【邢不行|量化小讲堂系列47-实战篇】解密股票Level-2行情——高频交易的基础

引言:

邢不行的系列帖子“量化小讲堂”，通过实际案例教初学者使用python进行量化投资，了解行业研究方向，希望能对大家有帮助。

【历史文章汇总】请点击此处

解密股票Level-2行情——高频交易的基础

这是邢不行第47期量化小讲堂的分享

大家可能经常会在行情软件上看到这样的广告：

「买8位置出现12手买单」

买8？不是五档盘口最多只有买5吗，怎么会到8？

「后续走势如何，用Level-2一探究竟」

Level-2是啥？有Level-2是不是也有Level-1？它们有什么不一样？

对于个人业余投资者来说，对Level-2有疑问很正常，本文就来解决这些疑问。

下图是普通的行情软件，上面有价格曲线、五档盘口、分时成交等等。这些行情数据，专业的讲，就被称为Level-1行情。

Level-1行情

所以其实大家对Level-1并不陌生，就是我们正常炒股的时候看到的行情数据。

并且Level-1行情是完全免费的。不像很多其他国家，看个实时股票行情是要收费的。感恩...

那Level-2行情又是什么呢？

从名字来看就知道，Level-2是1的升级，包含的数据更丰富，颗粒度更细。行情数据是专业投资者和机构投资者的吃饭家伙，他们当然会有更高的要求。Level-2行情是收费的，目前越来越便宜，一年下来一两千左右。

Level-2行情

level1行情和level2行情主要在这些方面存在不同：

1.盘口信息

2.成交明细

3.价格委托

接下来我们分别讲在这些方面，level2行情到底有什么不一样。

Level-1行情和Level-2行情之间最明显的区别就在盘口信息。盘口显示现在市场上限价单的信息，价格右边的数字代表这个价格上面挂了几手待成交的订单。

Level-1只提供买卖盘口的5档行情，比如图中的贵州茅台，买盘和卖盘各自只有五个价位的信息。

Level-1的盘口

在沪市，Level-2在Level-1的基础上又增加了5档行情，显示10档行情。

Level-2的盘口

在深市，Level-2行情甚至提供了买卖各500档，总共1000档的行情：

仔细观察，有的行情软件在开通Level-2之后，对深市股票还提供下图中的这个数据：「拉升至涨停封板所需资金4.77亿」

这个数字其实就是使用500档盘口数据算出来的，将所有卖盘的数据量加起来即可。

盘口里面包含了很丰富的信息，一般来说高频交易的策略一定会用到这个数据，这个时候，Level-2行情就比Level-1行情有更大的优势。

除了买卖盘口显示的行情数据不同，Level-1行情和Level-2行情第二个主要的区别是：Level-1行情只有分时成交记录，而Level-2行情同时还提供逐笔成交记录。

什么是分时成交记录，什么是逐笔成交记录呢？我们用一个例子来说明。

下图中是贵州茅台level1行情的分时成交记录，它显示的是贵州茅台每3秒内总共成交了多少，以及最终的成交价格是多少。

level-1分时成交记录

这3秒里发生了什么呢？不知道，分时成交只提供总成交量和最终的价格。例如上图中的14:56:41-14:56:44之间，分时成交只显示了这3秒内以947.99的价格分10笔（灰色数字）成交了12手（红色数字），最终显示947.99的成交价格是根据最后一笔成交记录的价格而定的，但具体的每笔交易明细是不提供的。

那什么是逐笔成交记录呢？逐笔，顾名思义，就是每一笔，它记录了实时交易中每一笔交易的成交量，即成交了多少手，以及对应的成交价格。可以说，它反映了最真实的成交情况，一般显示的是在几分几秒以多少价格分几笔成交了多少手。

下图就是level-2的逐笔成交数据，和上图的分时成交记录对应（同一时间的交易记录）。可以看出，它涵盖了贵州茅台这3秒内10笔交易的详细数据信息，这12手股票具体在哪一笔交易中，以及对应的成交价格和成交数量都展现出来了。

level-2逐笔成交记录

Level-2行情除了提供逐笔成交记录这个信息外，还提供了最优委托信息，也就是盘口中前50笔订单的委托数量明细。

如下图所示，Level-2行情显示了某股票在14.80的卖一价中总共有110笔订单。红色的14.80是为委托价，黄色的2455表示这个价位总共委托了2455手。这些Level-1也会提供，但是仅仅这些数据，我们并不在知道这2455手是有多少人下的，以及每个人下了多少。

但是在Level-2中就能显示，图中一堆绿色数字就代表了卖一处前50笔订单对应委托的手数。

买盘也是一样：14.79的买一价中，有101笔订单。红色的14.79即为委托价，黄色的1798表示14.79这个价位总共委托了1798手，买一下面的5排红色数字代表了前50笔订单对应委托的手数。

 Level-2买一卖一价中前50笔订单的委托明细

通过Level-2的这个详细买卖盘数据，盘口上的单子到底是散户小打小闹，还是主力真刀实枪在干，都一览无余。

并且Level-2盘口委托数据的速度更新是非常快的，可以看看这张动图感受一下：

嗯，就是这么快。

以上就是Level-2行情的主要特点。当然本文只是简单的介绍，一些细节的东西，你不实践的话讲了也没用。

另外，也不要觉得这数据高级就一定要买。说实话，只要不做高频交易，这个数据是用不到的。一般人买了也就只能装个逼，没啥实际作用。而对于普通投资者非常有价值的，其实是很久之前上交所推出的一个叫做topview的数据，只不过这个数据太牛逼，后来不公布了。感兴趣的可以自己搜索下。

整体来说，Level-2行情提供了更加详尽的数据（毕竟是付费的），能够更好地对短期盘面进行判断，是高频交易必备的数据。如果大家对Level-2在高频交易中的使用感兴趣，可以留言，之后可以多分享相关内容，也欢迎加交流。

【邢不行|量化小讲堂系列46-实战篇】用Python验证A股名言：跳空必回补...吗？【附代码】

引言：

邢不行的系列帖子“量化小讲堂”，通过实际案例教初学者使用python进行量化投资，了解行业研究方向，希望能对大家有帮助。

用Python验证A股名言：跳空必回补...吗？【附代码】

这是邢不行第46期量化小讲堂的分享

转载请联系授权

A股有一句流传已久的格言，叫做「跳空必回补」。

对这个格言，有很多流行的解释，例如：跳空缺口会导致盘面多空势力发生陡变，之后必然要回调；或者缺口使股民手里的筹码盈亏情况发生剧烈变化，所以会引发回补。

解释方法很多，但不管怎么说，跳空到底是不是一定会回补？哪些跳空容易回补？本文就用Python分析股票历史数据来验证一下，看看这句格言到底对不对，能不能让我们赚钱。

所谓跳空回补指的是这样的形态：

在上图黄色的框里，出现了一次向下的跳空：下一根K线的最高价低于前一根K线的最低价。跳空之后，价格逐渐回补，也就是逐渐涨回了跳空之前的价格。

当然，并非所有的跳空都会在短时间内回补：

例如这次向上跳空。跳过之后，价格继续上涨，至少在图中所示的K线中，并没有跌回跳空之前的价格。

所以跳空其实很好定义：

「当前K线的最低价高于前一根K线的最高价，说明出现了一次向上的跳空；当前K线的最高价低于前一根K线的最低价，说明出现了一次向下跳空。」

使用Python，我们可以很方便地描述跳空：

那跳空回补怎么定义呢？其实也很简单：

「出现向上的跳空之后，往后看价格有没有跌回跳空前的价格；出现向下的跳空之后，往后看价格有没有涨回跳空前的价格。」

在明确定义好什么是跳空回补之后，我们就用实际的数据来分析一下，历史上跳空后，到底有多大的概率会回补呢。

我们使用从1990年到现在上证指数的日线数据，来验证是不是所有的跳空都会回补。

经过测算，我们发现，这句格言接近正确。在上证指数上，从1990年12月19日到2019年4月4日，总共出现了684次跳空，其中有637次都回补了，回补概率高达93.13%。

这格言这么有效，赶快拿来赚钱吧！

且慢，其实还有很多数据要分析。例如到底过多久才会补？如果一个缺口要几个月甚至几年才能补上，那未免太折磨人了。

经过编程回测，我们可以得到跳空之后，到底花多长时间，缺口才会补上。下图就展示了回补天数的分布：

由图中可以看出，大多数的回补都在50天之内完成了，但是也有少部分需要400天以上的时间。平均下来，完成一次回补大概需要83天左右。

整体来看，跳空回补的情况大概就是这样。但是跳空实际上也是分好多种的，那不同的跳空之间，情况会不会有区别呢？

根据跳空的方向，可以把跳空分为向上的跳空和向下的跳空。它们表现为这样的形态：

向上跳空：前一根K线的最高价小于后一根K线的最低价。

向下跳空：前一根K线的最低价高于后一根K线的最高价。

在A股28年多的历史里，上证指数总共经历了296次向下的跳空，其中只有5次没有回补；388次向上的跳空，其中有42次没有回补。

为什么向上跳空回补的少，向下回补的多？其实这个原因也很简单：向下跳空，只要指数涨回来就能回补，而股市整体来看是向上涨的，当然就基本全部回补掉了。

跳空回补需要的时间也不一样。向上和向下跳空回补时间的中位数分别是10天和7.5天：

在最极端的案例里，向下跳空整整花了2681天才回补，向上跳空花了2182天才完成回补。

我们来详细看一下这两个极端案例。向下跳空的极端案例发生在2008年1月22日。

看起来就是一次平平无奇的跳空，然而这次跳空是真正的跳在山顶，之后价格一路下跌，直到2015年才补回来。（虽然补回来之后又一路狂泄...）

向上跳空在最极端情况下也经历了将近六年的回补过程，1999年5月20日发生了一次向上的跳空：

随后价格就一路上涨，直到2005年5月10日才回补。这次回补，让市场的情绪降低到了最低点。

当然，跳空之后，至今没有回补的情况也有发生。最著名案例发生在2006年4月28日的一次向上跳空，当时的上证指数大约1400点，至今还没有回补。这次的跳空，基本上就开启了之后一年多波澜壮阔的大牛市。

还有就是2007年11月2日那次著名的向下跳空：

跳在5860点，到今天上证也没有涨回过这个位置。虽然之后肯定是会回补的，不过到底什么时候才能补上，就说不好说了。也许是在...2022年？

我们也注意到，每次跳空的幅度差距非常大。有些跳空连万分之一都没有，但有些跳空高达10%，下图展示跳空大小的分布：

那跳空的大小会不会影响之后的回补呢？

经过计算，跳空大小在1%-5%的范围里时，回补的概率最高，但其实整体看下来，跳空是不是会回补，和跳空的大小没有太明显的关系，组之间的差异也并不大。

我们上文从跳空的方向、幅度大小两个角度进行了分析。除此之外，其实还有很多分析方向，随便举几个例子：

比如可以考察跳空时成交量大小，放量的跳空上涨可能更有意义；也可以考察跳空时是否发生的重要事件，伴随重要事件的跳空是对后市显著的信号；还可以看看跳空有没有形成关键形态，例如突破了前期高点等。

以上都可以给跳空分类，构建策略。实际上我们的量化策略也是这么开发的：基于在市场中得到的具体交易经验，然后通过python和历史数据，去验证这个经验，并在此基础上不断的改良，最终形成优秀的策略。

关于本文跳空的分析，建议感兴趣的朋友自己去鼓捣鼓捣。也可以加询问本文的数据和代码。

本文使用的代码如下：

【邢不行|量化小讲堂系列43-实战篇】：在量化投资中，原来K线还能这么画（附画K线代码）

引言：

邢不行的系列帖子“量化小讲堂”，通过实际案例教初学者使用python进行量化投资，了解行业研究方向，希望能对大家有帮助。

在量化投资中，原来K线还能这么画（附画K线代码）

这是邢不行的第 43期分享。

转载请联系授权

K线是每一位交易者再熟悉不过的东西。毫不夸张的说，每一根K线的开、高、收、低，后面都是大家的喜怒哀乐。

我们熟悉的分钟线、小时线、周线、月线等，统称为「时间等分K线」。实际上，K线的画法非常丰富，远远不止这一种。这篇文章就要从另一个角度来画K线，从另外一个角度描绘交易的信息。

最常见的K线就是时间等分K线。各个交易平台、行情平台展示的，都是这一种K线。

什么叫时间等分呢？用大白话说，就是每根K线背后代表的时间相等。5分钟线，15分钟线，30分钟线，小时线，日线，都属于时间等分K线。

例如，这样一张以太坊的15分钟线：

每15分钟，它就会产生一根新的K线。放大来看：

每根K线包含四个价格：这15分钟里的开盘价、收盘价、最高价、最低价。每根K线，实心方框的上下两个位置代表分别代表开盘价和收盘价；细线（也就是所谓的影线），上下两端代表最高价和最低价。

在数字货币市场，或者美股里，如果K线是绿色的，代表收盘价比开盘价高，所以收盘价在上，开盘价在下；如果K线是红色的，代表收盘价比开盘价低，和绿线相反。

在我大A股，颜色是反过来的。

A股K线图，绿色代表跌，红色代表涨

每根K线就相当于一次信息的简化，简化了这段时间内发生的交易，方便我们做决策。不同交易风格的人会使用不同周期的K线。炒短线的使用1分钟K线、15分钟K线，中长线的可能使用日K线、周K线，而像巴菲特这样的投资者，可能看的是年K线（当然也可能压根不看...）。

大A股30年的年线

每根K线经历的时间相等，这样简单，直观，易理解。任何一个没接触过交易的人，花几分钟就能理解K线的含义了。

可是这样做也会导致：我们在处理K线的时候，都是惯性思维，对每一根K线等同看待。但是，某一根K线可能成交额有几百亿，上千亿，包含了巨大的价格博弈；另一根的成交额只有十几万，行情清汤寡水。

每一根K线代表的相同时间内的成交信息是完全不同的！

我们可以通过额外地看成交量，成交额来弥补这部分的信息。不过，我们还可以从另一个视角来刻画K线。

传统的画K线的方式，用专业名词来说就是：时间等分切片。那么除了这种画法之外，还有哪些画法？如下图： 

需要注意的一点是，成交量和成交额是完全不一样的，可能很多人连这一点都不明白就开始做交易了：

「成交量按照交易的品种来计算，例如成交了多少个币，成交了多少股；成交额是按照钱来算的，例如成交了多少人民币，或者多少美元。」

上面这张图就是我们用python画出来的成交额等分的K线图。

成交额等分的意思是，每根K线包含的成交额相同。上面这张图里，每根K线的成交额就都是8000万美元左右。

也就是说，在画K线时，每当成交额满了8000万美元，就画一根新的K线。这样一来，K线就同时包含了价格和成交额的信息。

当然，每根K线的成交额是不可能正正好好等于8000万美元的：可能现在这根K线的成交额已经有7999万美元了，但是下一笔交易直接成交了5万美元，这时就不得不让成交额多出一个零头。

我们需要用高频数据来画这样的K线，最好是用逐笔数据。也就是一笔一笔交易看过去，再画K线。但逐笔数据的量太大，处理起来较困难，所以我们这里使用1分钟的K线来粗略地近似，代码如下：

实际上用1分钟K线来画，和用逐笔数据画是有很大区别的。因为有的时候1分钟里面可以发生非常多的事情，所以最好还是用逐笔数据。感兴趣的话可以研究一下代码，用逐笔数据去尝试一下，也可以加xingbuxing0807交流。

我们分别用1D的K线，也就是日线，以及成交额等分K线，画出2017年年初至2019年年初的以太坊的走势：

正常K线

成交额等分K线

第二幅图里，每根K线的成交额是8200万美元。为什么用这么奇怪的一个数字？因为两年时间里，第一幅图中的日K线刚好有730根。为了让成交额等分的K线也画出730根，我们强行设定了8200万这个成交额。

虽然走势比较接近，K线数量也相等，但这两幅图还是能看出明显不同。实际上，区别在于：

它们的「信息密度」，或者说「信息分布」是不一样的。

我们用两个例子来解释：

第一个例子，2017年上半年ETH的起势。这段时间里，ETH的成交额比较少：

正常K线

2017年前半年，日线总共有180多根。这些信息息全部浓缩在了下图30多根成交额等分的K线里。用成交额等分来画，行情冷清的K线就合并了。

成交额等分K线

第二个例子，2017年年底到2018年年初ETH的暴涨。我们把2017年11月到2018年2月放大细节来看：

正常K线

成交额等分K线

同样的时间里，成交额等分的K线走势更加平缓，而且K线数量更多。

为什么会出现这样的情况？就是因为这段时间ETH放量上涨。用时间等分来画，有几根K线的成交额就非常大；用成交额等分来画，相当于把原来的一根日线分成了好多根，因此看起来会平缓。大额成交的K线被稀释了。

每一笔交易都体现了交易者的心理活动，或者暗含着某种策略逻辑，这些都是市场的信息。

在时间等分的K线里，每根K线所包含的信息量都不一样，信息分布是不均匀的；在成交额等分K线，每一根的信息量就比较接近，信息均匀地分布在每根K线里。

说了这么多，画成交额等分的K线到底有什么好处？

K线本身是对最原始交易数据的一种简化，是信息的一种呈现形式。我们很多人的投资决策都是基于正常的K线做出的。那么当K线本身发生变化的时候，我们的决策会不会变化？

很多时候，当信息以另外一种形式呈现的时候，往往会产生很多新的启发。

例如很多基于K线的趋势策略或者震荡策略，在新的成交量等分K线下会不会有更好的效果？简单的观测可以发现，新的K线下的布林线策略中，K线不会那么轻易地突破上下轨，而是更加倾向于回到中轨。

再例如，做机器学习选股的时候，新的K线是否可以让机器更好的发现潜在规律？

还有很多场景在这样的K线下会有不一样的效果，就不在文章里一一列举了，感兴趣的话可以交流。

【邢不行|量化小讲堂系列44-实战篇】历年排名前10的基金，在第2年表现如何？Python告诉你答案

引言：

邢不行的系列帖子“量化小讲堂”，通过实际案例教初学者使用python进行量化投资，了解行业研究方向，希望能对大家有帮助。

【历史文章汇总】请点击此处

历年排名前10的基金，在第2年表现如何？Python告诉你答案

这是邢不行第44 期量化小讲堂的分享

转载请联系作者

许多人购买基金，都喜欢买历史业绩好的，包括基金在销售的时候，也喜欢拿历史业绩作为资本。因为大家都默认历史业绩好就代表基金经理有能力，以后也能持续盈利。

但事实真的是这样吗？一切以数据说话，本文使用Python对基金每月数据进行分析，来解答这个问题：明星基金的业绩到底能不能持续？

我们从Wind获取了从2006年至今的所有股票型公募基金和偏股混合型公募基金的每月收益数据，总共覆盖了2360支基金。然后，使用月度收益计算出这些基金每年的收益，得到如下图的一张表格：

其中第一列是基金代码，第二列是基金名称。后面的每一列都是这支基金在当年的收益。所以每一行，都代表一支基金的逐年收益序列。

在数据的初步处理中，还会遇到一些问题。例如，一支基金在年中才发行，当年的运营时间不满一年，收益不能和其它基金直接比较，这一年的数据我们会直接删除，从第二年开始的数据才正式加入。

在几千支基金中，如果一支基金在今年的收益排名前十，那毫无疑问，它应该属于今年的明星基金了，各家基金都会对此大为宣传。那我们就来看一看，每年最优秀的这十只基金，在下一年的表现会怎样？

要评价一支基金在某一年的表现，不能只看它的绝对收益。比如，一支基金某年的收益率是10%，虽然赚了钱，但当年大盘都涨了20%，所以它的表现其实是很差劲的；或者，今年一支基金的收益是 -5%，但是这年大盘跌了10%，那虽然基金亏钱了，但它跑赢了市场，业绩还是不错的。

基金收益 - 基准指数收益，这就是所谓的超额收益。这是衡量基金当年收益的主要标准，本文中我们选择万得全A指数作为基金业绩的基准。

据此，我们通过编写Python程序，很容易得出，每年超额收益排名前10的基金，在下一年超额收益的平均值，具体结果见下图。Python代码和数据可以私信我询问（：xingbuxing0807），

由图中可见，2006年排名前十的基金，在2007年竟然跑输全A指数超过 50%。2008年、2013年、2016年排名前10的基金，到下一年平均都跑输了指数。

我们选择一年来仔细看，例如2014年超额收益最高的这几支基金：

它们在2015年无一能够跑赢指数。

我们甚至可以构建一个投资组合，每年都买入超额收益前十的基金，持有一年，年末调仓，换新的超额收益前十基金。

为了评价这个投资组合，我们还需要一个基准组合：单纯买入万得全A指数，并且每年都把赚到的钱重新买入。

那我们构造的投资组合能不能战胜这个基准呢？

上图的数据证明，每年买入去年超额收益最高的十支基金，持有一年，最终收益和单纯买入万得全A差不多，并没有战胜基准，这还没有扣除换仓基金需要的不菲手续费。

看来优秀基金的业绩其实不可持续，下一年的表现大多数非常平庸。

有人可能要说，光看第二年的超额收益，还是不够全面，会不会是第二年所有的基金的超额收益都很差呢？

那就不看具体的收益，来看收益排名。我们用Python程序找出每年超额收益前10的基金，然后计算它们的在下一年平均超额收益，并且把这个平均的超额收益放在下一年所有基金里进行排名，得到了下图中的排名百分比：

图中的百分比代表了基金排名的分位数。例如2014年的91.39%，那说明2014年排名前10的基金，在2015年在所有基金业绩排名中，排在了第91.39%，是相当差的成绩。

从图中可知，有将近一半的年份，明星基金在下一年的表现都不好，平均排在后50%。

所以，从排名角度来看，前10明星基金的业绩也是不大可持续。如果买入今年表现好的基金，明年未必能赚钱，甚至很有可能是亏钱的。

通过数据分析我们发现，当年排名前十基金，在第二年的表现并不一定优秀。

当然，本文简单的研究有不严谨的地方。例如，在对基金进行排名的时候，没有进行分类。因为有些基金是专注于个别行业的，比如医药、消费品等，也有些基金专注于风格，比如成长、价值。将这些基金全部混在一起排名，有待商榷。

不过，本文和量化小讲堂系列文章，主要目的还是以各类案例来展示如何使用Python处理金融数据。并且文中的主要观点，不要迷信那些历史收益好的基金，也是正确的投资观念。

另外，文中构建的投资组合是过去一年排名前10的基金。敏感都同学就会想到，会不会一年的时间太短，是否过去3年、5年、7年会更好呢？

或者只选前10是否合适？能不能只选第一名？或者选择前100名？

甚至数据证明前10名没效果，那后10名有效吗？

以上的想法，大家有兴趣都可以自己鼓捣鼓捣。本文用到的代码如下图，具体数据和代码文本可以私信我询问

【邢不行|量化小讲堂系列45-实战篇】关于股票市值：99%投资者不知道的坑，你知道吗？

引言：

邢不行的系列帖子“量化小讲堂”，通过实际案例教初学者使用python进行量化投资，了解行业研究方向，希望能对大家有帮助。

关于股票市值：99%投资者不知道的坑，你知道吗？

这是邢不行第45期量化小讲堂的分享

转载请联系

在之前量化小课堂的系列文章中，介绍过一个A股10年400倍的选股策略。这个策略，不仅被美国股市百年历史、A股30年历史都证明为长期有效，还被严谨的学术界承认。

这个10年400倍策略使用到了股票的市值数据。市值这个概念很简单，就是股票的市场价值，说白了就是这家公司值多少钱，计算的方式是：

公司股价 * 公司全部的股本

然而，关于市值在量化投资中的实际使用，其实有很多的坑，本文就讲讲其中的一个。这个坑我曾经问过周围做投资的朋友，如果不是做量化的，100%不知道，做量化的，知道的比例也很低。

公司上市是为了融资。为了降低融资的难度，有的公司会选择在多个交易所上市。例如在A股上市的同时，同时也在B股、港股（也就是H股），甚至美股上市。

例如晨鸣纸业就是一家同时在A股、B股以及港股股上市的股票。由下图显示，它在A股、B股、港股上市的股份比例分别是：

晨鸣纸业股权结构

（声明一下，以上内容只是举例，不是荐股，我从不荐股。）

理论上，这些在不同市场上市的股份，他们背后代表的权益是一样的，没有任何差别，那么他们的股价应该也是一样的。

但是看晨鸣纸业在不同市场的价格：

晨鸣纸业市场价格

我们可以看到，它在A股、B股与港股的价格很不一样。同样的股票，A股居然比港股贵了将近70%。

这就是大A股牛逼的地方。但是本文先不讨论这个，我们来看看如何计算这家多地上市的公司的市值。

理论上来说，对于晨鸣纸业这样的公司，算总市值的时候，就应该是它在A股市场、B股市场、H股市场三个市场里，市值的总和。也就是：

总市值 = A股市值 + B股市值 + H股市值

公司在单个市场的市值计算很简单，就是公司股票在这个市场里有多少股，乘以每一股多少钱就行了。所以总市值就应该是：

总市值 = A股价格*A股股本

               +B股价格*B股股本

               +H股价格*H股股本

在这个公式中，代入前文提到的股本和价格数据，我们得到晨鸣纸业的市值：

165800万股 * 6.92 + 70631万股 * 4.11 + 52830万股 * 4.11 ≈ 165亿

通过上面的方法算出来市值是165亿左右。但是看下图，是同花顺行情软件中晨鸣纸业的总市值。

同花顺的晨鸣纸业市值

图中显示的市值是201亿。和我们算出来的165亿差的非常大，有25%。

并且也可以再去看看其它的行情软件，通达信、大智慧之类的，还包括付费的wind，它们显示的都是200亿左右。

那么这些行情软件到底是怎么算的呢？其实他们用的是这样一个公式：

总市值=A股价格*(A股股本+B股股本+H股股本)

也就是说，不管这部分股份在哪里上市，都用A股的价格来计算。按照这个公式，晨鸣纸业具体计算出的总市值为：

6.92 * (165800万股 + 70631万股+52830万股) ≈ 201亿

这个数字和行情软件中显示的一样。因为晨鸣纸业A股的价格比B股和港股高出很多，所以这样算出来的总市值会比我们之前的方法要高。

至于行情软件为什么要这么算，我估计是因为这么算简单，毕竟不用考虑汇率啥的。一家这么算，然后整个行业就约定俗成的都这么算了。

这样的计算有点问题，但其实也没有太大关系，我们只要自己知道它是怎么算的，用的时候注意一点就行。

在市值这个重要数据的使用上，除了我们本文讲的问题之外，其实还有很多其它需要注意的地方。

例如什么是流通市值？计算流通市值的时候，需要注意什么？计算其它市值衍生指标，例如市盈率、换手率的时候，什么时候用总市值，什么时候用流通市值？这些其实都挺有讲究的。这些内容有机会的话，在之后的文章中和大家分享。

另外有的人会说，我知道这么细有什么用？

确实，对于普通投资者来说，似乎知道了也没啥用。但我们做量化投资就是要这么严谨，天天和数据打交道，所有投资决策都是基于数据做出的，这个时候，怎么能不知道某个数据具体是怎么来的、怎么算的呢？