當沖交易心法與技巧整理 (阿魯米)

當沖基本原則

選股條件

選擇平均震幅大的股票
- 近三日或五日平均震幅高於 5%
- 避免選擇震幅小的股票(如中華電信)
周轉率高的股票
- 代表流動性好
- 大量但周轉率低的股票(如臺積電)不適合
日線處於趨勢發動中或高檔震盪的股票
年輕、股本小且震盪大的股票
- 新上市櫃十年內
- 法人持股不多
- 容易有大波段

交易基本概念

觀察大盤方向
- 大盤是最主要的方向參考
- 參考期貨,盡量不逆勢操作
- 臺指偏多則選多方名單,空方亦然
開盤價的重要性
- 不要只看漲跌,要看開盤價位置
- 在開盤價附近區間脫離一段,基本上就是當天方向
- 開盤價可視為多空分界
- 價格在開盤價以下表示當天弱勢,收黑機率大
- 價格持續在開盤價上方,表示強勢,收紅機率大
均價線運用
- 均價線代表當天成交平均價格
- 可視為短期均線概念
- 在均價線上方逢低接
- 在均價線下方逢高空
盤中量能觀察
- 一個方向走一段時間出現大量,通常是極短線高低點
- 可能出現拉回或反彈(但不代表反轉)
- 出量位置若不拉回或反彈,則成為支撐壓力區
- 上漲出量、拉回量縮是多方表現
- 下跌出量、反彈量縮是空方表現

風險控制

停損原則

停損、停損、停損(重要所以說三次)
收盤前清理虧損部位,不帶回家
每筆交易虧損控制在 2% 以內
遇到重大虧損應:
- 立即減少交易量或停止交易
- 重點是重拾交易信心,而非急於彌補虧損
- 避免單量越做越大想一舉翻身

心態管理

保持平靜
- 市場隨時可能重擊
- 虧損時表示情況不利,不要急躁
- 大賺大賠都要保持冷靜
避免衝動交易
- 最糟糕的交易來自衝動
- 根據既定信號進行交易
- 不要因一時衝動改變策略
持續學習檢討
- 每天分析每筆交易
- 檢討是否有違規情況
- 分析成功與失敗原因

進階技巧

季線理論

股價在季線(60日均線)上徘徊一段時間後
開盤價直接開在季線下至少 2%
通常代表空方力量強大
適合當沖做空
觀察 09:30 前是否拉過平盤
勝率約九成

交易時機選擇

等待市場明朗再進場
不預測行情,讓市場告訴方向
選擇萬無一失的機會
策略需具彈性應對市場變化

資金管理

操作順利時可適度加碼
情況不佳時減碼或停止交易
著重如何減少虧損,而非如何多賺
避免重倉操作
好倉要耐心持有,壞倉要果斷減碼

市場認知

交易本質

交易是一種對賭遊戲
競爭對手是整體市場參與者
獲利來自對手的錯誤決策
重要的是認清自己,發現並改進錯誤
遵守紀律,提高勝率

市場參與者

不要高估對手能力
也不要輕視對手
資訊不對稱是主要優勢
主力也會演戲誤導市場

長期生存之道

穩定獲利比單次暴賺重要
交易系統要持之以恆
賺錢時要更加謹慎
重點不是瞬間獲利多寡
而是能賺得長,活得久

實戰注意事項

當沖很難穩定獲利
- 交易成本高
- 隨機性強
- 需要長期練習
不要相信誇大廣告
- 特別是號稱暴賺
- 無本操作
- 華麗詞彙包裝
新手建議
- 不要期待暴賺
- 先求穩定獲利
- 逐步提升層次
- 從基本心法做起
盈虧比例
- 當沖輸的人多,贏的少
- 穩定賺錢者極少
- 要思考自己的優勢在哪

注意：本文整理僅供參考，投資一定有風險，須依個人判斷為準。

做空
- 空頭年(2022年) 找弱勢股拉高隔天空 by 權證小哥
- 原本基本面很好突然不好用股期做空 by 非比斯

import os
import json
from loguru import logger
import pandas as pd
import shioaji as sj
import matplotlib.pyplot as plt
from matplotlib.dates import DateFormatter


def load_credentials(file_path):
    """Load API credentials from a JSON file."""
    with open(file_path, "r") as f:
        users = json.load(f)
    return users["Jason"]["api_key"], users["Jason"]["secret_key"]


def login(simulation=False):
    """Login to the Shioaji API."""
    api = sj.Shioaji(simulation=simulation)
    token_file = os.path.expanduser("~/.mybin/shioaji_tokens.json")
    api_key, secret_key = load_credentials(token_file)
    api.login(api_key, secret_key, contracts_timeout=30000)
    return api


def detect_pullback(tick_data, threshold=0.02, lookback=10):
    """
    偵測符合條件的型態：
    1. 低點必須在高點左邊
    2. 高點與低點的差距必須超過 threshold (預設 2%)
    3. 當價格從高點拉回後觸發
    :param tick_data: 含有 'ts' 和 'close' 的 DataFrame
    :param threshold: 高低點差距的百分比門檻 (預設 2%)
    :param lookback: 在多少範圍內尋找高點與低點 (預設 10 個 tick)
    :return: 回傳一個字典，包含觸發與否和相關時間
    """
    for i in range(lookback, len(tick_data)):
        window = tick_data.iloc[i - lookback : i]
        low_idx = window["close"].idxmin()
        high_idx = window["close"].idxmax()
        if low_idx < high_idx:
            price_change = (
                tick_data.loc[high_idx, "close"] - tick_data.loc[low_idx, "close"]
            ) / tick_data.loc[low_idx, "close"]
            if (
                price_change >= threshold
                and tick_data.iloc[i]["close"] < tick_data.loc[high_idx, "close"]
            ):
                return {
                    "triggered": True,
                    "low_time": low_idx,
                    "high_time": high_idx,
                    "pullback_time": tick_data.index[i],
                }
    return {"triggered": False}


def print_usage(api):
    """Print API usage statistics."""
    usage_status = api.usage()
    usage_MB = usage_status.bytes / (1024 * 1024)
    limit_MB = usage_status.limit_bytes / (1024 * 1024)
    remaining_MB = usage_status.remaining_bytes / (1024 * 1024)
    logger.info(
        f"connections={usage_status.connections}, "
        f"usage MB={usage_MB:.2f}, "
        f"limit MB={limit_MB:.2f}, "
        f"remaining MB={remaining_MB:.2f}"
    )


def fetch_and_process_ticks(api, stock_code, date):
    """Fetch and process tick data for a given stock and date."""
    contract = api.Contracts.Stocks[stock_code]
    ticks = api.ticks(contract=contract, date=date)
    df_ticks = pd.DataFrame({**ticks})
    df_ticks["ts"] = pd.to_datetime(df_ticks["ts"])
    df_ticks = df_ticks.set_index("ts")
    return df_ticks[~df_ticks.index.duplicated(keep="last")]


def plot_ticks_with_markers(df_ticks, result):
    """Plot tick data with markers for high, low, and pullback points."""
    plt.figure(figsize=(12, 6))
    plt.plot(df_ticks.index, df_ticks["close"], label="Close Price")

    if result["triggered"]:
        plt.scatter(
            result["low_time"],
            df_ticks.loc[result["low_time"], "close"],
            color="green",
            s=100,
            marker="^",
            label="Low Point",
        )
        plt.scatter(
            result["high_time"],
            df_ticks.loc[result["high_time"], "close"],
            color="red",
            s=100,
            marker="v",
            label="High Point",
        )
        plt.scatter(
            result["pullback_time"],
            df_ticks.loc[result["pullback_time"], "close"],
            color="blue",
            s=100,
            marker="o",
            label="Pullback Point",
        )

    plt.xlabel("Time")
    plt.ylabel("Price")
    plt.title("Tick Data with Pullback Detection")
    plt.legend()

    # Format x-axis to show time
    plt.gca().xaxis.set_major_formatter(DateFormatter("%H:%M:%S"))
    plt.gcf().autofmt_xdate()  # Rotate and align the tick labels

    plt.grid(True)
    plt.tight_layout()
    plt.show()


def main():
    api = login()
    try:
        df_ticks = fetch_and_process_ticks(api, "1316", "2024-02-27")
        print(df_ticks.to_markdown(floatfmt=".2f"))
        result = detect_pullback(df_ticks)
        print(result)
        print_usage(api)

        # Plot the tick data with markers
        plot_ticks_with_markers(df_ticks, result)
    except Exception as e:
        logger.exception(e)
    finally:
        api.logout()


if __name__ == "__main__":
    main()

`

Keyboard shortcuts

Jason's Notes