【冰質台股】20210504 台股交易分析,指數歷史跌幅紀錄

今天是我接手線線分析台股的第一天,我想現在最多人會想問我的一個問題就是,台股從去年2020年3月19最低點8523.63上漲到最高點17709.23點,漲福已經高達107%,算法是17709.23/8523.63 然後-100% = 107%,所以大盤從最低點已經是漲一倍了。

這當中無論你在哪個位置進場你一定都是賺錢的,我們現在先來看這段期間的明顯跌福大約是多少,再回顧一下過去。

2020/4/17高點10710 --> 4/22低點10140 跌幅5.4%
2020/5/11 高點11039 --> 5/18 低點10730 跌幅3.8%
2020/6/10 高點11740 --> 6/12 低點11244 跌幅4.3%
2020/8/18 高點12981 -->8/20 低點12144 跌幅6.5%
2020/9/16 高點13021 --> 9/25 低點12149 跌幅6.7%
2020/10/26 高點12971 --> 10/30 低點12546 跌幅3.3%
2021/1/21 高點16238 -->  2/1 低點15089 跌幅7.1%
2021/2/22 高點16579 --> 3/5 低點15636 跌幅5.7%
2021/4/29 高點17709 --> 5/4目前暫定16647 跌幅6%

從過去歷史我們可以發現,其實兩天大跌6%還都沒到這次大漲一倍的過程中最大跌幅的2021/1/21,甚至還沒到2020/8/18和2020/9/16那兩次的6%以上,所以雖然已經快接近最大跌幅7.1%,但不能視作到底的訊號,好消息是目前台幣兌美元仍然強勁,資金沒有撤出,但外資其實已經從2021年1月份賣到3月底,4月偏向小買格局,投信自2021/4/26也一路賣過來,所以法人出貨,散戶接刀的格局蠻明顯的,外加五月是大股東賣股繳稅的旺季,我認為整個五月都不會太好,這就是為什麼我們4月29日賣光股票的原因。

這次措手不及的是,我們賣光股票剛好遇到連假疫情,原本周日公布時我們也沒想到周一會跌得這麼重,但就算分享了,賣在第一天也應該都獲利,如果你賣出是虧損的,要好好檢討自己追在多離譜的位置,才會導致虧損,今天邁入第二天,大盤爆出6723億的量,稍有經驗的股市投資人都知道,過去2000億已經是天量了,現在一天竟然有6723億的大量,去年底2606億也已經都是過去的歷史大量了。

我以月成交量做說明,2007年的7月次貸前,當月成交5.0316兆,再更早1997年7月2日當月成交5.1972兆,這次很神奇2020年去年7月也創下5.3238兆的天量,隨後2020年12月創下6.1939兆突破了6兆單月成交的歷史紀錄,2021年一月份突破7兆,來到7.4259兆,2月過年後降低,3月再度突破7兆,來到7.055兆,4月直接刷下8.5兆的成交量再創歷史價跟量。

我們用這個月換算一下,今天是5月3日交易兩天,應該還有19天的交易天數,現在1.27兆成交量,如果1.27/2*21等於用這兩天回推這個月成交會來到13兆,顯然不太合理,所以後面量縮的可能性很高,但量一縮照目前的價格恐怕會有套牢賣壓。

所以今天還創新高價格的股票就值得注意了

以市值排行
1.偉穎6669 成交價929
2.微星2377 成交價191
3.禾伸堂3026 成交價136.5
4.永信建5508 成交價51.4
5.宏遠1460 成交價12.7
6.聯發1459 成交價14.1
7.中櫃2613 成交價30.6
8.東和1414 成交價 20.4
9.興泰1236 成交價35
10宏益1452 成交價24.45

這裡面只有偉穎、微星、宏遠,如果你還有在做個股給你參考。

如果我們用月線等級來看大盤,大盤只有在2020年3月以後在2020年8月、9月、10日出現盤整,出現黑k,此後都再也沒有一路凱旋高歌全部都是紅盤,但這個月收黑k的機率大為增加,要注意,現在的週期跟2018年可能類似,2016年11月川普當選後到2018年2月出現了選擇權波動性危機,雖然當前波動性還沒有到底,扣掉2月當時也只出現兩個月的黑k。

如果我們用月份算扣2016年11月把2018年2月加進去是15個月出現3黑k(含2018年2月本身)
2020年3月以後(扣2020年3月不算,加入2021年5月)這樣是14個月,因為5月還沒出現,也是3黑,這個技術面的相似度很高,2018年的2月當年下跌10%才止跌,我認為這次五月可以用10%來做一個參考。

17709*0.9= 15938 ,大約16000點可能是一個短期不錯的指數買點,好,今天的分析就到這邊了,線線短期可能會暫時休息,非常謝謝昨天也有好朋友留言支持他。














張貼留言

1 留言

自然寫道…
納蘭雪敏觀察力真的很強. 總是能把一些細節數據化進而去推論
這篇含金量好高. 真是受益
非常感謝