# 技术分析入门 【2】 —— 大家抢筹码（06年至12年版）— 更新版
> 来源：https://uqer.io/community/share/568e6f54228e5b18e5ba296e
从社区李大大以前的帖子，稍作修改，适合现在的uqer版本，感谢李大大的无私分享！
原帖地址：
https://uqer.io/community/share/5541d8a4f9f06c1c3d687fef
在本篇中，我们将使用流通股份的集中程度作为指标，为大家开发如何机智的抢筹码策略！
股市里面总是有这样的一种说法： 大股东总是会快小散一步，悄悄地进村，放枪的不要。大股东会在建仓期吸收世面上的廉价筹码，然后放出利好，逢高出货。所以大股东的建仓期，正是小散们入场分汤的好时机！
## 1. 数据准备
好了，说了这些原理，到底灵不灵呢？来，一试便知！这里我们首先要定义什么叫大股东呢？这里我们借助中诚信的数据，获取前十大流通股东的持股比例：
数据API：
`CCXE.EquMainshFCCXEGet` 获取财报中十大流通股股东的持股比例（本API需要在数据商城购买）
下面的语句查询`600000.XSHG`浦发银行在2014年9月30日到2014年12月31日的十大流通股股东持股情况：
```py
import datetime as dt
from CAL.PyCAL import *
data = DataAPI.CCXE.EquMainshFCCXEGet('600000.XSHG', endDateStart='20140930', endDateEnd='20141231')
data.head()
```
| | secID | ticker | exchangeCD | secShortName | secShortNameEn | endDate | shNum | shRank | shName | holdVol | holdPct | shareCharType |
| --- | --- |
| 0 | 600000.XSHG | 600000 | XSHG | 浦发银行 | NaN | 2014-12-31 00:00:00 | 1 | 1 | 上海国际集团有限公司 | 3157513917 | 16.93 | 101 |
| 1 | 600000.XSHG | 600000 | XSHG | 浦发银行 | NaN | 2014-12-31 00:00:00 | 2 | 2 | 上海国际信托有限公司 | 975923794 | 5.23 | 101 |
| 2 | 600000.XSHG | 600000 | XSHG | 浦发银行 | NaN | 2014-12-31 00:00:00 | 3 | 3 | 上海国鑫投资发展有限公司 | 377101999 | 2.02 | 101 |
| 3 | 600000.XSHG | 600000 | XSHG | 浦发银行 | NaN | 2014-12-31 00:00:00 | 4 | 4 | 百联集团有限公司 | 190083517 | 1.02 | 101 |
| 4 | 600000.XSHG | 600000 | XSHG | 浦发银行 | NaN | 2014-12-31 00:00:00 | 5 | 5 | 雅戈尔集团股份有限公司 | 162000000 | 0.87 | 101 |
我们按照报表日进行合并，并计算前十大流通股股东持股总比例：
```py
data.groupby('endDate').sum()
```
可以看到，2014年年报中流通股集中度是下降的，相对于上一个季报，持股总比例从29.76%降到了29.25%。看来他的大股东没啥动静，小散们先按兵不动！
## 2. 策略思路
有一句俗话：不要在一棵树上吊死！小散们可以“海选PK”，择优录取！我们以上证50成分股为例，挑选出满足以下条件的股票：
+ 2015年一季度季报中10大流通股股东持股比例相对于去年年报上升10%
这就是我们认定的大股东吸筹码的标志：
```py
from quartz.api import set_universe
import datetime as dt
universe = set_universe('SH50')
for stock in universe:
try:
data = DataAPI.CCXE.EquMainshFCCXEGet(stock, endDateStart='20141231', endDateEnd='20150331')
except:
continue
res = data.groupby('endDate').sum()[-2:]
if len(res.index) == 2 and res.index[1] == '2015-03-31 00:00:00':
chg = res['holdPct'].values[1] / res['holdPct'].values[0] - 1.0
if chg > 0.1:
print '%s: %.4f' % (stock, chg)
```
选出来有三只股票满足：`601169.XSHG`, `600887.XSHG`, `600703.XSHG`
下面的股价走势图来看，这样的股票总体还是上升的。但是按照这样投钱真的靠谱吗？
```py
import pandas as pd
stock1 = DataAPI.MktEqudAdjGet(secID=['601169.XSHG'], beginDate='20150331', endDate='20150429', field = ['closePrice', 'tradeDate'])
stock2 = DataAPI.MktEqudAdjGet(secID=['600887.XSHG'], beginDate='20150331', endDate='20150429', field = ['closePrice', 'tradeDate'])
stock3 = DataAPI.MktEqudAdjGet(secID=['600703.XSHG'], beginDate='20150331', endDate='20150429', field = ['closePrice', 'tradeDate'])
```
```py
import seaborn as sns
sns.set_style('white')
total = pd.DataFrame({'601169.XSHG':stock1.closePrice.values, '600887.XSHG':stock2.closePrice.values, '600703.XSHG':stock3.closePrice.values})
total.index = stock1.tradeDate.apply(lambda x: dt.datetime.strptime(x, '%Y-%m-%d'))
total.plot(subplots=True, figsize=(12,8))
array([<matplotlib.axes.AxesSubplot object at 0x5543d10>,
<matplotlib.axes.AxesSubplot object at 0x5572850>,
<matplotlib.axes.AxesSubplot object at 0x56a62d0>], dtype=object)
```
## 3. 完整策略
我们来吧上面的想法系统化，来看这个策略效率：
+ 投资域 ：上证50成分股
+ 业绩基准 ：上证50指数
+ 调仓频率 ：3个月
+ 调仓日期 ：每年的2月28日，5月31日，8月30日，11月30日，遇到节假日的话向后顺延
+ 开仓信号 ：十大流通股股东持股比例集中度上升10%
+ 清仓信号 ：每个调仓日前一个工作日，清空当前仓位
+ 买入方式 ：等比例买入
+ 回测周期 ：2006年1月1日至2015年4月28日
这里的调仓日期的设置，是满足每期报表结束日后的两个月，这样我们有比较大的把握，可以确实拿到当前的报表数据。
```py
import datetime as dt
start = '2006-01-01' # 回测起始时间
end = '2012-12-31' # 回测结束时间
benchmark = 'SH50' # 策略参考标准
universe = set_universe('SH50') # 证券池，支持股票和基金
capital_base = 100000 # 起始资金
longest_history = 1 # handle_data 函数中可以使用的历史数据最长窗口长度
refresh_rate = 1 # 调仓频率，即每 refresh_rate 个交易日执行一次 handle_data() 函数
def initialize(account): # 初始化虚拟账户状态
account.reportingPair = [('0930', '1231'), ('1231', '0331'), ('0331', '0630'), ('0630', '0930')]
def handle_data(account): # 每个交易日的买入卖出指令
hist = account.get_history(longest_history)
today = account.current_date
year = today.year
rebalance_dates = [dt.datetime(year, 2, 28), dt.datetime(year, 5,31), dt.datetime(year, 8, 30), dt.datetime(year, 11,30)]
cal = Calendar('China.SSE')
rebalance_dates = [cal.adjustDate(d, BizDayConvention.Following) for d in rebalance_dates]
rebalanceFlag = False
period = -1
for i, d in enumerate(rebalance_dates):
# 判断是否是调仓日
if today == d.toDateTime():
rebalanceFlag = True
period = i
break
# 调仓日前一个交易日，清空所有的仓位
elif today == cal.advanceDate(d, '-1B').toDateTime():
for stock in account.valid_secpos:
order_to(stock,0)
if rebalanceFlag:
if period == 0:
year -= 1
# 确定当前调仓日对应需要查询的报表日期
if account.reportingPair[period][0] < account.reportingPair[period][1]:
endDateStart = str(year) + account.reportingPair[period][0]
else:
endDateStart = str(year-1) + account.reportingPair[period][0]
endDateEnd = str(year) + account.reportingPair[period][1]
buyList = []
# 确定哪些股票满足“筹码”集中要求
for stock in account.universe:
try:
data = DataAPI.CCXE.EquMainshFCCXEGet(stock, endDateStart=endDateStart, endDateEnd=endDateEnd)
except:
continue
res = data.groupby('endDate').sum()[-2:]
tmp = account.reportingPair[period][1]
if len(res.index) == 2 and res.index[1] == str(year) + '-' + tmp[:2] + '-' + tmp[2:]+ ' 00:00:00':
chg = res['holdPct'].values[1] / res['holdPct'].values[0] - 1.0
if chg > 0.1:
buyList.append(stock)
print u"%s 买入 : %s" % (today, buyList)
# 等权重买入
if len(buyList) != 0:
singleCash = account.cash / len(buyList)
for stock in buyList:
approximationAmount = int(singleCash / hist[stock]['closePrice'][-1]/100.0) * 100
order(stock, approximationAmount)
```
```
2006-02-28 00:00:00 买入 : ['600050.XSHG', '600893.XSHG', '600016.XSHG', '600104.XSHG', '600010.XSHG', '600518.XSHG', '600030.XSHG', '600150.XSHG']
2006-05-31 00:00:00 买入 : ['600036.XSHG', '600111.XSHG', '600104.XSHG', '600010.XSHG', '600030.XSHG']
2006-08-30 00:00:00 买入 : ['600050.XSHG', '600893.XSHG', '600000.XSHG', '600104.XSHG', '600637.XSHG', '600837.XSHG', '600150.XSHG']
2006-11-30 00:00:00 买入 : ['600050.XSHG', '600795.XSHG', '600036.XSHG', '600000.XSHG', '600111.XSHG', '600519.XSHG', '600016.XSHG', '600518.XSHG', '601988.XSHG', '600030.XSHG']
2007-02-28 00:00:00 买入 : ['600000.XSHG', '600111.XSHG', '601006.XSHG', '600048.XSHG', '600015.XSHG', '600518.XSHG', '600887.XSHG', '600150.XSHG']
2007-05-31 00:00:00 买入 : ['600795.XSHG', '600111.XSHG', '601166.XSHG', '600104.XSHG', '600015.XSHG', '600637.XSHG', '600837.XSHG']
2007-08-30 00:00:00 买入 : ['600000.XSHG', '600519.XSHG', '601166.XSHG', '600015.XSHG', '600109.XSHG', '600887.XSHG', '601318.XSHG']
2007-11-30 00:00:00 买入 : ['600050.XSHG', '600795.XSHG', '600111.XSHG', '601006.XSHG', '600048.XSHG', '600104.XSHG', '600015.XSHG', '600837.XSHG', '601988.XSHG', '600030.XSHG']
2008-02-28 00:00:00 买入 : ['601328.XSHG', '600050.XSHG', '600795.XSHG', '600000.XSHG', '600018.XSHG', '600016.XSHG', '601006.XSHG', '600104.XSHG', '600028.XSHG', '600518.XSHG', '600837.XSHG', '601169.XSHG', '601988.XSHG', '601398.XSHG']
2008-06-02 00:00:00 买入 : ['601006.XSHG', '601166.XSHG', '600010.XSHG', '600518.XSHG', '601318.XSHG']
2008-09-01 00:00:00 买入 : ['601328.XSHG', '600050.XSHG', '601601.XSHG', '600036.XSHG', '600000.XSHG', '600519.XSHG', '600016.XSHG', '601998.XSHG', '600015.XSHG', '600637.XSHG', '600150.XSHG']
2008-12-01 00:00:00 买入 : ['601601.XSHG', '600795.XSHG', '600104.XSHG', '600837.XSHG', '601169.XSHG', '600030.XSHG']
2009-03-02 00:00:00 买入 : ['601601.XSHG', '601390.XSHG', '600104.XSHG', '600028.XSHG', '600518.XSHG', '600887.XSHG', '600837.XSHG', '601988.XSHG']
2009-06-01 00:00:00 买入 : ['600893.XSHG', '600036.XSHG', '600111.XSHG', '600585.XSHG', '600048.XSHG', '600109.XSHG', '600887.XSHG', '601988.XSHG']
2009-08-31 00:00:00 买入 : ['600050.XSHG', '600893.XSHG', '600000.XSHG', '600111.XSHG', '600519.XSHG', '600015.XSHG', '600010.XSHG', '600887.XSHG', '601766.XSHG', '601398.XSHG', '600150.XSHG']
2009-11-30 00:00:00 买入 : ['600795.XSHG', '600893.XSHG', '600016.XSHG', '601006.XSHG', '600048.XSHG', '600887.XSHG', '601988.XSHG']
2010-03-01 00:00:00 买入 : ['601601.XSHG', '600893.XSHG', '600018.XSHG', '600016.XSHG', '601668.XSHG', '600585.XSHG', '601998.XSHG', '600104.XSHG', '600028.XSHG', '601398.XSHG']
2010-05-31 00:00:00 买入 : ['600111.XSHG', '600999.XSHG', '601628.XSHG', '601318.XSHG']
2010-08-30 00:00:00 买入 : ['601328.XSHG', '600893.XSHG', '600111.XSHG', '600585.XSHG', '601998.XSHG', '601688.XSHG', '600999.XSHG', '600109.XSHG', '601989.XSHG', '600837.XSHG']
2010-11-30 00:00:00 买入 : ['600010.XSHG', '601989.XSHG', '601169.XSHG', '600150.XSHG']
2011-02-28 00:00:00 买入 : ['601601.XSHG', '601857.XSHG', '601390.XSHG', '601288.XSHG', '601668.XSHG', '601088.XSHG', '600999.XSHG', '601989.XSHG', '600837.XSHG']
2011-05-31 00:00:00 买入 : ['600893.XSHG', '601668.XSHG', '601688.XSHG', '600010.XSHG', '600109.XSHG']
2011-08-30 00:00:00 买入 : ['600010.XSHG', '600887.XSHG']
2011-11-30 00:00:00 买入 : ['601288.XSHG', '601818.XSHG', '601766.XSHG']
2012-02-28 00:00:00 买入 : ['600893.XSHG', '600015.XSHG', '600030.XSHG', '601669.XSHG', '601901.XSHG']
2012-05-31 00:00:00 买入 : ['601336.XSHG', '601989.XSHG', '601669.XSHG']
2012-08-30 00:00:00 买入 : ['601336.XSHG', '600837.XSHG', '601901.XSHG']
2012-11-30 00:00:00 买入 : ['601668.XSHG', '601901.XSHG']
```
- Python 量化交易教程
- 第一部分 新手入门
- 一 量化投资视频学习课程
- 二 Python 手把手教学
- 量化分析师的Python日记【第1天：谁来给我讲讲Python？】
- 量化分析师的Python日记【第2天：再接着介绍一下Python呗】
- 量化分析师的Python日记【第3天：一大波金融Library来袭之numpy篇】
- 量化分析师的Python日记【第4天：一大波金融Library来袭之scipy篇】
- 量化分析师的Python日记【第5天：数据处理的瑞士军刀pandas】
- 量化分析师的Python日记【第6天：数据处理的瑞士军刀pandas下篇
- 量化分析师的Python日记【第7天：Q Quant 之初出江湖】
- 量化分析师的Python日记【第8天 Q Quant兵器谱之函数插值】
- 量化分析师的Python日记【第9天 Q Quant兵器谱之二叉树】
- 量化分析师的Python日记【第10天 Q Quant兵器谱 -之偏微分方程1】
- 量化分析师的Python日记【第11天 Q Quant兵器谱之偏微分方程2】
- 量化分析师的Python日记【第12天：量化入门进阶之葵花宝典：因子如何产生和回测】
- 量化分析师的Python日记【第13天 Q Quant兵器谱之偏微分方程3】
- 量化分析师的Python日记【第14天：如何在优矿上做Alpha对冲模型】
- 量化分析师的Python日记【第15天：如何在优矿上搞一个wealthfront出来】
- 第二部分 股票量化相关
- 一 基本面分析
- 1.1 alpha 多因子模型
- 破解Alpha对冲策略——观《量化分析师Python日记第14天》有感
- 熔断不要怕， alpha model 为你保驾护航！
- 寻找 alpha 之: alpha 设计
- 1.2 基本面因子选股
- Porfolio（现金比率+负债现金+现金保障倍数）+市盈率
- ROE选股指标
- 成交量因子
- ROIC&cashROIC
- 【国信金工】资产周转率选股模型
- 【基本面指标】Cash Cow
- 量化因子选股——净利润／营业总收入
- 营业收入增长率+市盈率
- 1.3 财报阅读 • [米缸量化读财报] 资产负债表-投资相关资产
- 1.4 股东分析
- 技术分析入门 【2】 —— 大家抢筹码（06年至12年版）
- 技术分析入门 【2】 —— 大家抢筹码（06年至12年版）— 更新版
- 谁是中国A股最有钱的自然人
- 1.5 宏观研究
- 【干货包邮】手把手教你做宏观择时
- 宏观研究：从估值角度看当前市场
- 追寻“国家队”的足迹
- 二 套利
- 2.1 配对交易
- HS300ETF套利（上）
- 【统计套利】配对交易
- 相似公司股票搬砖
- Paired trading
- 2.2 期现套利 • 通过股指期货的期现差与 ETF 对冲套利
- 三 事件驱动
- 3.1 盈利预增
- 盈利预增事件
- 事件驱动策略示例——盈利预增
- 3.2 分析师推荐 • 分析师的金手指？
- 3.3 牛熊转换
- 历史总是相似 牛市还在延续
- 历史总是相似 牛市已经见顶？
- 3.4 熔断机制 • 股海拾贝之 [熔断错杀股]
- 3.5 暴涨暴跌 • [实盘感悟] 遇上暴跌我该怎么做？
- 3.6 兼并重组、举牌收购 • 宝万战-大戏开幕
- 四 技术分析
- 4.1 布林带
- 布林带交易策略
- 布林带回调系统-日内
- Conservative Bollinger Bands
- Even More Conservative Bollinger Bands
- Simple Bollinger Bands
- 4.2 均线系统
- 技术分析入门 —— 双均线策略
- 5日线10日线交易策略
- 用5日均线和10日均线进行判断 --- 改进版
- macross
- 4.3 MACD
- Simple MACD
- MACD quantization trade
- MACD平滑异同移动平均线方法
- 4.4 阿隆指标 • 技术指标阿隆（ Aroon ）全解析
- 4.5 CCI • CCI 顺势指标探索
- 4.6 RSI
- 重写 rsi
- RSI指标策略
- 4.7 DMI • DMI 指标体系的构建及简单应用
- 4.8 EMV • EMV 技术指标的构建及应用
- 4.9 KDJ • KDJ 策略
- 4.10 CMO
- CMO 策略模仿练习 1
- CMO策略模仿练习2
- [技术指标] CMO
- 4.11 FPC • FPC 指标选股
- 4.12 Chaikin Volatility
- 嘉庆离散指标测试
- 4.13 委比 • 实时计算委比
- 4.14 封单量
- 按照封单跟流通股本比例排序，剔除6月上市新股，前50
- 涨停股票封单统计
- 实时计算涨停板股票的封单资金与总流通市值的比例
- 4.15 成交量 • 决战之地， IF1507 ！
- 4.16 K 线分析 • 寻找夜空中最亮的星
- 五 量化模型
- 5.1 动量模型
- Momentum策略
- 【小散学量化】-2-动量模型的简单实践
- 一个追涨的策略(修正版)
- 动量策略（momentum driven）
- 动量策略（momentum driven）——修正版
- 最经典的Momentum和Contrarian在中国市场的测试
- 最经典的Momentum和Contrarian在中国市场的测试-yanheven改进
- ［策略］基于胜率的趋势交易策略
- 策略探讨（更新）：价量结合+动量反转
- 反向动量策略（reverse momentum driven）
- 轻松跑赢大盘 - 主题Momentum策略
- Contrarian strategy
- 5.2 Joseph Piotroski 9 F-Score Value Investing Model · 基本面选股系统：Piotroski F-Score ranking system
- 5.3 SVR · 使用SVR预测股票开盘价 v1.0
- 5.4 决策树、随机树
- 决策树模型（固定模型）
- 基于Random Forest的决策策略
- 5.5 钟摆理论 · 钟摆理论的简单实现——完美躲过股灾和精准抄底
- 5.6 海龟模型
- simple turtle
- 侠之大者 一起赚钱
- 5.7 5217 策略 · 白龙马的新手策略
- 5.8 SMIA · 基于历史状态空间相似性匹配的行业配置 SMIA 模型—取交集
- 5.9 神经网络
- 神经网络交易的训练部分
- 通过神经网络进行交易
- 5.10 PAMR · PAMR ： 基于均值反转的投资组合选择策略 - 修改版
- 5.11 Fisher Transform · Using Fisher Transform Indicator
- 5.12 分型假说， Hurst 指数 · 分形市场假说，一个听起来很美的假说
- 5.13 变点理论 · 变点策略初步
- 5.14 Z-score Model
- Zscore Model Tutorial
- 信用债风险模型初探之：Z-Score Model
- user-defined package
- 5.15 机器学习 · Machine Learning 学习笔记（一） by OTreeWEN
- 5.16 DualTrust 策略和布林强盗策略
- 5.17 卡尔曼滤波
- 5.18 LPPL anti-bubble model
- 今天大盘熔断大跌，后市如何—— based on LPPL anti-bubble model
- 破解股市泡沫之谜——对数周期幂率（LPPL）模型
- 六 大数据模型
- 6.1 市场情绪分析
- 通联情绪指标策略
- 互联网+量化投资 大数据指数手把手
- 6.2 新闻热点
- 如何使用优矿之“新闻热点”？
- 技术分析【3】—— 众星拱月，众口铄金?
- 七 排名选股系统
- 7.1 小市值投资法
- 学习笔记：可模拟（小市值+便宜 的修改版）
- 市值最小300指数
- 流通市值最小股票（新筛选器版）
- 持有市值最小的10只股票
- 10% smallest cap stock
- 7.2 羊驼策略
- 羊驼策略
- 羊驼反转策略（修改版）
- 羊驼反转策略
- 我的羊驼策略，选5只股无脑轮替
- 7.3 低价策略
- 专捡便宜货(新版quartz)
- 策略原理
- 便宜就是 alpha
- 八 轮动模型
- 8.1 大小盘轮动 · 新手上路 -- 二八ETF择时轮动策略2.0
- 8.2 季节性策略
- Halloween Cycle
- Halloween cycle 2
- 夏买电，东买煤？
- 历史的十一月板块涨幅
- 8.3 行业轮动
- 银行股轮动
- 申万二级行业在最近1年、3个月、5个交易日的涨幅统计
- 8.4 主题轮动
- 快速研究主题神器
- recommendation based on subject
- strategy7: recommendation based on theme
- 板块异动类
- 风险因子（离散类）
- 8.5 龙头轮动
- Competitive Securities
- Market Competitiveness
- 主题龙头类
- 九 组合投资
- 9.1 指数跟踪 · [策略] 指数跟踪低成本建仓策略
- 9.2 GMVP · Global Minimum Variance Portfolio (GMVP)
- 9.3 凸优化 · 如何在 Python 中利用 CVXOPT 求解二次规划问题
- 十 波动率
- 10.1 波动率选股 · 风平浪静 风起猪飞
- 10.2 波动率择时
- 基于 VIX 指数的择时策略
- 简单低波动率指数
- 10.3 Arch/Garch 模型 · 如何使用优矿进行 GARCH 模型分析
- 十一 算法交易
- 11.1 VWAP · Value-Weighted Average Price (VWAP)
- 十二 中高频交易
- 12.1 order book 分析 · 基于高频 limit order book 数据的短程价格方向预测—— via multi-class SVM
- 12.2 日内交易 · 大盘日内走势 (for 择时)
- 十三 Alternative Strategy
- 13.1 易经、传统文化 · 老黄历诊股
- 第三部分 基金、利率互换、固定收益类
- 一 分级基金
- “优矿”集思录——分级基金专题
- 基于期权定价的分级基金交易策略
- 基于期权定价的兴全合润基金交易策略
- 二 基金分析
- Alpha 基金“黑天鹅事件” -- 思考以及原因
- 三 债券
- 债券报价中的小陷阱
- 四 利率互换
- Swap Curve Construction
- 中国 Repo 7D 互换的例子
- 第四部分 衍生品相关
- 一 期权数据
- 如何获取期权市场数据快照
- 期权高频数据准备
- 二 期权系列
- [ 50ETF 期权] 1. 历史成交持仓和 PCR 数据
- 【50ETF期权】 2. 历史波动率
- 【50ETF期权】 3. 中国波指 iVIX
- 【50ETF期权】 4. Greeks 和隐含波动率微笑
- 【50ETF期权】 5. 日内即时监控 Greeks 和隐含波动率微笑
- 【50ETF期权】 5. 日内即时监控 Greeks 和隐含波动率微笑
- 三 期权分析
- 【50ETF期权】 期权择时指数 1.0
- 每日期权风险数据整理
- 期权头寸计算
- 期权探秘1
- 期权探秘2
- 期权市场一周纵览
- 基于期权PCR指数的择时策略
- 期权每日成交额PC比例计算
- 四 期货分析
- 【前方高能！】Gifts from Santa Claus——股指期货趋势交易研究