申万二级行业在最近1年、3个月、5个交易日的涨幅统计

来源：https://uqer.io/community/share/55401d69f9f06c1c3d687fa1

功能：运行此代码可知最近1年、3个月、5个交易日各个行业的涨幅

注意1：行业是采用申万二级行业分类

注意2：行业涨幅是个股涨幅加权平均成交金额所得

def GetEquIndustry(universe,field):    #获得行业信息
    num = 100
    cnt_num = len(universe)/num
    if cnt_num > 0:
        df = pd.DataFrame({})
        for i in range(cnt_num):
            sub_df = DataAPI.EquIndustryGet(secID=universe[i*num:(i+1)*num],field=field)
            df = pd.concat([df,sub_df])
        if (i+1)*num != len(universe):
            sub_df = DataAPI.EquIndustryGet(secID=universe[(i+1)*num:],field=field)
            df = pd.concat([df,sub_df])
    else:
        df = DataAPI.EquIndustryGet(secID=universe,field=field)
    return df

def CountTime():    #获得可获得数据的最后一个交易日日期，返回的是datetime格式
    cal = Calendar('China.SSE')
    today = datetime.today()
    today_str = today.strftime("%Y%m%d")
    cal_date = Date.fromDateTime(today)       
    time1=" 17:05:00"
    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):
    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)


    list_info = GetSecID(tk_list = tk_list,field=['ticker','listDate'])    #获得上市日期信息，修改上市当天的数据中的preClosePrice为openPrice
    df.set_index(['ticker','tradeDate'],inplace=True)     
    df_gp = df.groupby(level='ticker')    
    df_new = pd.DataFrame({})    #储存新数据
    for tk,sub_info in df_gp:
        list_date = list_info['listDate'][list_info['ticker']==tk].iloc[0]
        try:
            sub_info.loc[(tk,list_date),'preClosePrice'] = sub_info.loc[(tk,list_date),'openPrice'] 
        except:
            pass
        list_info = list_info[list_info['ticker']!=tk]    
        df_new = pd.concat([df_new,sub_info])
    df_new.reset_index(inplace=True)
    return df_new
def GetSecID(tk_list,field):    #获取上市日期
    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],field=field)
            df = pd.concat([df,sub_df])
        if (i+1)*num != len(tk_list):
            sub_df = DataAPI.SecIDGet(ticker=tk_list[(i+1)*num:],field=field)
            df = pd.concat([df,sub_df])
    else:
        df = DataAPI.SecIDGet(ticker=tk_list,field=field)
    return df

def GetReturn(Mkt_Info_df):    #该函数是用来获得行业在一段时间内的收益，以及个股在这段时间内的收益（先计算成分股在一段时间内的涨幅，再加权成交金额得到主题的涨幅）

    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)    #获得平均成交金额
        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()    #获得该主题一段时间的涨幅，成交金额加权收益
    return rtn_together,tk_inc_df

import pandas as pd
cal = Calendar('China.SSE')

universe = DataAPI.EquGet(equTypeCD='A')['secID'].tolist()    #获得全A股的secID
id2nm = lambda x:x[0:6]
tk_list_A = map(id2nm,universe)    #获得全A股的ticker

Ind_info = GetEquIndustry(universe=universe,field=['ticker','secShortName','industryName2'])    #获得个股的申万行业分类
Ind_info_gp = Ind_info.groupby('industryName2')    #按照行业分组
Ind_tks_dic = {}    #获得每个行业包含的股票
for ind_nm,sub_info in Ind_info_gp:
    Ind_tks_dic[ind_nm] = sub_info['ticker'].tolist()

#获得统计的日期

#获得研究的结束时间，如果在当天收盘前，则为前一个交易日
endDate_dt = CountTime()
endDate_CAL = Date.fromDateTime(endDate_dt)

#前一季度的时间
beginDate_3M_CAL = cal.advanceDate(endDate_CAL,'-3M',BizDayConvention.Following)
beginDate_3M_dt = beginDate_3M_CAL.toDateTime()
#前5个交易日的时间
period_day = 5              ###################输入###################
period_CAL = '-'+str(period_day)+'B'
beginDate_5B_CAL = cal.advanceDate(endDate_CAL, period_CAL, BizDayConvention.Following) 
beginDate_5B_dt = beginDate_5B_CAL.toDateTime()

#获得全A股在过去1年的市场行情

field = ['ticker','secShortName','tradeDate','preClosePrice','closePrice','turnoverValue','marketValue']
Mkt_Info_df_1Y = GetMktEqud(tk_list=tk_list_A,field =field)     #获取市场行情，省略了beginDate和endDate，则获取最近1年的行情
Mkt_Info_df_1Y['tradeDate'] = pd.to_datetime(Mkt_Info_df_1Y['tradeDate'])    #将tradeDate这一列的格式由string改为datetime
Mkt_Info_df_1Y['increase'] = Mkt_Info_df_1Y['closePrice']/Mkt_Info_df_1Y['preClosePrice']    #获得个股每天的收益

tk_nm_dic = dict(zip(Mkt_Info_df_1Y['ticker'],Mkt_Info_df_1Y['secShortName']))    #获得个股ticker与名称的对应字典

Mkt_Info_df_3M = Mkt_Info_df_1Y[Mkt_Info_df_1Y['tradeDate']>beginDate_3M_dt]    #最近3个月的信息
Mkt_Info_df_5B = Mkt_Info_df_1Y[Mkt_Info_df_1Y['tradeDate']>beginDate_5B_dt]    #最近5个交易日的信息

#统计得到个股以下信息：1年收益inc_1Y、3个月收益inc_3M、5个交易日收益inc_5B，1年平均市值mkv_1Y、3个月平均市值mkv_3M、5个交易日平均市值mkv_5B

#获得一年的涨幅、平均成交金额数据
Mkt_Info_df_1Y_gp = Mkt_Info_df_1Y.groupby('ticker')    #按照ticker分类
tk_rtn_dic_1Y = {'ticker':[],'inc_1Y':[],'tnv_1Y':[]}    #获得每个个股的收益和平均市值
for tk,sub_info in Mkt_Info_df_1Y_gp:
    inc_1Y = sub_info['increase'].prod()-1    #获得在这段时间内该股的涨幅
    tnv_avg_1Y = sub_info['turnoverValue'].sum()/len(sub_info)   
    tk_rtn_dic_1Y['ticker'].append(tk)
    tk_rtn_dic_1Y['inc_1Y'].append(inc_1Y)
    tk_rtn_dic_1Y['tnv_1Y'].append(tnv_avg_1Y)    
tk_rtn_df_1Y = pd.DataFrame(tk_rtn_dic_1Y)
#获得3个月的涨幅、平均成交金额数据
Mkt_Info_df_3M_gp = Mkt_Info_df_3M.groupby('ticker')    #按照ticker分类
tk_rtn_dic_3M = {'ticker':[],'inc_3M':[],'tnv_3M':[]}    #获得每个个股的收益和平均市值
for tk,sub_info in Mkt_Info_df_3M_gp:
    inc_3M = sub_info['increase'].prod()-1    #获得在这段时间内该股的涨幅
    tnv_avg_3M = sub_info['turnoverValue'].sum()/len(sub_info)   
    tk_rtn_dic_3M['ticker'].append(tk)
    tk_rtn_dic_3M['inc_3M'].append(inc_3M)
    tk_rtn_dic_3M['tnv_3M'].append(tnv_avg_3M)    
tk_rtn_df_3M = pd.DataFrame(tk_rtn_dic_3M)

#获得5个交易日的涨幅、平均成交金额数据
Mkt_Info_df_5B_gp = Mkt_Info_df_5B.groupby('ticker')    #按照ticker分类
tk_rtn_dic_5B = {'ticker':[],'inc_5B':[],'tnv_5B':[]}    #获得每个个股的收益和平均市值
for tk,sub_info in Mkt_Info_df_5B_gp:
    inc_5B = sub_info['increase'].prod()-1    #获得在这段时间内该股的涨幅
    tnv_avg_5B = sub_info['turnoverValue'].sum()/len(sub_info)   
    tk_rtn_dic_5B['ticker'].append(tk)
    tk_rtn_dic_5B['inc_5B'].append(inc_5B)
    tk_rtn_dic_5B['tnv_5B'].append(tnv_avg_5B)    
tk_rtn_df_5B = pd.DataFrame(tk_rtn_dic_5B)

#计算1年、3个月、5个交易日的行业涨幅

Ind_tks_dic
ind_rtn_dic = {'industry':[],'rtn_1Y':[],'rtn_3M':[],'rtn_5B':[],'bigstk_1Y':[],'bigstk_3M':[],'bigstk_5B':[],'Num':[]}
for ind,tks in Ind_tks_dic.items():
    sub_info_1Y = tk_rtn_df_1Y[tk_rtn_df_1Y['ticker'].isin(tks)]    #先选出该行业的个股内容，包括收益和平均成交金额
    rtn_ind_1Y = (sub_info_1Y['inc_1Y']*sub_info_1Y['tnv_1Y']).sum()/sub_info_1Y['tnv_1Y'].sum()
    bigstk_1Y = sub_info_1Y.sort(columns='tnv_1Y',ascending=False)['ticker'][0:3].tolist()

    sub_info_3M = tk_rtn_df_3M[tk_rtn_df_3M['ticker'].isin(tks)]    #先选出该行业的个股内容，包括收益和平均成交金额
    rtn_ind_3M = (sub_info_3M['inc_3M']*sub_info_3M['tnv_3M']).sum()/sub_info_3M['tnv_3M'].sum()
    bigstk_3M = sub_info_3M.sort(columns='tnv_3M',ascending=False)['ticker'][0:3].tolist()

    sub_info_5B = tk_rtn_df_5B[tk_rtn_df_5B['ticker'].isin(tks)]    #先选出该行业的个股内容，包括收益和平均成交金额
    rtn_ind_5B = (sub_info_5B['inc_5B']*sub_info_5B['tnv_5B']).sum()/sub_info_5B['tnv_5B'].sum()
    bigstk_5B = sub_info_5B.sort(columns='tnv_5B',ascending=False)['ticker'][0:3].tolist()

    ind_rtn_dic['industry'].append(ind)
    ind_rtn_dic['Num'].append(len(sub_info_1Y))
    ind_rtn_dic['rtn_1Y'].append(rtn_ind_1Y)
    ind_rtn_dic['bigstk_1Y'].append(map(lambda x:tk_nm_dic[x],bigstk_1Y))
    ind_rtn_dic['rtn_3M'].append(rtn_ind_3M)
    ind_rtn_dic['bigstk_3M'].append(map(lambda x:tk_nm_dic[x],bigstk_3M))
    ind_rtn_dic['rtn_5B'].append(rtn_ind_5B)
    ind_rtn_dic['bigstk_5B'].append(map(lambda x:tk_nm_dic[x],bigstk_5B))

ind_rtn_df = pd.DataFrame(ind_rtn_dic)

ind_rtn_df_sort_1Y = ind_rtn_df.sort(columns='rtn_1Y',ascending=False).loc[:,['industry','rtn_1Y','bigstk_1Y','Num','rtn_3M','rtn_5B']]
ind_rtn_df_sort_1Y.columns = [u'行业名称',u'最近一年收益',u'一年内平均成交量最大的股票',u'该行业个股数目',u'最近3个月收益',u'最近5个交易日收益']
print u'一共有%d个申万二级行业'%len(ind_rtn_df_sort_1Y),u'，1年内行业涨幅'
ind_rtn_df_sort_1Y

一共有103个申万二级行业 ，1年内行业涨幅

103 rows × 6 columns

ind_rtn_df_sort_3M = ind_rtn_df.sort(columns='rtn_3M',ascending=False).loc[:,['industry','rtn_3M','bigstk_3M','Num','rtn_1Y','rtn_5B']]
ind_rtn_df_sort_3M.columns = [u'行业名称',u'最近3个月收益',u'3个月内平均成交量最大的股票',u'该行业个股数目',u'最近一年收益',u'最近5个交易日收益']
print u'一共有%d个申万二级行业'%len(ind_rtn_df_sort_1Y),u'，3个月内行业涨幅'
ind_rtn_df_sort_3M

一共有103个申万二级行业 ，3个月内行业涨幅

103 rows × 6 columns

ind_rtn_df_sort_5B = ind_rtn_df.sort(columns='rtn_5B',ascending=False).loc[:,['industry','rtn_5B','bigstk_5B','Num','rtn_1Y','rtn_5B']]
ind_rtn_df_sort_5B.columns = [u'行业名称',u'最近5个交易日收益',u'5个交易日内平均成交量最大的股票',u'该行业个股数目',u'最近一年收益',u'最近3个月收益']
print u'一共有%d个申万二级行业'%len(ind_rtn_df_sort_1Y),u'，5个交易日内行业涨幅'
ind_rtn_df_sort_5B

一共有103个申万二级行业 ，5个交易日内行业涨幅

103 rows × 6 columns