# 板块异动类
> 来源：https://uqer.io/community/share/54ccf06af9f06c276f651a5a
本代码主要实现以下功能
+ 由`DataAPI.EquIndustryGet`获得每只个股的所属行业，这里采用的是申万二级分类；
+ 根据个股行业获得所有行业的成分股
+ 根据成分股的每天涨幅和市值，获得主题的加权涨幅，将其排序，即得到每日涨跌幅最大的行业前十
+ 根据成分股出现的涨跌停次数，获得涨跌停比例最大的行业前十
+ 根据成分股的换手率，获得换手率最大和最小的行业前十
+ 将每个行业所包含的个股，储存到csv文件中，如果对某个行业感兴趣，可以进一步查看其成分股
此处定义了一些函数，使得代码功能更明确
```py
def GetIndInfo(universe,field): #获得行业数据
num = 100
count_num = len(universe)/num
if count_num>0:
indus_df = pd.DataFrame({})
for i in range(count_num):
sub_ind = DataAPI.EquIndustryGet(secID=universe[i*num:(i+1)*num],field=field)
indus_df = pd.concat([indus_df,sub_ind])
sub_ind = DataAPI.EquIndustryGet(secID=universe[(i+1)*num:],field=field)
indus_df = pd.concat([indus_df,sub_ind])
else:
indus_df = DataAPI.EquIndustryGet(secID=universe,field=field)
filed_new = ['secID']+field
indus_df = indus_df[filed_new]
return indus_df
def GetMktInfo(secID,beginDate,endDate,field): #获得市场行情数据
num = 50
count_num = len(secID)/num
if count_num>0:
MktInfo_df = pd.DataFrame({})
for i in range(count_num):
sub_info = DataAPI.MktEqudGet(secID=secID[i*num:(i+1)*num],beginDate=beginDate,endDate=endDate,field=field)
MktInfo_df = pd.concat([MktInfo_df,sub_info])
sub_info = DataAPI.MktEqudGet(secID=secID[(i+1)*num:],beginDate=beginDate,endDate=endDate,field=field)
MktInfo_df = pd.concat([MktInfo_df,sub_info])
else:
MktInfo_df = DataAPI.MktEqudGet(secID=secID,beginDate=beginDate,endDate=endDate,field=field)
return MktInfo_df
def CountTime():
today = datetime.today()
cal_date = Date.fromDateTime(today)
if cal.isBizDay(cal_date): #如果是交易日，则判断当天是不是在15点前
today_str = today.strftime("%Y%m%d")
time1=" 15:05:00"
ben_time = datetime.strptime(today_str+time1,"%Y%m%d %H:%M:%S")
if today>ben_time:
date = today_str
else: #如果当天不是交易日，则获得前一个交易日
cal_wd = cal.adjustDate(cal_date,BizDayConvention.Preceding) #Date格式
dtime_wd = cal_wd.toDateTime() #datetime格式
date = dtime_wd.strftime("%Y%m%d")
return date
```
获得个股的行情数据，并以此来计算主题的：涨幅、涨跌停比例、换手率
```py
from datetime import timedelta
cal = Calendar('China.SSE')
universe = set_universe('A')
indus_df = GetIndInfo(universe=universe,field =['secShortName','industryName2'])
cnt_date = CountTime() #获得可用的时期
field_mkt = ['preClosePrice','openPrice','highestPrice','lowestPrice','closePrice','turnoverRate','marketValue']
MktInfo_df = GetMktInfo(secID=universe,beginDate=cnt_date,endDate=cnt_date,field=field_mkt)
ind_inc_dic = {} #记录行业的涨幅
ind_gb_dic = {} #记录行业的涨跌停数目
ind_turn_dic = {} #记录行业的换手率
ind_tknm_dic = {} #记录行业包含的个股
grouped = indus_df.groupby('industryName2')
for name,group in grouped:
ind_tknm_dic[name] = list(group['secShortName'])
stk_list = list(group['secID'])
sub_mkt_info = MktInfo_df[MktInfo_df.secID.isin(stk_list)]
#计算行业涨跌幅
sub_mkt_info['inc_rate'] = (sub_mkt_info['closePrice']-sub_mkt_info['preClosePrice'])/sub_mkt_info['preClosePrice'] #获得每个个股的涨跌幅
ind_inc = (sub_mkt_info['inc_rate']*sub_mkt_info['marketValue']).sum()/sub_mkt_info['marketValue'].sum() #获得行业的涨跌幅，利用市值加权平均值计算
ind_inc_dic[name] = ind_inc
num_good = len(sub_mkt_info[((sub_mkt_info['closePrice']-sub_mkt_info['preClosePrice'])/sub_mkt_info['preClosePrice']).round(2)==0.1]) #涨停的个股
num_bad = len(sub_mkt_info[((sub_mkt_info['preClosePrice']-sub_mkt_info['closePrice'])/sub_mkt_info['preClosePrice']).round(2)==0.1]) #跌停的个股
ind_gb_dic[name] = (num_good-num_bad)*1.0/len(group)
turnover = sub_mkt_info['turnoverRate'].mean() #计算行业的平均换手率
ind_turn_dic[name] = turnover
```
以下是将结果进行展示
```py
ind_turn_pd = pd.DataFrame.from_dict(ind_turn_dic,orient='index')
ind_turn_pd.rename(columns={0:u'换手率'},inplace=True)
ind_turn_pd = ind_turn_pd.sort(columns=u'换手率',ascending=False)
ind_turn_pd1 = ind_turn_pd.sort(columns=u'换手率',ascending=True)
print cnt_date+'换手率最大的行业前十：'
ind_turn_pd[0:10]
20150130换手率最大的行业前十：
```
| | 换手率 |
| --- | --- |
| 视听器材 | 0.046510 |
| 基础建设 | 0.042633 |
| 房屋建设 | 0.036725 |
| 计算机应用 | 0.036130 |
| 环保工程及服务 | 0.035021 |
| 营销传播 | 0.034763 |
| 畜禽养殖 | 0.034093 |
| 电力 | 0.033552 |
| 农业综合 | 0.032450 |
| 装修装饰 | 0.032230 |
```py
print cnt_date+'换手率最小的行业前十：'
ind_turn_pd1[0:10]
20150130换手率最小的行业前十：
```
| | 换手率 |
| --- | --- |
| 石油开采 | 0.000900 |
| 银行 | 0.008894 |
| 机场 | 0.009800 |
| 航空运输 | 0.010020 |
| 饲料 | 0.010518 |
| 高速公路 | 0.010583 |
| 汽车整车 | 0.011491 |
| 煤炭开采 | 0.011964 |
| 其他交运设备 | 0.012071 |
| 餐饮 | 0.012150 |
```py
ind_gb_pd = pd.DataFrame.from_dict(ind_gb_dic,orient='index')
ind_gb_pd.rename(columns={0:u'涨跌停比例'},inplace=True)
ind_gb_pd = ind_gb_pd.sort(columns=u'涨跌停比例',ascending=False)
ind_gb_pd1 = ind_gb_pd.sort(columns=u'涨跌停比例',ascending=True)
print cnt_date+'涨停比例最大的行业前十：'
ind_gb_pd[0:10]
20150130涨停比例最大的行业前十：
```
| | 涨跌停比例 |
| --- | --- |
| 视听器材 | 0.200000 |
| 贸易 | 0.086957 |
| 物流 | 0.055556 |
| 专业工程 | 0.055556 |
| 互联网传媒 | 0.045455 |
| 塑料 | 0.045455 |
| 房地产开发 | 0.029630 |
| 电力 | 0.017241 |
| 家用轻工 | 0.000000 |
| 保险 | 0.000000 |
```py
print cnt_date+'跌停比例最大的行业前十：'
ind_gb_pd1[0:10]
20150130跌停比例最大的行业前十：
```
| | 涨跌停比例 |
| --- | --- |
| 旅游综合 | -0.066667 |
| 计算机设备 | -0.051282 |
| 电子制造 | -0.032258 |
| 光学光电子 | -0.024390 |
| 中药 | -0.017857 |
| 化学制品 | -0.006993 |
| 专用设备 | 0.000000 |
| 航运 | 0.000000 |
| 农业综合 | 0.000000 |
| 采掘服务 | 0.000000 |
```py
ind_inc_pd = pd.DataFrame.from_dict(ind_inc_dic,orient='index')
ind_inc_pd = ind_inc_pd.sort(columns=0,ascending=False)
ind_inc_pd.rename(columns={0:u'涨跌幅'},inplace=True)
ind_inc_pd1 = ind_inc_pd.sort(columns=u'涨跌幅')
print cnt_date+'涨幅最大的行业前十：'
ind_inc_pd[0:10]
```
| | 涨跌幅 |
| --- | --- |
| 视听器材 | 0.036822 |
| 燃气 | 0.018286 |
| 种植业 | 0.015623 |
| 房地产开发 | 0.006603 |
| 农业综合 | 0.005786 |
| 水务 | 0.005265 |
| 餐饮 | 0.004425 |
| 动物保健 | 0.004262 |
| 饮料制造 | 0.003649 |
| 汽车服务 | 0.003630 |
```py
print cnt_date+'跌幅最大的行业前十：'
ind_inc_pd1[:10]
20150130跌幅最大的行业前十：
```
| | 涨跌幅 |
| --- | --- |
| 运输设备 | -0.071812 |
| 基础建设 | -0.049886 |
| 多元金融 | -0.041817 |
| 铁路运输 | -0.040228 |
| 保险 | -0.036876 |
| 房屋建设 | -0.035251 |
| 计算机应用 | -0.032599 |
| 石油开采 | -0.028381 |
| 林业 | -0.028153 |
| 航空运输 | -0.025830 |
将行业包含的个股信息储存到csv文件中，可以进行更细致的查看行业信息
```py
ind_tk_pd = pd.DataFrame({})
for ind_nm,tk_list in ind_tknm_dic.items():
sub_pd = pd.DataFrame(tk_list)
sub_pd[u'行业名称'] = ind_nm
ind_tk_pd = pd.concat([ind_tk_pd,sub_pd])
ind_tk_pd.rename(columns={0:u'成分股'},inplace=True)
ind_tk_pd = ind_tk_pd.loc[:,[u'行业名称',u'成分股']]
ind_tk_pd.to_csv('ind_tk.csv',encoding='GBK',index=False)
```
- 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