# 主题龙头类
> 来源：https://uqer.io/community/share/54c3348ff9f06c276f651a49
本代码用于挖掘主题的龙头股
+ 先由通联提供的有关主题的API获得所有主题ID，储存为文档`20140601_20150123theme_list.txt`
+ 由API函数`DataAPI.ThemeTickersGet`获得所有各个主题对应个股
+ 由相关个股的日涨幅和市值，计算主题的每天收益
+ 滚动计算主题5天的涨幅，找到主题涨幅最高的时间区间
+ 在这个时间区间内，计算主题相关个股的涨幅
+ 找到涨幅最高的个股，即为该主题的龙头股
```py
datetime.today()
datetime.datetime(2015, 1, 24, 13, 28, 42, 799154)
```
读取主题id文件，获得所有主题的相关个股，储存在`info`中
```py
f1 = read('20140601_20150123theme_list.txt') #从这个文档中读取所有的主题id
themeId_list = f1.split(',')
tk2id = lambda x:x+'.XSHG' if x[0]=='6' else x+'.XSHE'
#由于ThemeTickersGet对于数据量有限制，一次调用1000个主题数据
num_up = 1000 #每一次调取多少个主题的信息
thm_tk_dic = {} #储存每个主题包含的个股
tk_list = set([]) #tk_list储存了所有相关个股
num = len(themeId_list)/num_up #一次调取num_up个主题，要调用num次
beginDate = '20140601' #开始时间
endDate = '20150123' #结束时间
if num>0:
info = pd.DataFrame({})
for i in range(num):
info_sub = DataAPI.ThemeTickersGet(beginDate=beginDate,endDate=endDate,themeID=themeId_list[i*num_up:(i+1)*num_up]) #获取主题相关的个股
info = pd.concat([info,info_sub]) #将数据连接
info_sub = DataAPI.ThemeTickersGet(beginDate=beginDate,endDate=endDate,themeID=themeId_list[(i+1)*num_up:])
info = pd.concat([info,info_sub])
else:
info = DataAPI.ThemeTickersGet(beginDate=beginDate,endDate=endDate,themeID=themeId_list)
```
将主题与个股对应，`thm_tk_dic`储存了每个主题对应的个股，`key`是主题名称，`value`是与主题相关的个股列表
```py
info = info[['themeName','ticker','secShortName']] #只取这几列数据
group_info = info.groupby('themeName') #根据主题名称分类
for theme,group in group_info:
theme_tk = group['ticker'].tolist()
if len(theme_tk[0])!=6:
continue
if len(theme_tk)>10:
thm_tk_dic[theme] = theme_tk #获得某个主题下相关的个股
tk_list |= set(theme_tk) #所有的个股
```
利用`DataAPI.SecIDGet`获得个股对应的名称，便于最后展示
```py
#获得个股代码与名称的对应
tk_list = list(tk_list)
num_name = len(tk_list)/1000
if num_name>0:
tk_name_pd = pd.DataFrame({})
for i in range(num_name):
sub = DataAPI.SecIDGet(ticker=tk_list[1000*i:1000*(i+1)],field='secShortName') #获取证券简称
tk_name_pd = pd.concat([tk_name_pd,sub])
sub = DataAPI.SecIDGet(ticker=tk_list[1000*(i+1):],field='secShortName')
tk_name_pd = pd.concat([tk_name_pd,sub])
else:
tk_name_pd = DataAPI.SecIDGet(ticker=tk_list,field='secShortName')
tk_name_dic = dict(zip(tk_name_pd.ticker,tk_name_pd.secShortName)) #获得个股代码与名字对应的字典，便于最后展示
```
获得所有股票在一段日期内的日行情数据，便于计算个股每日涨幅和主题涨幅
```py
#由于API对访问量有限制，每次只能调取50个股票的日线数据，故采用限制每次调用次数，循环调用的方法
len_stk = 50 #每次调用len_stk只个股
num_stk = len(tk_list)/len_stk #要调用num_stk次
#获得tk_list中所有个股的日线信息
if num_stk>0:
mkt_stk_info = pd.DataFrame({})
for i in range(num_stk):
info = DataAPI.MktEqudGet(ticker=tk_list[i*len_stk:(i+1)*len_stk],beginDate=beginDate,endDate=endDate,field=['ticker','preClosePrice','closePrice','marketValue'])
mkt_stk_info = pd.concat([mkt_stk_info,info])
info = DataAPI.MktEqudGet(ticker=tk_list[(i+1)*len_stk:],beginDate=beginDate,endDate=endDate,field=['ticker','preClosePrice','closePrice','marketValue'])
mkt_stk_info = pd.concat([mkt_stk_info,info])
else:
mkt_stk_info = DataAPI.MktEqudGet(ticker=tk_list,beginDate=beginDate,endDate=endDate,field=['ticker','preClosePrice','closePrice','marketValue'])
mkt_stk_info = mkt_stk_info[['ticker','tradeDate','preClosePrice','closePrice','marketValue']]
```
计算主题每日涨幅
```py
thm_date_inc_dic = {} #记录了每个主题每天的涨幅，key是日期，value是主题涨幅
for key in thm_tk_dic.keys():
thm_date_inc_dic[key] = {}
for theme,stocks in thm_tk_dic.items():
mkt_info = mkt_stk_info[mkt_stk_info['ticker'].isin(stocks) ]
mkt_info['increase'] = (mkt_info['closePrice']-mkt_info['preClosePrice'])/mkt_info['preClosePrice'] #计算主题涨幅
gp_date = mkt_info.groupby('tradeDate')
for date,group in gp_date:
thm_inc = sum(group['marketValue']*group['increase'])/sum(group['marketValue']) #某天的主题收益
thm_date_inc_dic[theme][date] = thm_inc
```
计算主题滚动5日的涨幅之和，找到主题涨幅最大的时间区间
```py
thm_date_inc_pd = pd.DataFrame(thm_date_inc_dic) #生成dataframe，index是日期，columns是主题名称
window = 5 #统计5天的主题收益之和
thm_5d_inc_pd = pd.rolling_sum(thm_date_inc_pd,window=window) #计算滚动和
id_max_list_begin = thm_5d_inc_pd.dropna().values.argmax(axis=0) #由于最初的window-1行值为NA，舍弃之后得到的下标便是最大和的开始下标
pl2date = lambda x,:list(thm_5d_inc_pd.index)[x:x+window] #由开始下标获得这段时间区间，即获得[2014-06-03,2014-06-04,...]这样的列表
date_list = map(pl2date,id_max_list_begin)
max_date_periods = {} #储存每个主题获得最高收益的时间区间
for i in range(len(date_list)):
theme = thm_date_inc_pd.columns[i] #主题名称
date = date_list[i] #对应的时间区间
max_date_periods[theme] = date
```
计算在上述时间区间内个股的涨幅，涨幅最大的即为该主题的龙头股
```py
thm_leadStk_dic = {} #记录每个主题的龙头股
for theme,stock_list in thm_tk_dic.items():
date_list = max_date_periods[theme]
flt_thm_stk_info = mkt_stk_info[(mkt_stk_info['ticker'].isin(stock_list)) & (mkt_stk_info['tradeDate'].isin(date_list))] #获取这些个股在这段时期内的日线数据
grouped = flt_thm_stk_info.groupby('ticker')
stk_inc_dic = {}
for stk,group in grouped:
stk_inc = (group['closePrice'].iloc[-1]-group['preClosePrice'].iloc[0])/group['preClosePrice'].iloc[0] #获取个股在这段时间内的收益
stk_inc_dic[stk] = stk_inc
thm_leadStk_dic[theme] = sorted(stk_inc_dic.keys(),key=lambda x:stk_inc_dic[x],reverse = True)[0] #排序，获得该主题的龙头股
```
将主题和龙头股写成`dataframe`形式，便于展示
```py
thm_leadStk_pd = pd.DataFrame.from_dict(thm_leadStk_dic,orient='index').reset_index() #由字典生成dataframe
thm_leadStk_pd.rename(columns={0:'ticker'},inplace=True) #重命名，便于下一步merge
lead_tk_list = list(thm_leadStk_pd['ticker'])
tk2nm = lambda x:tk_name_dic[x]
#tk2nm = lambda x:
lead_name_list = map(tk2nm,lead_tk_list)
name_pd = pd.DataFrame({'shortname':lead_name_list})
answer = pd.concat([thm_leadStk_pd,name_pd],axis=1)
answer.rename(columns={'index':u'主题名称','ticker':u'个股代码','shortname':u'个股简称'},inplace=True) #重命名
answer
```
| | 主题名称 | 个股代码 | 个股简称 |
| --- | --- |
| 0 | 金融机具股 | 601818 | 光大银行 |
| 1 | 银联 | 601818 | 光大银行 |
| 2 | 公路运输股 | 601939 | 建设银行 |
| 3 | 小额贷款股 | 601818 | 光大银行 |
| 4 | LBS股 | 600118 | 中国卫星 |
| 5 | 智能电表 | 300085 | 银之杰 |
| 6 | 国资整合 | 601299 | 中国北车 |
| 7 | 硝酸铵股 | 002217 | *ST合泰 |
| 8 | 镍氢电池股 | 600549 | 厦门钨业 |
| 9 | 国产手机 | 600050 | 中国联通 |
| 10 | 浦东新区 | 601901 | 方正证券 |
| 11 | 特高压 | 000709 | 河北钢铁 |
| 12 | 特高压股 | 300265 | 通光线缆 |
| 13 | 数字地图 | 600717 | 天津港 |
| 14 | 白色石墨烯股 | 000009 | 中国宝安 |
| 15 | 淘宝 | 000002 | 万科A |
| 16 | 电子支付 | 002095 | 生意宝 |
| 17 | PE(化工) | 600028 | 中国石化 |
| 18 | 核电主设备股 | 300411 | 金盾股份 |
| 19 | 兽药 | 000826 | 桑德环境 |
| 20 | 沪港通股 | 601099 | 太平洋 |
| 21 | 甲基叔丁基醚股 | 000151 | 中成股份 |
| 22 | 体育文化 | 601901 | 方正证券 |
| 23 | 品牌服装 | 002503 | 搜于特 |
| 24 | 多晶硅股 | 600151 | 航天机电 |
| 25 | 丁二醇股 | 000151 | 中成股份 |
| 26 | TVOS股 | 300079 | 数码视讯 |
| 27 | 光电子材料 | 002261 | 拓维信息 |
| 28 | 珠海航展 | 600990 | 四创电子 |
| 29 | 农用机械股 | 300159 | 新研股份 |
| ... | ... | ... | ... |
| 1301 | 德州本地股 | 601106 | 中国一重 |
| 1302 | 制冷剂股 | 000550 | 江铃汽车 |
| 1303 | 微信股 | 600109 | 国金证券 |
| 1304 | 保健品 | 600530 | 交大昂立 |
| 1305 | 抗寒 | 600188 | 兖州煤业 |
| 1306 | 社保股 | 002501 | 利源精制 |
| 1307 | 神舟十号 | 601988 | 中国银行 |
| 1308 | WAPI | 002439 | 启明星辰 |
| 1309 | 光电子材料股 | 002261 | 拓维信息 |
| 1310 | 广东自贸区股 | 600185 | 格力地产 |
| 1311 | 空调股 | 300411 | 金盾股份 |
| 1312 | 德州本地 | 601106 | 中国一重 |
| 1313 | 雅安地震 | 002314 | 雅致股份 |
| 1314 | 新疆建设股 | 000562 | 宏源证券 |
| 1315 | 甲醇股 | 600188 | 兖州煤业 |
| 1316 | 陕甘宁区 | 600185 | 格力地产 |
| 1317 | 电解铝 | 601600 | 中国铝业 |
| 1318 | 电子信息股 | 000901 | 航天科技 |
| 1319 | 油气 | 601857 | 中国石油 |
| 1320 | 机床 | 603011 | 合锻股份 |
| 1321 | 人工智能 | 002230 | 科大讯飞 |
| 1322 | 机制纸 | 000488 | 晨鸣纸业 |
| 1323 | 铝股 | 600595 | 中孚实业 |
| 1324 | 金属新材料股 | 600888 | 新疆众和 |
| 1325 | 指纹识别 | 300248 | 新开普 |
| 1326 | 小米概念 | 000333 | 美的集团 |
| 1327 | 地沟油检测 | 600028 | 中国石化 |
| 1328 | 江苏沿海地区 | 000425 | 徐工机械 |
| 1329 | 电线电缆 | 002692 | 远程电缆 |
| 1330 | 风电股 | 600163 | 福建南纸 |
```
1331 rows × 3 columns
```
```py
datetime.today()
datetime.datetime(2015, 1, 24, 13, 33, 44, 786650)
```
- 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