# 4.13 委比 • 实时计算委比
> 来源：https://uqer.io/community/share/55bf0426f9f06c91fc18c62f
最近几个交易日，大盘又是一片惨淡，然而我们发现郭嘉队并没有猛拉指数，转而是对部分股票托底。比如中海油服：
风格的转变，意味着郭嘉队转攻为守，让我们看看都有哪些股票值得郭嘉队托底
```py
# 常量准备
import pandas as pd
from datetime import datetime as dt
from pandas import DataFrame, Series
today = dt.today().strftime('%Y%m%d') # 获得今天的日期
# DataAPI取所有A股
stocks = DataAPI.EquGet(equTypeCD='A',listStatusCD='L',field='secID,nonrestfloatA',pandas="1")
universe = stocks['secID'].tolist() # 转变为list格式，以便和DataAPI中的格式符合
# 取所有A股的最新行情
bidask_fields = ['bidBook_volume%s' %i for i in xrange(1, 6)] + ['askBook_volume%s' %i for i in xrange(1, 6)]
fields = ['shortNM','lastPrice','bidBook','askBook','suspension']
def get_data():
data = DataFrame()
for i in range(0,len(universe),300): # 原则上可以性取完的，但是试验中作者发现会报错，估计是运算量太大，所以这里分批次取，每次300个
t = DataAPI.MktTickRTSnapshotGet(securityID=universe[i:min(i+300,len(universe))],field=fields,pandas="1")
tmp = DataFrame()
tmp['secID'] = t['ticker']+'.'+t['exchangeCD']
tmp[['shortNM','suspension'] + bidask_fields] =t[['shortNM', 'suspension']+bidask_fields]
data = pd.concat([data,tmp],axis=0) # 数据拼接
# 去掉当日停牌的股票
data['nonrestfloatA'] = stocks['nonrestfloatA']
data = data[data['suspension']==0]
data = data[(data['bidBook_volume1']>0).values & (data['askBook_volume1']>0).values]
# 去掉没有涨停板的股票
data['bidBook_volume'] = sum([data['bidBook_volume%s' %i] for i in xrange(1,6)])
data['askBook_volume'] = sum([data['askBook_volume%s' %i] for i in xrange(1,6)])
# 计算委比
data['rate'] = data['bidBook_volume']/(data['askBook_volume']+data['bidBook_volume'])*100 #百分之几
data = data.sort(columns='rate',ascending=False).reset_index()
data.drop('index',axis=1,inplace=True)
# 重命名
data = data[['secID', 'shortNM', 'bidBook_volume', 'askBook_volume', 'rate']]
data.columns = ['代码','简称','买量','卖量','委比']
return data
get_data().head(50)
```
| | 代码 | 简称 | 买量 | 卖量 | 委比 |
| --- | --- |
| 0 | 601336.XSHG | 新华保险 | 14310780 | 24700 | 99.827700 |
| 1 | 600485.XSHG | 信威集团 | 2086200 | 4100 | 99.803856 |
| 2 | 600188.XSHG | 兖州煤业 | 38015538 | 98746 | 99.740921 |
| 3 | 601808.XSHG | 中海油服 | 16845821 | 44700 | 99.735355 |
| 4 | 600362.XSHG | 江西铜业 | 20343390 | 56935 | 99.720911 |
| 5 | 600958.XSHG | 东方证券 | 4069182 | 12972 | 99.682227 |
| 6 | 600340.XSHG | 华夏幸福 | 12797790 | 54800 | 99.573627 |
| 7 | 000951.XSHE | 中国重汽 | 1964684 | 9600 | 99.513748 |
| 8 | 002304.XSHE | 洋河股份 | 2943430 | 15200 | 99.486249 |
| 9 | 600276.XSHG | 恒瑞医药 | 2230015 | 12500 | 99.442590 |
| 10 | 000538.XSHE | 云南白药 | 1798287 | 10200 | 99.435993 |
| 11 | 002143.XSHE | 印纪传媒 | 2813406 | 16335 | 99.422739 |
| 12 | 000800.XSHE | 一汽轿车 | 9174799 | 56199 | 99.391193 |
| 13 | 601958.XSHG | 金钼股份 | 20460168 | 127809 | 99.379206 |
| 14 | 000513.XSHE | 丽珠集团 | 881306 | 5600 | 99.368591 |
| 15 | 603288.XSHG | 海天味业 | 6049140 | 39340 | 99.353862 |
| 16 | 300202.XSHE | 聚龙股份 | 1145291 | 7600 | 99.340788 |
| 17 | 601800.XSHG | 中国交建 | 29915478 | 208100 | 99.309179 |
| 18 | 600403.XSHG | 大有能源 | 8768385 | 61500 | 99.303502 |
| 19 | 601225.XSHG | 陕西煤业 | 57038023 | 406943 | 99.291595 |
| 20 | 601098.XSHG | 中南传媒 | 7902047 | 58400 | 99.266373 |
| 21 | 601226.XSHG | 华电重工 | 4604601 | 35200 | 99.241347 |
| 22 | 600600.XSHG | 青岛啤酒 | 1887900 | 15673 | 99.176654 |
| 23 | 601688.XSHG | 华泰证券 | 11673583 | 97299 | 99.173392 |
| 24 | 000895.XSHE | 双汇发展 | 17718527 | 154080 | 99.137899 |
| 25 | 601555.XSHG | 东吴证券 | 14508868 | 127897 | 99.126194 |
| 26 | 300003.XSHE | 乐普医疗 | 2355404 | 20971 | 99.117521 |
| 27 | 600429.XSHG | 三元股份 | 6761469 | 61600 | 99.097180 |
| 28 | 000333.XSHE | 美的集团 | 9583724 | 89633 | 99.073403 |
| 29 | 600004.XSHG | 白云机场 | 3333050 | 32000 | 99.049048 |
| 30 | 600637.XSHG | 东方明珠 | 2020400 | 19420 | 99.047955 |
| 31 | 600741.XSHG | 华域汽车 | 15412841 | 150590 | 99.032411 |
| 32 | 600166.XSHG | 福田汽车 | 14485200 | 146445 | 98.999121 |
| 33 | 002594.XSHE | 比亚迪 | 2961400 | 29967 | 98.998217 |
| 34 | 000750.XSHE | 国海证券 | 13826732 | 146800 | 98.949442 |
| 35 | 600664.XSHG | 哈药股份 | 7654217 | 81506 | 98.946369 |
| 36 | 601186.XSHG | 中国铁建 | 24479602 | 265911 | 98.925417 |
| 37 | 600519.XSHG | 贵州茅台 | 894254 | 9741 | 98.922450 |
| 38 | 601901.XSHG | 方正证券 | 11906346 | 132861 | 98.896431 |
| 39 | 002081.XSHE | 金 螳 螂 | 6156885 | 69107 | 98.890024 |
| 40 | 600660.XSHG | 福耀玻璃 | 3706300 | 44600 | 98.810952 |
| 41 | 000869.XSHE | 张 裕Ａ | 3073749 | 37483 | 98.795236 |
| 42 | 002431.XSHE | 棕榈园林 | 1556637 | 19100 | 98.787869 |
| 43 | 002221.XSHE | 东华能源 | 2483500 | 30600 | 98.782865 |
| 44 | 000685.XSHE | 中山公用 | 8005948 | 100200 | 98.763901 |
| 45 | 002122.XSHE | 天马股份 | 5874886 | 74210 | 98.752584 |
| 46 | 000600.XSHE | 建投能源 | 8612256 | 109140 | 98.748595 |
| 47 | 002663.XSHE | 普邦园林 | 7862104 | 101141 | 98.729902 |
| 48 | 600823.XSHG | 世茂股份 | 7544949 | 97251 | 98.727448 |
| 49 | 002252.XSHE | 上海莱士 | 1819900 | 23600 | 98.719826 |
可以看到里面不乏贵州茅台，美的集团，张裕A等十几倍市盈率的现金牛企业。这也就反映了个股正处在严重两极分化的过程，郭嘉队和主力更亲睐于优质蓝筹。
由于这里计算委比时，只是针对买卖五档行情，所以有一定的失真，而且在行情软件上按照委比排序，效果更直观。那为什么还要搞得这么复杂呢？
因为不想错过发生过的委比结果，因为还想对当天整个的委比情况做分析。
下面的代码通过一个`while`循环，每隔10秒打印一次委比前30的股票名称：
```py
import time
import datetime
full_data = DataFrame()
while 1:
now = datetime.datetime.now()
if now.hour>=15:
break
data = DataFrame()
time_str = '%2s%2s%2s' %(now.hour, now.minute, now.second)
try:
data = get_data()[:30]
data['time'] = time_str
except Exception,e:
print e
if data.empty:
continue
full_data = full_data.append(data)
print now, ', '.join([ e for e in data['简称'].values])
time.sleep(10)
2015-08-03 14:01:36.452456 广发证券, 张 裕Ａ, 江铃汽车, 比亚迪, 兖州煤业, 云南白药, 海天味业, 信威集团, 东华能源, 中集集团, 美邦服饰, 万华化学, 华电国际, 申万宏源, 陕国投Ａ, 环旭电子, 华域汽车, 一汽轿车, 哈药股份, 陕西煤业, 聚龙股份, 日出东方, 誉衡药业, 格力电器, 深圳燃气, 徐工机械, 新 和 成, 建投能源, 康恩贝, 驰宏锌锗
2015-08-03 14:01:48.711193 广发证券, 兖州煤业, 张 裕Ａ, 江铃汽车, 云南白药, 中集集团, 海天味业, 格力电器, 中国西电, 比亚迪, 贵人鸟, 美邦服饰, 东华能源, 万华化学, 哈药股份, 华电国际, 申万宏源, 贵州茅台, 陕国投Ａ, 华域汽车, 陕西煤业, 日出东方, 誉衡药业, 聚龙股份, 新 和 成, 深圳燃气, 建投能源, 驰宏锌锗, 一汽轿车, 国海证券
2015-08-03 14:02:01.886604 广发证券, 兖州煤业, 张 裕Ａ, 中集集团, 东吴证券, 江铃汽车, 华电国际, 海天味业, 云南白药, 中国西电, 万华化学, 申万宏源, 国海证券, 比亚迪, 东华能源, 互动娱乐, 哈药股份, 日出东方, 华域汽车, 环旭电子, 双汇发展, 誉衡药业, 格力电器, 陕国投Ａ, 深圳燃气, 东方能源, 新 和 成, 一汽轿车, 驰宏锌锗, 聚龙股份
2015-08-03 14:02:12.446392 中集集团, 广发证券, 云南白药, 兖州煤业, 张 裕Ａ, 东吴证券, 江铃汽车, 丽珠集团, 信威集团, 金 融 街, 海天味业, 华电国际, 双汇发展, 互动娱乐, 哈药股份, 万华化学, 上海医药, 华域汽车, 新华保险, 日出东方, 国海证券, 贵人鸟, 冠农股份, 申万宏源, 驰宏锌锗, 誉衡药业, 深圳燃气, 上海莱士, 徐工机械, 一汽轿车
2015-08-03 14:02:25.053561 张 裕Ａ, 云南白药, 中集集团, 东吴证券, 兖州煤业, 广发证券, 丽珠集团, 首航节能, 双汇发展, 金 融 街, 海天味业, 万华化学, 华电国际, 东方能源, 互动娱乐, 哈药股份, 日出东方, 中煤能源, 上海医药, 环旭电子, 华域汽车, 国海证券, 誉衡药业, 申万宏源, 贝因美, 深圳燃气, 聚龙股份, 浙大网新, 一汽轿车, 上海莱士
2015-08-03 14:02:36.258301 中集集团, 张 裕Ａ, 云南白药, 兖州煤业, 广发证券, 万华化学, 丽珠集团, 海天味业, 中文传媒, 互动娱乐, 中国西电, 一汽轿车, 东华能源, 哈药股份, 东吴证券, 华电国际, 格力电器, 金 融 街, 日出东方, 华域汽车, 国海证券, 誉衡药业, 申万宏源, 深圳燃气, 科力远, 陕国投Ａ, 二三四五, 上海莱士, 粤电力Ａ, 驰宏锌锗
2015-08-03 14:02:46.940336 中集集团, 张 裕Ａ, 云南白药, 兖州煤业, 中文传媒, 广发证券, 万华化学, 丽珠集团, 贵州茅台, 尚荣医疗, 日出东方, 一汽轿车, 东吴证券, 东方能源, 康恩贝, 哈药股份, 金 融 街, 海天味业, 中国神华, 华域汽车, 中国西电, 互动娱乐, 誉衡药业, 上海医药, 闰土股份, 申万宏源, 深圳燃气, 科力远, 聚龙股份, 二三四五
---------------------------------------------------------------------------
KeyboardInterrupt Traceback (most recent call last)
<mercury-input-27-f8d02897ce95> in <module>()
24 print now, ', '.join([ e for e in data['简称'].values])
25
---> 26 time.sleep(10)
27
KeyboardInterrupt:
```
本贴的实现参考于社区高人 @明轩 @jiang.wei 的涨停板帖子。
- 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