# 谁是中国A股最有钱的自然人
> 来源：https://uqer.io/community/share/5523b45ef9f06c8f3390453e
运行此代码，便可知道，在当前日期，谁是A股最有钱的自然人！
股东数据来自于恒生聚源，选择的是类型为“自然人”的股东，有可能有脏数据！
```py
import pandas as pd
import numpy as np
from datetime import datetime,timedelta
from CAL.PyCAL import *
cal = Calendar('China.SSE')
```
```py
def GetSecID(tk_list,**kargs): #获得partyID
num = 100
cnt_num = len(tk_list)/num
if cnt_num > 0:
df = pd.DataFrame({})
for i in range(cnt_num):
sub_df = DataAPI.SecIDGet(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.SecIDGet(ticker=tk_list[(i+1)*num:],**kargs)
df = pd.concat([df,sub_df])
else:
df = DataAPI.SecIDGet(ticker=tk_list,**kargs)
return df
def CountTime(): #获取最近的一个交易日，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，则判断当天是不是在15点前
date = today
else: #如果当天不是交易日，则获得前一个交易日
cal_wd = cal.advanceDate(cal_date, '-1B', BizDayConvention.Following) #Date格式
date = cal_wd.toDateTime() #datetime格式
return date
def GetMktEqud(tk_list,**kargs): #获得最新市场信息快照，即最新价格信息
num = 50
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 add_nm_money(sub_info): #将个股名称与金额拼接，方便做展示
add_info_list = []
sub_info_1 = sub_info.sort(columns='hold_money',ascending=False)
for i in range(len(sub_info_1)):
add_info = sub_info_1['secshortNM'].iloc[i] + str(round(sub_info_1['hold_money'].iloc[i]/1e8,2))+'亿'
add_info_list.append(add_info)
return add_info_list
```
```py
#获得全A股的partyID
universe = DataAPI.EquGet(equTypeCD='A')['secID'].tolist() #获得全A股的secID
All_A_tks_list = map(lambda x:x[0:6],universe) #根据色此ID获得A股的所有ticker，因为要获得partyID需要输入ticker
party_id_info = GetSecID(tk_list=All_A_tks_list,field=['secShortName','ticker','partyID']) #由ticker获得该个股的partyID
party2tk_dic = dict(zip(party_id_info['partyID'],party_id_info['ticker'])) #获得partyID与ticker的对应字典；注意，party_id_info的partyID是int型
party2nm_dic = dict(zip(party_id_info['partyID'],party_id_info['secShortName'])) #获得partyID与secShortName的对应字典
party_id_list = map(lambda x:str(x),party_id_info['partyID'].tolist()) #获得partyID的list，返回的party_id_info的‘partyID’是int型，而EquMainshJYGet输入的partyID需要str型，所以这里做个转换
field1 = ['partyID','publishDate','shName','shChar','holdVol'] #分别对应的是[公司代码，公告日、信息类别、股东名称、股东性质、持股数]
```
```py
#获得所有个股的自然人股东姓名，以及持有的股票数目
All_info_df = pd.DataFrame({})
for party_id in party_id_list:
hold_info = DataAPI.JY.EquMainshJYGet(partyID=party_id,field=field1)
last_publishDate = hold_info['publishDate'].iloc[-1]
hold_info = hold_info[(hold_info['publishDate']==last_publishDate)&(hold_info['shChar']=='自然人')] #获取最新的自然人股东信息
hold_info_gp = hold_info.groupby('shName')
#由于EquMainshJYGet这个API获得的是十大股东和十大流通股，只要出现过，不管是哪种都要记录；有可能出现两次，也只记录一次。
for nm,sub_info in hold_info_gp:
if len(sub_info)>1: #既是十大股东之一也是十大流通股东之一，只记录其中之一
All_info_df = pd.concat([All_info_df,sub_info[0:1]])
else: #是十大股东或十大流通股东，记录下来
All_info_df = pd.concat([All_info_df,sub_info])
All_info_df['ticker'] = All_info_df['partyID'].apply(lambda x:party2tk_dic[x]) #获得partyID对应的ticker
```
```py
#获得个股的行情数据
tklist_1 = All_info_df['ticker'].tolist() #获得有自然人持股的个股ticker
tklist_1 = list(set(tklist_1)) #去重
endDate = CountTime().strftime('%Y%m%d') #获得最近一个交易日的日期
Mkt_info = GetMktEqud(tklist_1,beginDate=endDate,endDate=endDate,field = ['ticker','closePrice']) #获取最近一个交易日的行情数据
```
```py
tk2price = dict(zip(Mkt_info['ticker'],Mkt_info['closePrice'])) #获得个股ticker与价格的字典
All_info_df['closePrice'] = All_info_df['ticker'].apply(lambda x:tk2price[x]) #添加closePrice到All_info_df中
All_info_df['secshortNM'] = All_info_df['partyID'].apply(lambda x:party2nm_dic[x]) #添加secshortNM即个股的简称到All_info_df中
All_info_df['hold_money'] = All_info_df['holdVol']*All_info_df['closePrice'] #添加hold_money即个股的持有金额到All_info_df中
All_info_df_gp = All_info_df.groupby('shName') #根据股东的姓名来分类
```
```py
#统计自然人股东的总资产，并按照总资产大小由大到小排序
final_info_dic = {'name':[],'total_money':[],'stk_money':[]}
for personNM,sub_info in All_info_df_gp:
total_money = sub_info['hold_money'].sum()
stk_money = add_nm_money(sub_info) #获得个股名称和金额的拼接结果
final_info_dic['name'].append(personNM)
final_info_dic['total_money'].append(total_money)
final_info_dic['stk_money'].append(stk_money)
final_info_df = pd.DataFrame(final_info_dic)
```
```py
#为了展示，做一些处理
All_info_df_sort = final_info_df.sort(columns='total_money',ascending=False).reset_index(drop=True)
All_info_df_sort['total_money'] = np.round(All_info_df_sort['total_money']/1e8,2).astype(str)+'亿'
All_info_df_sort.columns = ['自然人名称','持有的股票及资产','总资产']
print '谁是A股最有钱的自然人股东？（附注：’恒生聚源‘的数据库显示为自然人，则该股东定为自然人股东，可能存在脏数据）'
All_info_df_sort
```
谁是A股最有钱的自然人股东？（附注：’恒生聚源‘的数据库显示为自然人，则该股东定为自然人股东，可能存在脏数据）
| | 自然人名称 | 持有的股票及资产 | 总资产 |
| --- | --- |
| 0 | 财政部 | [工商银行6165.82亿, 农业银行4801.54亿, 交通银行1290.53亿] | 12257.89亿 |
| 1 | 淡马锡 | [建设银行908.96亿] | 908.96亿 |
| 2 | 王靖 | [信威集团480.9亿] | 480.9亿 |
| 3 | 王传福 | [比亚迪344.61亿] | 344.61亿 |
| 4 | 张长虹 | [大智慧340.28亿, *ST路翔0.51亿] | 340.79亿 |
| 5 | 贾跃亭 | [乐视网327.9亿] | 327.9亿 |
| 6 | 张近东 | [苏宁云商264.86亿] | 264.86亿 |
| 7 | 中国第一重型机械集团公司 | [中国一重250.14亿] | 250.14亿 |
| 8 | 李仲初 | [石基信息242.46亿] | 242.46亿 |
| 9 | 龚虹嘉 | [海康威视238.03亿] | 238.03亿 |
| 10 | 傅利泉 | [大华股份201.11亿] | 201.11亿 |
| 11 | 肖文革 | [印纪传媒175.97亿, 西部证券16.58亿] | 192.55亿 |
| 12 | 杜江涛 | [内蒙君正157.7亿, 博晖创新16.3亿] | 174.0亿 |
| 13 | 梁允超 | [汤臣倍健162.02亿] | 162.02亿 |
| 14 | 孙清焕 | [木林森161.08亿] | 161.08亿 |
| 15 | 蔡东青 | [奥飞动漫147.74亿] | 147.74亿 |
| 16 | 吕向阳 | [比亚迪144.47亿] | 144.47亿 |
| 17 | 帅放文 | [尔康制药128.99亿] | 128.99亿 |
| 18 | 何巧女 | [东方园林128.18亿] | 128.18亿 |
| 19 | 易峥 | [同花顺128.11亿] | 128.11亿 |
| 20 | 田明 | [美亚光电127.27亿, 西北轴承0.21亿] | 127.48亿 |
| 21 | 姜伟 | [贵州百灵126.89亿, 安泰科技0.41亿] | 127.3亿 |
| 22 | 王俊民 | [海思科125.16亿] | 125.16亿 |
| 23 | 王伟 | [朗玛信息98.87亿, 盛达矿业6.57亿, 火炬电子5.8亿, 凯发电气3.95亿, 新... | 118.54亿 |
| 24 | 阙文彬 | [恒康医疗116.81亿] | 116.81亿 |
| 25 | 敖小强 | [雪迪龙115.3亿] | 115.3亿 |
| 26 | 庄敏 | [中达股份107.71亿] | 107.71亿 |
| 27 | 王海鹏 | [美盈森105.31亿] | 105.31亿 |
| 28 | 周亚辉 | [昆仑万维98.11亿] | 98.11亿 |
| 29 | 张轩松 | [永辉超市94.87亿] | 94.87亿 |
| ... | ... | ... | ... |
| 11186 | 罗篦涵 | [金莱特0.03亿] | 0.03亿 |
| 11187 | 翟振国 | [北特科技0.03亿] | 0.03亿 |
| 11188 | 高春成 | [欣泰电气0.03亿] | 0.03亿 |
| 11189 | 熊小华 | [禾丰牧业0.03亿] | 0.03亿 |
| 11190 | 冯月季 | [联明股份0.03亿] | 0.03亿 |
| 11191 | 张艳红 | [金轮股份0.03亿] | 0.03亿 |
| 11192 | 瞿斌 | [联明股份0.03亿] | 0.03亿 |
| 11193 | 宋建平 | [光洋股份0.03亿] | 0.03亿 |
| 11194 | 牛帅 | [登云股份0.03亿] | 0.03亿 |
| 11195 | 李国虎 | [金莱特0.03亿] | 0.03亿 |
| 11196 | 林薇薇 | [北特科技0.03亿] | 0.03亿 |
| 11197 | 陈天国 | [雄韬股份0.03亿] | 0.03亿 |
| 11198 | 宗长丽 | [金轮股份0.03亿] | 0.03亿 |
| 11199 | 刘燕华 | [跃岭股份0.03亿] | 0.03亿 |
| 11200 | 吴小金 | [登云股份0.03亿] | 0.03亿 |
| 11201 | 张铁立 | [联明股份0.03亿] | 0.03亿 |
| 11202 | 吴国军 | [北特科技0.03亿] | 0.03亿 |
| 11203 | 韩泉富 | [联明股份0.03亿] | 0.03亿 |
| 11204 | 余晓玲 | [北特科技0.03亿] | 0.03亿 |
| 11205 | 侯玉辉 | [登云股份0.03亿] | 0.03亿 |
| 11206 | 朱素焕 | [登云股份0.03亿] | 0.03亿 |
| 11207 | 陈茂铸 | [天保重装0.03亿] | 0.03亿 |
| 11208 | 陈兆国 | [天保重装0.02亿] | 0.02亿 |
| 11209 | 王利琼 | [登云股份0.02亿] | 0.02亿 |
| 11210 | 陈行飞 | [天保重装0.02亿] | 0.02亿 |
| 11211 | 戴晓斐 | [天保重装0.02亿] | 0.02亿 |
| 11212 | 赵丽 | [天保重装0.02亿] | 0.02亿 |
| 11213 | 陆建 | [登云股份0.02亿] | 0.02亿 |
| 11214 | 陈玉芬 | [天保重装0.02亿] | 0.02亿 |
| 11215 | 卢旭东 | [红阳能源0.0亿] | 0.0亿 |
```
11216 rows × 3 columns
```
- 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