，定义如下日期获取函数：

#获取以date为起始日的第n个交易日期，n默认为10
def later(date,n=10):
    #将字符串型转化为日期时间型
    date1= dt.datetime.strptime(date,'%Y-%m-%d')
    #确定起始日期
    start = date1
    #确定终止日期。自然日的范围要覆盖10个交易日，此处取自然日间隔为n+20
    end = date1 + dt.timedelta(n+20)
    #获取连续n+10个交易日的交易日期
    days = get_trade_days(start,end)
    #返回第n个交易日的日期
    date2 = dt.datetime.strftime(days[n-1],'%Y-%m-%d')
    return date2

例如，从‘2019-05-06’开始的第10个交易日为‘2019-05-17’:

later('2019-05-06')

'2019-05-17'

我们在unbanned中新增4列：‘absolute1’、‘absolute2’、‘relative1’和‘relative2’，分别记录解禁前10日的绝对涨幅、解禁后10日的绝对涨幅、解禁前10日的相对涨幅和解禁后10日的相对涨幅。

#定义解禁日期前后的时间窗口
n = 10
#遍历unbanned所有行索引
for i in unbanned.index:
    #获取证券代码
    security = unbanned.loc[i,'security']
    #获取基准指数
    reference = unbanned.loc[i,'reference']
    #获取解禁日期
    date = unbanned.loc[i,'date']
    #获取解禁后第10个交易日期
    end = later(date)
    #获取股票和指数在解禁前后10天的收盘价（共20天）
    panel = get_price([security,reference],count=2*n,end_date=end,fields=['close'])
    #记录股票解禁10天前的绝对涨幅
    unbanned.loc[i,'absolute1'] = panel['close'][security][n-1]/panel['close'][security][0]-1
    #记录股票解禁10天后的绝对涨幅
    unbanned.loc[i,'absolute2'] = panel['close'][security][-1]/panel['close'][security][-n]-1
    #记录指数解禁10天前的涨幅
    unbanned.loc[i,'ref_ret1'] = panel['close'][reference][n-1]/panel['close'][reference][0]-1
    #记录指数解禁10天后的涨幅
    unbanned.loc[i,'ref_ret2'] = panel['close'][reference][-1]/panel['close'][reference][-n]-1
#循环结束
#新增一列‘relative1’记录股票解禁10天前的相对涨幅
unbanned['relative1'] = unbanned['absolute1']-unbanned['ref_ret1']
#新增一列‘relative2’记录股票解禁10天前的相对涨幅
unbanned['relative2'] = unbanned['absolute2']-unbanned['ref_ret2']

#展示最后5行数据（格式化显示为百分数，下同）
unbanned[['absolute1','absolute2','relative1','relative2','ref_ret1','ref_ret2']]\
.applymap(lambda x: format(x, '.1%')).tail()

首先来看股价在解禁前后的平均涨幅：

unbanned.groupby(['proportion','type'])[['absolute1','absolute2','relative1','relative2']]\
.mean().applymap(lambda x: format(x, '.1%')).tail()

从上图中我们可以得到3个结论：1、无论是绝对涨幅还是相对涨幅，解禁后比解禁前都有显著提高。2、解禁比例25-的涨幅高于解禁比例25+的同期涨幅。3、不同解禁类型的涨幅无明显差异。

#每种情形下，解禁后绝对涨幅大于解禁前绝对涨幅的比例
condition = unbanned['absolute2']>unbanned['absolute1']
df1 = unbanned[condition].groupby(['proportion','type'])[['security']].count() 
df2 = unbanned.groupby(['proportion','type'])[['security']].count()
(df1/df2).applymap(lambda x: format(x, '.1%')).tail()

#每种情形下，解禁后相对涨幅大于解禁前相对涨幅的比例
condition = unbanned['relative2']>unbanned['relative1']
df1 = unbanned[condition].groupby(['proportion','type'])[['security']].count() 
df2 = unbanned.groupby(['proportion','type'])[['security']].count()
(df1/df2).applymap(lambda x: format(x, '.1%')).tail()

通过两类解禁比例和三种解禁类型下的分类汇总，我们还能看出：解禁后股价表现强于解禁前的概率不低于55%，利空释放效应比较明显。根据结论1不难得到推论：如果股票解禁前的涨幅大于0，则预期股票解禁后的涨幅也大于0。而根据结论2，我们可以将投资范围局限于更强势的股票，即解禁比例小于25的股票。于是，我们可以在解禁日当天买入之前涨幅大于0且解禁比例小于25的股票，持有10天后抛售。

策略1：在解禁日等金额买入解禁前10日绝对涨幅大于0,且解禁比例小于25的股票，10个交易日后平仓。

#确定数据筛选条件：解禁比例小于25且解禁前绝对涨幅大于0
conditon = (unbanned['proportion']=='25-')&(unbanned['absolute1']>0)
#计算策略1单个事件的平均年化收益率（假设一年240个交易日）
print(format(unbanned[conditon]['absolute2'].mean()*24,'.1%'))

-12.1%

结果显示，单个事件的年化平均收益为-12.1%。收益为负的结果似乎与我们之前的结论矛盾。究其原因，应该跟同期的指数表现相关。我们通过计算同期指数收益来验证这个判断：

#计算指数的同期平均年化收益率
print(format(unbanned[conditon]['ref_ret2'].mean()*24,'.1%'))

-21.7%

可以看到，指数的同期平均年化收益率为-21.7%，显著弱势于同期个股，说明个股表现受到了指数的拖累，而事件释放效应不足以抵消市场环境的影响。但是换个角度，单个事件的平均收益率高于同期指数，给了我们获取相对收益的机会，继而派生出相对收益策略。

策略2：在解禁日等金额买入解禁前10日绝对涨幅大于0，且解禁比例小于25的股票，并按对冲比例1：1做空对应指数，10个交易日后平仓。

#计算策略2单个事件的平均年化收益率（假设一年240个交易日）
print(format(unbanned[conditon]['relative2'].mean()*24,'.1%'))

9.6%

策略2的平均年化收益为9.6%。策略2是一个有显著正回报的策略，但在实际操作中其仍存在局限性。因为我们的收益计算基于4个假设：1、无交易成本；2、指数可做空；3、可实现完全对冲；4、以收盘价开平仓。假设1会使实际收益略有降低。对于假设2和假设3，现实中难以找到相关指数的完美替代品，一种选择是做空股指期货，但期指合约标的有限（只有沪深300，上证50和中证500），且期价与现价走势有差异，难以做到完全对冲，期货保证金的占用也间接降低期望收益。对于假设4，由于当前采用集合竞价机制确定收盘价，也有无法成交或不能以理论价格成交的风险。

	SourceType
NewMarketableSharesSource
A股发行法人配售上市	0.0%
其他	0.1%
发行前股份限售流通	23.8%
增发A股原股东配售上市	11.3%
增发A股法人配售上市	35.9%
延长限售锁定期流通	2.0%
股权分置股东增持股份上市	0.0%
股权分置限售流通	1.4%
股权激励限售流通	25.0%
配股限售流通	0.3%

	CompanyCode	StartDateForFloating	Proportion1	SourceType
1807	3955	2019-05-31	8.99	24
1808	75210	2019-05-31	0.24	80
1809	78120	2019-05-31	2.07	24
1810	170454	2019-05-31	377.54	82
1811	178293	2019-05-31	97.20	82

	absolute1	absolute2	relative1	relative2	ref_ret1	ref_ret2
1807	-26.0%	11.5%	-24.9%	12.6%	-1.2%	-1.1%
1808	-14.5%	4.9%	-13.3%	6.0%	-1.2%	-1.1%
1809	-5.4%	-4.8%	-4.2%	-3.7%	-1.2%	-1.1%
1810	-1.0%	-3.7%	0.2%	-2.7%	-1.2%	-1.1%
1811	0.0%	-5.5%	1.2%	-4.4%	-1.2%	-1.1%

		absolute1	absolute2	relative1	relative2
proportion	type
25+	24	-3.5%	-0.9%	-2.6%	-0.4%
82	-5.2%	-1.1%	-3.8%	-0.4%
25-	24	-2.3%	-0.1%	-1.1%	0.5%
80	-2.4%	-0.7%	-0.5%	0.5%
82	-2.1%	-0.3%	-0.5%	0.3%

	SourceType	NewMarketableSharesSource
2136	24	增发A股法人配售上市
2137	80	股权激励限售流通
2138	24	增发A股法人配售上市
2139	82	发行前股份限售流通
2140	82	发行前股份限售流通

	security	date	proportion	type	reference
1807	002077.XSHE	2019-05-31	25-	24	399005.XSHE
1808	002467.XSHE	2019-05-31	25-	80	399005.XSHE
1809	002591.XSHE	2019-05-31	25-	24	399005.XSHE
1810	002752.XSHE	2019-05-31	25+	82	399005.XSHE
1811	002800.XSHE	2019-05-31	25+	82	399005.XSHE

		security
proportion	type
25+	24	55.2%
82	61.0%
25-	24	55.7%
80	55.0%
82	55.0%

		security
proportion	type
25+	24	59.5%
82	61.0%
25-	24	58.7%
80	55.2%
82	57.4%

量化交易吧 / 数理科学 帖子：3353187 新帖：0

事件驱动策略之“限售股解禁”

有事您说话发表于：7 月 9 日 16：00回复(1)

全部回复

0/140

粉丝:733

帖子数:0

粉丝:555

帖子数:3

粉丝:708

帖子数:7

量化课程

热门标签

删除回复

确认要删除这篇文章么？

举报用户

信息提示

该文章已删除

设置置顶

完成设置【置顶】！

设置置顶

已取消设置【置顶】！

设置精华

完成设置【精华】！

设置精华

已取消设置【精华】！

审核信息

该文章已审核通过

审核信息

您已设置该文章审核不通过

举报成功

您已举报成功

用户登录

移动帖子

创建私信

屏蔽提示

确认要屏蔽该用户么？

屏蔽回复

您已对该用户实现屏蔽

信息回复

已发送成功

量化交易吧 / 数理科学帖子：3353187 新帖：0