快速研究主題神器 · Python 量化交易教程

# 快速研究主題神器 > 來源：https://uqer.io/community/share/551e5160f9f06c8f33904513 ## 用于快速研究某個主題，可以獲得以下信息 + 主題相關的成分股 + 主題在最近1年、3個月、5個交易日內的漲幅 + 依據漲幅和成交量來獲取在最近1年、3個月、5個交易日內的主題龍頭股，并列出龍頭股在這段時間區間內的漲幅 + 依據通聯算法，獲得與主題相關度最高的個股以及個股在最近1年、3個月、5個交易日內的漲幅 ## 該代碼用法 + step1：先在輸入1處輸入待研究的主題名稱，如“新能源汽車”，運行“輸入1”所在的cell，可以看到該主題所對應的主題id。有可能有多個主題包含了輸入的主題名稱，需要從中挑選自己想要研究的主題 + step2：確定了主題id，在“輸入2”所在cell修改`theme_id`，注意格式是字符串 + step3：運行所有cell，便可獲取與主題相關的信息了 ```py #先通過主題名稱獲得主題id themeName = u'生物醫藥' ###################輸入1，在此處輸入要研究的主題名稱################### field1 = ['themeID','themeName'] thms_id = DataAPI.ThemesContentGet(themeName=themeName,field=field1) thmid2nm_dic = dict(zip(thms_id['themeID'],thms_id['themeName'])) #獲得主題id與主題名稱的對應 thms_id ``` | | themeID | themeName | | --- | --- | | 0 | 4462 | 生物醫藥股 | | 1 | 120419 | 生物醫藥 | | 2 | 120420 | 生物醫藥產業 | ```py ##這里是輸入 theme_id = '120419' ###################輸入2，由上面可獲得主題id，在此處輸入主題id，注意格式是字符串################### field2 = ['themeID','themeName','ticker','secShortName','returnScore','textContributionScore','industryScore'] thm_tks = DataAPI.TickersByThemesGet(themeID=theme_id,field=field2) #獲得該主題相關的證券，以及證券與主題的相關度 tk2nm_dic = dict(zip(thm_tks['ticker'],thm_tks['secShortName'])) ``` ```py import pandas as pd from CAL.PyCAL import * cal = Calendar('China.SSE') def CountTime(): #返回的是datetime格式 today = datetime.today() today_str = today.strftime("%Y%m%d") cal_date = Date.fromDateTime(today) time1=" 15:05:00" ben_time = datetime.strptime(today_str+time1,"%Y%m%d %H:%M:%S") if cal.isBizDay(cal_date) & (today>ben_time): #如果是交易日，則判斷當天是不是在15點前 date = today else: #如果當天不是交易日，則獲得前一個交易日 cal_wd = cal.adjustDate(cal_date,BizDayConvention.Preceding) #Date格式 date = cal_wd.toDateTime() #datetime格式 return date def GetMktEqud(tk_list,**kargs): #該函數是用來調取市場行情數據，由于調取時有長度限制，如果查詢的個股數太多，需要分批調取 num = 100 cnt_num = len(tk_list)/num if cnt_num > 0: df = pd.DataFrame({}) for i in range(cnt_num): sub_df = DataAPI.MktEqudGet(ticker=tk_list[i*num:(i+1)*num],**kargs) df = pd.concat([df,sub_df]) if (i+1)*num != len(tk_list): sub_df = DataAPI.MktEqudGet(ticker=tk_list[(i+1)*num:],**kargs) df = pd.concat([df,sub_df]) else: df = DataAPI.MktEqudGet(ticker=tk_list,**kargs) return df def GetReturn(Mkt_Info_df): #該函數是用來獲得主題在一段時間內的收益，以及個股在這段時間內的收益（先計算成分股在一段時間內的漲幅，再加權成交金額得到主題的漲幅） Mkt_Info_df_gp = Mkt_Info_df.groupby('ticker') tk_inc_dic = {'ticker':[],'return':[],'turnoverValue':[]} for tk,sub_info in Mkt_Info_df_gp: rtn = sub_info['increase'].prod()-1 tnv = sub_info['turnoverValue'].sum()/len(sub_info) #獲得平均成交金額 tk_inc_dic['ticker'].append(tk) tk_inc_dic['return'].append(rtn) tk_inc_dic['turnoverValue'].append(tnv) tk_inc_df = pd.DataFrame(tk_inc_dic) tk_inc_df['secShortName'] = tk_inc_df['ticker'].apply(lambda x:tk2nm_dic[x]) rtn_together = (tk_inc_df['return']*tk_inc_df['turnoverValue']).sum()/tk_inc_df['turnoverValue'].sum() #獲得該主題一段時間的漲幅，成交金額加權收益 return rtn_together,tk_inc_df ``` ```py print '主題關聯的個股' thm_tks 主題關聯的個股 ``` | | themeID | themeName | ticker | secShortName | returnScore | textContributionScore | industryScore | | --- | --- | | 0 | 120419 | 生物醫藥 | 000004 | 國農科技 | 0.935363 | 0.000000 | 0.785714 | | 1 | 120419 | 生物醫藥 | 000403 | ST生化 | 0.927900 | 0.000000 | 0.714286 | | 2 | 120419 | 生物醫藥 | 000513 | 麗珠集團 | 0.963505 | 0.030303 | 0.714286 | | 3 | 120419 | 生物醫藥 | 000538 | 云南白藥 | 0.985011 | 0.260606 | 0.714286 | | 4 | 120419 | 生物醫藥 | 000597 | 東北制藥 | 0.988989 | 0.103030 | 0.714286 | | 5 | 120419 | 生物醫藥 | 000661 | 長春高新 | 0.938084 | 0.193939 | 0.714286 | | 6 | 120419 | 生物醫藥 | 000739 | 普洛藥業 | 0.954498 | 0.042424 | 0.714286 | | 7 | 120419 | 生物醫藥 | 000790 | 華神集團 | 0.816360 | 0.006061 | 0.714286 | | 8 | 120419 | 生物醫藥 | 000820 | 金城股份 | 0.630109 | 0.000000 | 0.017857 | | 9 | 120419 | 生物醫藥 | 000931 | 中關村 | 0.927900 | 1.000000 | 0.062500 | | 10 | 120419 | 生物醫藥 | 000963 | 華東醫藥 | 0.693950 | 0.193939 | 0.714286 | | 11 | 120419 | 生物醫藥 | 002004 | 華邦穎泰 | 0.791938 | 0.078788 | 0.750000 | | 12 | 120419 | 生物醫藥 | 002007 | 華蘭生物 | 0.942944 | 0.406061 | 0.714286 | | 13 | 120419 | 生物醫藥 | 002019 | 億帆鑫富 | 0.982201 | 0.121212 | 0.750000 | | 14 | 120419 | 生物醫藥 | 002020 | 京新藥業 | 0.915740 | 0.018182 | 0.714286 | | 15 | 120419 | 生物醫藥 | 002030 | 達安基因 | 0.142927 | 0.545455 | 0.714286 | | 16 | 120419 | 生物醫藥 | 002038 | 雙鷺藥業 | 0.680201 | 0.012121 | 0.714286 | | 17 | 120419 | 生物醫藥 | 002102 | 冠福股份 | 0.847786 | 0.000000 | 0.053571 | | 18 | 120419 | 生物醫藥 | 002107 | 沃華醫藥 | 0.000000 | 0.248485 | 0.714286 | | 19 | 120419 | 生物醫藥 | 002219 | 恒康醫療 | 0.930044 | 0.169697 | 0.714286 | | 20 | 120419 | 生物醫藥 | 002286 | 保齡寶 | 0.904069 | 0.000000 | 0.017857 | | 21 | 120419 | 生物醫藥 | 002287 | 奇正藏藥 | 0.897739 | 0.012121 | 0.714286 | | 22 | 120419 | 生物醫藥 | 002294 | 信立泰 | 0.785857 | 0.169697 | 0.714286 | | 23 | 120419 | 生物醫藥 | 002317 | 眾生藥業 | 0.927900 | 0.115152 | 0.714286 | | 24 | 120419 | 生物醫藥 | 002349 | 精華制藥 | 0.927900 | 0.012121 | 0.714286 | | 25 | 120419 | 生物醫藥 | 002432 | 九安醫療 | 0.804717 | 0.333333 | 0.714286 | | 26 | 120419 | 生物醫藥 | 002462 | 嘉事堂 | 0.835883 | 0.036364 | 0.714286 | | 27 | 120419 | 生物醫藥 | 002550 | 千紅制藥 | 0.961297 | 0.012121 | 0.714286 | | 28 | 120419 | 生物醫藥 | 002581 | 萬昌科技 | 0.772591 | 0.078788 | 0.035714 | | 29 | 120419 | 生物醫藥 | 002653 | 海思科 | 0.900234 | 0.054545 | 0.714286 | | ... | ... | ... | ... | ... | ... | ... | ... | | 52 | 120419 | 生物醫藥 | 600220 | 江蘇陽光 | 0.754740 | 0.000000 | 0.035714 | | 53 | 120419 | 生物醫藥 | 600222 | 太龍藥業 | 0.866747 | 0.018182 | 0.714286 | | 54 | 120419 | 生物醫藥 | 600249 | 兩面針 | 0.944427 | 0.006061 | 0.035714 | | 55 | 120419 | 生物醫藥 | 600252 | 中恒集團 | 0.907264 | 0.072727 | 0.776786 | | 56 | 120419 | 生物醫藥 | 600267 | 海正藥業 | 0.967912 | 0.048485 | 0.714286 | | 57 | 120419 | 生物醫藥 | 600272 | 開開實業 | 0.995495 | 0.000000 | 0.035714 | | 58 | 120419 | 生物醫藥 | 600276 | 恒瑞醫藥 | 0.935974 | 0.751515 | 0.714286 | | 59 | 120419 | 生物醫藥 | 600297 | 美羅藥業 | 0.833323 | 0.078788 | 0.714286 | | 60 | 120419 | 生物醫藥 | 600332 | 白云山 | 0.956238 | 0.309091 | 0.714286 | | 61 | 120419 | 生物醫藥 | 600340 | 華夏幸福 | 0.881892 | 0.381818 | 0.062500 | | 62 | 120419 | 生物醫藥 | 600381 | 賢成礦業 | 0.921978 | 0.012121 | 0.107143 | | 63 | 120419 | 生物醫藥 | 600385 | ST金泰 | 0.765946 | 0.000000 | 0.714286 | | 64 | 120419 | 生物醫藥 | 600422 | 昆藥集團 | 0.956965 | 0.060606 | 0.714286 | | 65 | 120419 | 生物醫藥 | 600503 | 華麗家族 | 0.927900 | 0.096970 | 0.062500 | | 66 | 120419 | 生物醫藥 | 600521 | 華海藥業 | 0.982925 | 0.012121 | 0.714286 | | 67 | 120419 | 生物醫藥 | 600535 | 天士力 | 0.983813 | 0.521212 | 0.714286 | | 68 | 120419 | 生物醫藥 | 600557 | 康緣藥業 | 0.988432 | 0.236364 | 0.714286 | | 69 | 120419 | 生物醫藥 | 600587 | 新華醫療 | 0.967148 | 0.030303 | 0.714286 | | 70 | 120419 | 生物醫藥 | 600594 | 益佰制藥 | 0.836619 | 0.230303 | 0.714286 | | 71 | 120419 | 生物醫藥 | 600624 | 復旦復華 | 0.977262 | 0.115152 | 0.017857 | | 72 | 120419 | 生物醫藥 | 600645 | 中源協和 | 0.599070 | 0.521212 | 0.750000 | | 73 | 120419 | 生物醫藥 | 600666 | 西南藥業 | 0.831056 | 0.090909 | 0.714286 | | 74 | 120419 | 生物醫藥 | 600783 | 魯信創投 | 0.878917 | 0.236364 | 0.026786 | | 75 | 120419 | 生物醫藥 | 600789 | 魯抗醫藥 | 0.993466 | 0.115152 | 0.714286 | | 76 | 120419 | 生物醫藥 | 600826 | 蘭生股份 | 0.913197 | 0.121212 | 0.035714 | | 77 | 120419 | 生物醫藥 | 600867 | 通化東寶 | 0.822112 | 0.078788 | 0.714286 | | 78 | 120419 | 生物醫藥 | 600873 | 梅花生物 | 0.958417 | 0.103030 | 0.026786 | | 79 | 120419 | 生物醫藥 | 600895 | 張江高科 | 0.627730 | 0.296970 | 0.062500 | | 80 | 120419 | 生物醫藥 | 601607 | 上海醫藥 | 0.519610 | 0.442424 | 0.714286 | | 81 | 120419 | 生物醫藥 | 603168 | 莎普愛思 | 0.994970 | 0.012121 | 0.714286 | ``` 82 rows × 7 columns ``` ```py #獲得該主題的上漲幅度 #獲得研究的結束時間，如果在當天收盤前，則為前一個交易日 endDate_dt = CountTime() endDate_CAL = Date.fromDateTime(endDate_dt) #前一季度的時間 beginDate_3M_CAL = cal.advanceDate(endDate_CAL,Period('-3M'),BizDayConvention.Following) beginDate_3M_dt = beginDate_3M_CAL.toDateTime() #前5個交易日的時間 period_day = 5 ###################輸入################### period_CAL = '-'+str(period_day)+'B' beginDate_5B_CAL = cal.advanceDate(endDate_CAL, period_CAL, BizDayConvention.Following) beginDate_5B_dt = beginDate_5B_CAL.toDateTime() ``` ```py #獲得主題在這一年、一季度、5個交易日內的漲幅 tk_list = thm_tks['ticker'].tolist() #獲得主題關聯的證券代碼列表 field = ['ticker','secShortName','tradeDate','preClosePrice','closePrice','turnoverValue','marketValue'] #計算主題在最近1年的漲幅 Mkt_Info_df_1Y = GetMktEqud(tk_list=tk_list,field =field) #獲取市場行情，省略了beginDate和endDate，則獲取最近1年的行情 Mkt_Info_df_1Y['tradeDate'] = pd.to_datetime(Mkt_Info_df_1Y['tradeDate']) #將tradeDate這一列的格式由string改為datetime Mkt_Info_df_1Y['increase'] = Mkt_Info_df_1Y['closePrice']/Mkt_Info_df_1Y['preClosePrice'] (rtn_1Y,tk_rt_df_1Y) = GetReturn(Mkt_Info_df_1Y) #計算主題在最近3個月的漲幅 Mkt_Info_df_3M = Mkt_Info_df_1Y[Mkt_Info_df_1Y['tradeDate']>beginDate_3M_dt] (rtn_3M,tk_rt_df_3M) = GetReturn(Mkt_Info_df_3M) #計算主題在最近5個交易日的漲幅 Mkt_Info_df_5B = Mkt_Info_df_1Y[Mkt_Info_df_1Y['tradeDate']>beginDate_5B_dt] (rtn_5B,tk_rt_df_5B) = GetReturn(Mkt_Info_df_5B) ``` ```py def add_nm_rtn(mkt_df): #將個股名稱與收益拼接，方便做展示 add_info_list = [] for i in range(len(mkt_df)): add_info = mkt_df['secShortName'].iloc[i] + str(round(mkt_df['return'].iloc[i],3)) add_info_list.append(add_info) return add_info_list ``` ```py #獲取主題在最近1年、3個月、5個交易日內的龍頭股及其漲幅 df_list = [tk_rt_df_1Y,tk_rt_df_3M,tk_rt_df_5B] bigstk_dic = {'bigstk_by_rtn':[],'bigstk_by_rnv':[]} for df_i in df_list: df_sort_rtn = df_i.sort(columns='return',ascending=False)[0:3] #按照收益率對其排序，取前3 df_sort_tnv = df_i.sort(columns='turnoverValue',ascending=False)[0:3] #按照成交量對其排序，取前3 bigstk_rtn_list = add_nm_rtn(df_sort_rtn) bigstk_tnv_list = add_nm_rtn(df_sort_tnv) bigstk_dic['bigstk_by_rtn'].append(bigstk_rtn_list) bigstk_dic['bigstk_by_rnv'].append(bigstk_tnv_list) bigstk_dic['thm_rtn'] = [round(rtn_1Y,3),round(rtn_3M,3),round(rtn_5B,3)] bigstk_df = pd.DataFrame(bigstk_dic) bigstk_df = bigstk_df.loc[:,['thm_rtn','bigstk_by_rtn','bigstk_by_rnv']] bigstk_df.index = [u'最近一年',u'最近3個月',u'最近5個交易日'] bigstk_df.columns = [u'主題漲幅',u'龍頭股_按漲幅',u'龍頭股_按成交量'] print '主題：',thmid2nm_dic[int(theme_id)] bigstk_df 主題：生物醫藥 ``` | | 主題漲幅 | 龍頭股_按漲幅 | 龍頭股_按成交量 | | --- | --- | | 最近一年 | 0.983 | [沃華醫藥5.498, 莎普愛思4.354, 達安基因3.13] | [云南白藥0.268, 達安基因3.13, 白云山0.344] | | 最近3個月 | 0.518 | [沃華醫藥1.938, 達安基因1.348, 博騰股份1.149] | [達安基因1.348, 張江高科0.548, 上海醫藥0.418] | | 最近5個交易日 | 0.091 | [江蘇陽光0.266, 恒康醫療0.221, 蘭生股份0.22] | [達安基因0.198, 華夏幸福0.122, 上海醫藥0.088] | ```py #按照相關度做研究，不同維度得到的最相關的個股，查看其收益率 tks_rtnscore = thm_tks.sort(columns='returnScore',ascending=False)[0:3]['ticker'].tolist() #根據returnScore排序 tks_textscore = thm_tks.sort(columns='textContributionScore',ascending=False)[0:3]['ticker'].tolist() #根據textContributionScore排序 tks_indscore = thm_tks.sort(columns='industryScore',ascending=False)[0:3]['ticker'].tolist() #根據industryScore排序 tks_score_list = [tks_rtnscore,tks_textscore,tks_indscore] bigstk_score_dic = {} def noname(df,lt): #將結果按照傳入的list中的ticker順序排列，而不是默認由市場行情獲得的的那個dataframe的順序，我說清楚了嗎 new_df = pd.DataFrame({}) for i in lt: a = df[df['ticker']==i] new_df = pd.concat([new_df,a]) return new_df for i in range(3): tk_score_list = tks_score_list[i] #先獲得1年、3個月、5個交易日的dataframe sub_mkt_1Y = noname(tk_rt_df_1Y,tk_score_list) add_info_1Y = add_nm_rtn(sub_mkt_1Y) sub_mkt_3M = noname(tk_rt_df_3M,tk_score_list) add_info_3M = add_nm_rtn(sub_mkt_3M) sub_mkt_5B = noname(tk_rt_df_5B,tk_score_list) add_info_5B = add_nm_rtn(sub_mkt_5B) if i == 0: bigstk_score_dic['rtn_score'] = [add_info_1Y,add_info_3M,add_info_5B] if i == 1: bigstk_score_dic['text_score'] = [add_info_1Y,add_info_3M,add_info_5B] if i == 2: bigstk_score_dic['ind_score'] = [add_info_1Y,add_info_3M,add_info_5B] bigstk_score_dic['thm_rtn'] = [round(rtn_1Y,3),round(rtn_3M,3),round(rtn_5B,3)] bigstk_score_df = pd.DataFrame(bigstk_score_dic) bigstk_score_df = bigstk_score_df.loc[:,['thm_rtn','text_score','ind_score','rtn_score']] bigstk_score_df.index = [u'最近一年',u'最近3個月',u'最近5個交易日'] bigstk_score_df.columns = [u'主題漲幅',u'最相關_文本',u'最相關_行業',u'最相關_收益'] bigstk_score_df ``` | | 主題漲幅 | 最相關_文本 | 最相關_行業 | 最相關_收益 | | --- | --- | | 最近一年 | 0.983 | [中關村0.986, 恒瑞醫藥0.642, 達安基因3.13] | [國農科技1.028, 中恒集團0.599, 華邦穎泰1.034] | [開開實業0.697, 莎普愛思4.354, 魯抗醫藥1.183] | | 最近3個月 | 0.518 | [中關村0.35, 恒瑞醫藥0.258, 達安基因1.348] | [國農科技0.648, 中恒集團0.224, 華邦穎泰0.902] | [開開實業0.241, 莎普愛思0.487, 魯抗醫藥0.612] | | 最近5個交易日 | 0.091 | [中關村0.097, 恒瑞醫藥0.096, 達安基因0.198] | [國農科技0.073, 中恒集團0.028, 華邦穎泰0.148] | [開開實業0.086, 莎普愛思0.037, 魯抗醫藥0.197] | ```py thm_tks_text = thm_tks.sort(columns='textContributionScore',ascending=False)[0:5] print '排名按照textContributionScore(文本貢獻關聯度，主題和證券在新聞文本中的相似度，取值范圍[0，1]，值越大表示關聯度越高)' thm_tks_text 排名按照textContributionScore(文本貢獻關聯度，主題和證券在新聞文本中的相似度，取值范圍[0，1]，值越大表示關聯度越高) ``` | | themeID | themeName | ticker | secShortName | returnScore | textContributionScore | industryScore | | --- | --- | | 9 | 120419 | 生物醫藥 | 000931 | 中關村 | 0.927900 | 1.000000 | 0.062500 | | 58 | 120419 | 生物醫藥 | 600276 | 恒瑞醫藥 | 0.935974 | 0.751515 | 0.714286 | | 15 | 120419 | 生物醫藥 | 002030 | 達安基因 | 0.142927 | 0.545455 | 0.714286 | | 72 | 120419 | 生物醫藥 | 600645 | 中源協和 | 0.599070 | 0.521212 | 0.750000 | | 67 | 120419 | 生物醫藥 | 600535 | 天士力 | 0.983813 | 0.521212 | 0.714286 | ```py thm_tks_ind = thm_tks.sort(columns='industryScore',ascending=False)[0:5] print '排名按照industryScore(行業關聯度，主題和證券在行業分布上的相似度，取值范圍[0，1]，值越大表示關聯度越高)' thm_tks_ind 排名按照industryScore(行業關聯度，主題和證券在行業分布上的相似度，取值范圍[0，1]，值越大表示關聯度越高) ``` | | themeID | themeName | ticker | secShortName | returnScore | textContributionScore | industryScore | | --- | --- | | 0 | 120419 | 生物醫藥 | 000004 | 國農科技 | 0.935363 | 0.000000 | 0.785714 | | 55 | 120419 | 生物醫藥 | 600252 | 中恒集團 | 0.907264 | 0.072727 | 0.776786 | | 11 | 120419 | 生物醫藥 | 002004 | 華邦穎泰 | 0.791938 | 0.078788 | 0.750000 | | 72 | 120419 | 生物醫藥 | 600645 | 中源協和 | 0.599070 | 0.521212 | 0.750000 | | 13 | 120419 | 生物醫藥 | 002019 | 億帆鑫富 | 0.982201 | 0.121212 | 0.750000 | ```py thm_tks_rtn = thm_tks.sort(columns='returnScore',ascending=False)[0:5] print '排名按照returnScore(收益關聯程度，主題和證券在短期收益上的相似度，取值范圍[0，1]，值越大表示關聯度越高)' thm_tks_rtn 排名按照returnScore(收益關聯程度，主題和證券在短期收益上的相似度，取值范圍[0，1]，值越大表示關聯度越高) ``` | | themeID | themeName | ticker | secShortName | returnScore | textContributionScore | industryScore | | --- | --- | | 57 | 120419 | 生物醫藥 | 600272 | 開開實業 | 0.995495 | 0.000000 | 0.035714 | | 81 | 120419 | 生物醫藥 | 603168 | 莎普愛思 | 0.994970 | 0.012121 | 0.714286 | | 75 | 120419 | 生物醫藥 | 600789 | 魯抗醫藥 | 0.993466 | 0.115152 | 0.714286 | | 4 | 120419 | 生物醫藥 | 000597 | 東北制藥 | 0.988989 | 0.103030 | 0.714286 | | 68 | 120419 | 生物醫藥 | 600557 | 康緣藥業 | 0.988432 | 0.236364 | 0.714286 |