01 引言
中国证监会于 2014 年和 2016 年分别批准了沪港通和深港通，建立了大陆和香港股市的互联互通机制，市场通常把沪股通和深股通的合计流入资金称为北向资金。换句话说，北上资金就是指从香港流入大陆股市的资金，而内地流入香港股市的资金则被称为南下资金。市场广 泛认为北向资金是“聪明钱”，会对市场的短期走势有一定的指示作用，因此本文对该指标进行统计分析，并借鉴华泰金工研量化资产配置7月月报《北向资金走向预示市场短期或震荡》关于北上资金的择时思路，构建基于北向资金的股市择时策略，并进行历史回测。结果表明，北向资金对于判断沪深 300指数涨跌具有较好的预示作用。
02 数据获取
本文所使用的指数数据和北上资金数据均来自tushare.pro。如果由于积分受限，可在公众号后台回复“北上资金”获取相应csv格式数据。
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline
from pylab import mpl
mpl.rcParams['font.sans-serif']=['SimHei']
mpl.rcParams['axes.unicode_minus']=False
由于tushare对北上资金数据的单次提取有限制（300条/次），需要通过获取两个时间周期内的交易日历，分次提取数据。
import tushare as ts
token='输入你的token'
pro=ts.pro_api(token)
#获取交易日历
def get_cal_date(start,end):
cal_date=pro.trade_cal(exchange='', start_date=start, end_date=end)
cal_date=cal_date[cal_date.is_open==1]
dates=cal_date.cal_date.values
return dates
定义北向资金数据获取函数。
#获取北向资金数据
def get_north_money(start,end):
#获取交易日历
dates=get_cal_date(start,end)
#tushare限制流量，每次只能获取300条记录
df=pro.moneyflow_hsgt(start_date=start, end_date=end)
#拆分时间进行拼接，再删除重复项
for i in range(0,len(dates)-300,300):
d0=pro.moneyflow_hsgt(start_date=dates[i], end_date=dates[i+300])
df=pd.concat([d0,df])
#删除重复项
df=df.drop_duplicates()
df.index=pd.to_datetime(df.trade_date)
df=df.sort_index()
return df
定义指数数据获取函数。
#获取指数数据
def get_index_data(code,start,end):
index_df = pro.index_daily(ts_code=code, start_date=start,end_date=end)
index_df.index=pd.to_datetime(index_df.trade_date)
index_df=index_df.sort_index()
return index_df
获取常用的几个指数2014-2020期间收盘价数据。
#获取指数数据
#常用大盘指数
indexs={'上证综指': '000001.SH','深证成指': '399001.SZ','沪深300': '000300.SH',
'创业板指': '399006.SZ','上证50': '000016.SH','中证500': '000905.SH',
'中小板指': '399005.SZ','上证180': '000010.SH'}
start='20141117'
end='20200812'
index_data=pd.DataFrame()
for name,code in indexs.items():
index_data[name]=get_index_data(code,start,end)['close']
#index_data.tail()
03 探索性分析
理论上而言，股市的上涨离不开资金的推动，而市场的活跃又会反过来吸引更多资金加入博弈。近年来，北上资金受到市场的关注越来越大，被看作是短期市场风向标，与市场指数存在一定的正向关系。当然理论在现实中不一定成立，所以在利用北上资金构建择时策略前，有必要先对指数和北上资金的关系进行探索性分析。
#累计收益
(index_data/index_data.iloc[0]).plot(figsize=(14,6))
plt.title('A股指数累积收益率\n 2014-2020',size=15)
plt.show()
陆股通覆盖大部分宽基指数成分股，即北向资金可投资的股票池覆盖了上证 50、沪深 300、中证 500 的绝大多数指数成分股，下面对各大指数的收益率和北上资金进行相关性分析。
#将价格数据转为收益率
all_ret=index_data/index_data.shift(1)-1
north_data=get_north_money(start,end)
#north_data=pd.read_csv('north_data',index_col=0,header=0)
all_data=all_ret.join(north_data['north_money'],how='inner')
all_data.rename(columns={'north_money':'北向资金'},inplace=True)
all_data.dropna(inplace=True)
all_data.corr()
上图显示，2014年至2020年8月整个交易期间内，北上资金与各大指数收益率均存在一定的正相关，但相关系数较低，分布在0.23-0.29之间。由于北上资金相对整个A股市场来说，体量还是比较小的，因此该指标的指示作用可能体现在短期内。下面使用120日的滚动窗口考察下北上资金与指数的相关性。
all_data.rolling(120).corr().tail(9)
数据显示，北上资金与各大指数的滚动窗口120日相关系数均大于0.5，其中沪深300与北上资金相关系数最高（0.7），可见中短期内，北上资金的大小对指数收益率具有一定的指示作用。下面以沪深300指数为例，对二者的散点图进行回归线拟合。图形再次支持了北上资金与沪深300指数的正相关性。
import seaborn as sns
plt.figure(figsize=(10, 6))
sns.regplot(x=list(all_data["北向资金"][-120:]),y=list(all_data["沪深300"][-120:]))
plt.title('沪深300与北向资金拟合回归线',size=15)
plt.xlabel('北向资金',size=12)
plt.ylabel('沪深300收益率',size=12)
plt.show()
再来观察一下沪深300日收益率与北上资金的波动情况，二者具有一定的同步性。
#沪深300指数收益率与北向资金
final_data=all_data[['沪深300','北向资金']].dropna()
final_data.plot(secondary_y='北向资金',figsize=(12,6))
plt.title('沪深300日收益率 VS 北向资金',size=15)
plt.show()
#获取北向资金与沪深300收益率的滚动窗口相关系数
def cal_rol_cor(data,period=30):
cors=data.rolling(period).corr()
cors=cors.dropna().iloc[1::2,0]
cors=cors.reset_index()
cors=cors.set_index('trade_date')
return cors['沪深300']
最后从纵向角度考察沪深300收益率与北上资金的相关性。数据显示，2014年至2020年8月期间，二者相关系数均值为0.33，最大值为0.7。图形显示，二者的相关性近年来逐渐走高。
cor=cal_rol_cor(final_data,period=120)
cor.describe()
count:1236 mean:0.335
std：0.219 min：-0.215
25%：0.219 50%：0.379
75%：0.525 max：0.706
cor.plot(figsize=(14,6),label='移动120日相关系数')
plt.title('沪深300与北向资金移动120日相关系数',size=15)
plt.axhline(cor.mean(), c='r',label='相关系数均值=0.33')
plt.legend(loc=2)
plt.show()
04 策略实例
从上面的探索性分析发现，北上资金与各大指数中短期内存在一定的正相关性，下面参考华泰金工研报的思路，基于北向资金变动数据构建布林带择时策略，并对择时模型进行回测分析。
策略思路如下：
（1） 当该日北向资金流入规模 > 过去 252 个交易日的北向资金均值 + 1.5 倍标准差， 则全仓买入沪深 300；
（2） 当该日北向资金流入规模 < 过去 252 个交易日的北向资金均值 - 1.5 倍标准差， 则清仓卖出沪深 300；
（3） 以第二天开盘价买入（研报是以收盘价来计量）。
定义策略函数：
def North_Strategy(data,window,stdev_n,cost):
'''输入参数：
data:包含北向资金和指数价格数据
window:移动窗口
stdev_n:几倍标准差
cost:手续费
'''
# 中轨
df=data.copy().dropna()
df['mid'] = df['北向资金'].rolling(window).mean()
stdev = df['北向资金'].rolling(window).std()
# 上下轨
df['upper'] = df['mid'] + stdev_n * stdev
df['lower'] = df['mid'] - stdev_n * stdev
df['ret']=df.close/df.close.shift(1)-1
df.dropna(inplace=True)
#设计买卖信号
#当日北向资金突破上轨线发出买入信号设置为1
df.loc[df['北向资金']>df.upper, 'signal'] = 1
#当日北向资金跌破下轨线发出卖出信号设置为0
df.loc[df['北向资金']<df.lower, 'signal'] = 0
df['position']=df['signal'].shift(1)
df['position'].fillna(method='ffill',inplace=True)
df['position'].fillna(0,inplace=True)
#根据交易信号和仓位计算策略的每日收益率
df.loc[df.index[0], 'capital_ret'] = 0
#今天开盘新买入的position在今天的涨幅(扣除手续费)
df.loc[df['position'] > df['position'].shift(1), 'capital_ret'] = \
(df.close/ df.open-1) * (1- cost)
#卖出同理
df.loc[df['position'] < df['position'].shift(1), 'capital_ret'] = \
(df.open / df.close.shift(1)-1) * (1-cost)
# 当仓位不变时,当天的capital是当天的change * position
df.loc[df['position'] == df['position'].shift(1), 'capital_ret'] = \
df['ret'] * df['position']
#计算标的、策略、指数的累计收益率
df['策略净值']=(df.capital_ret+1.0).cumprod()
df['指数净值']=(df.ret+1.0).cumprod()
return df
受篇幅所限，策略评价指标、可视化函数和主函数代码省略，完整代码见知识星球“Python金融量化”上分享（扫描下方二维码即可加入）。
def performance(df):
pass
#对策略累计收益率进行可视化
def plot_performance(df,name):
pass
#将上述函数整合成一个执行函数
def main(code='000300.SH',start='20141117',end='20200812',window=252,stdev_n=1.5,cost=0.00):
pass
首先以沪深300指数进行回测，滚动窗口默认250日，手续费默认为0。回测结果显示，基于北上资金的择时策略表现较好，年化收益率17.8%，高于基准的5.3%，最大回撤17%低于基准32%，夏普比率为2.2。
main(code='000300.SH')
回测标的：沪深300指数
回测期间：20151208—20200812
策略年胜率为：80.0%
策略月胜率为：64.58%
策略周胜率为：60.98%
总收益率： 策略：106.36%，沪深300：26.03%
年化收益率：策略：17.81%, 沪深300：5.37%
最大回撤： 策略：17.28%, 沪深300：32.46%
策略Alpha： 0.15, Beta：0.46，夏普比率：2.2
考虑到北上资金2016年后才开始备受关注，而且前文的探索性分析也显示相关性是2016年后逐年攀高，因此将回测起始时间改为2016年，交易手续费设置为1%（有点高）。结果显示，这一期间（实际上是2017年至今）的择时策略表现更佳，年化收益率达到24%。
main(code='000300.SH',start='20161117',cost=0.01)
回测标的：沪深300指数
回测期间：20171205—20200812
策略年胜率为：50.0%
策略月胜率为：65.52%
策略周胜率为：61.86%
总收益率： 策略：72.01%，沪深300：15.65%
年化收益率：策略：23.93%, 沪深300：5.92%
最大回撤： 策略：17.29%, 沪深300：32.46%
策略Alpha： 0.21, Beta：0.45，夏普比率：2.1
最后以创业板为标的进行历史回测，结果显示，策略效益整体优于基准，与沪深300指数相比，除了年化收益率外，其最大回撤和夏普比率相对差些。
main(code='399006.SZ')
回测标的：创业板指指数
回测期间：20151208—20200812
策略年胜率为：80.0%
策略月胜率为：54.17%
策略周胜率为：54.88%
总收益率： 策略：133.88%，沪深300：-3.75%
年化收益率：策略：21.19%, 沪深300：-0.86%
最大回撤： 策略：37.17%, 沪深300：57.57%
策略Alpha： 0.22, Beta：0.5，夏普比率：1.92
05 结语
本文对各大指数与北上资金的相关性进行了探索性分析，并借鉴华泰金工研报关于利用北上资金来构建择时策略的思路，对沪深300和创业板指数进行了历史回测。回测结果表明，北上资金的流动规模具有一定的实战指示意义，短期内可用于对对大盘的走向进行研判，同时可用于对指数进行择时，指导股指期货交易。本文最后的历史回测与研报原文并未完全吻合，但策略表现上大同小异，可能与回测环境的配置有关，感兴趣的读者可试试采用回测框架（如backtrader）或量化平台进行更严谨的回测。本文的分析仅供学习参考，不构成任何投资建议！
参考资料：
华泰证券·《北向资金走向预示市场短期或震荡》2020.08