快速研究主题神器
来源:https://uqer.io/community/share/551e5160f9f06c8f33904513
用于快速研究某个主题,可以获得以下信息
- 主题相关的成分股
- 主题在最近1年、3个月、5个交易日内的涨幅
- 依据涨幅和成交量来获取在最近1年、3个月、5个交易日内的主题龙头股,并列出龙头股在这段时间区间内的涨幅
- 依据通联算法,获得与主题相关度最高的个股以及个股在最近1年、3个月、5个交易日内的涨幅
该代码用法
- step1:先在输入1处输入待研究的主题名称,如“新能源汽车”,运行“输入1”所在的cell,可以看到该主题所对应的主题id。有可能有多个主题包含了输入的主题名称,需要从中挑选自己想要研究的主题
- step2:确定了主题id,在“输入2”所在cell修改
theme_id
,注意格式是字符串
- step3:运行所有cell,便可获取与主题相关的信息了
themeName = u'生物医药'
field1 = ['themeID','themeName']
thms_id = DataAPI.ThemesContentGet(themeName=themeName,field=field1)
thmid2nm_dic = dict(zip(thms_id['themeID'],thms_id['themeName']))
thms_id
|
themeID |
themeName |
0 |
4462 |
生物医药股 |
1 |
120419 |
生物医药 |
2 |
120420 |
生物医药产业 |
theme_id = '120419'
field2 = ['themeID','themeName','ticker','secShortName','returnScore','textContributionScore','industryScore']
thm_tks = DataAPI.TickersByThemesGet(themeID=theme_id,field=field2)
tk2nm_dic = dict(zip(thm_tks['ticker'],thm_tks['secShortName']))
import pandas as pd
from CAL.PyCAL import *
cal = Calendar('China.SSE')
def CountTime():
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):
date = today
else:
cal_wd = cal.adjustDate(cal_date,BizDayConvention.Preceding)
date = cal_wd.toDateTime()
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)
return df
def GetReturn(Mkt_Info_df):
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)
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()
return rtn_together,tk_inc_df
print '主题关联的个股'
thm_tks
主题关联的个股
|
themeID |
themeName |
ticker |
secShortName |
returnScore |
textContributionScore |
industryScore |
0 |
120419 |
生物医药 |
000004 |
国农科技 |
0.935363 |
0.000000 |
0.785714 |
1 |
120419 |
生物医药 |
000403 |
ST生化 |
0.927900 |
0.000000 |
0.714286 |
2 |
120419 |
生物医药 |
000513 |
丽珠集团 |
0.963505 |
0.030303 |
0.714286 |
3 |
120419 |
生物医药 |
000538 |
云南白药 |
0.985011 |
0.260606 |
0.714286 |
4 |
120419 |
生物医药 |
000597 |
东北制药 |
0.988989 |
0.103030 |
0.714286 |
5 |
120419 |
生物医药 |
000661 |
长春高新 |
0.938084 |
0.193939 |
0.714286 |
6 |
120419 |
生物医药 |
000739 |
普洛药业 |
0.954498 |
0.042424 |
0.714286 |
7 |
120419 |
生物医药 |
000790 |
华神集团 |
0.816360 |
0.006061 |
0.714286 |
8 |
120419 |
生物医药 |
000820 |
金城股份 |
0.630109 |
0.000000 |
0.017857 |
9 |
120419 |
生物医药 |
000931 |
中关村 |
0.927900 |
1.000000 |
0.062500 |
10 |
120419 |
生物医药 |
000963 |
华东医药 |
0.693950 |
0.193939 |
0.714286 |
11 |
120419 |
生物医药 |
002004 |
华邦颖泰 |
0.791938 |
0.078788 |
0.750000 |
12 |
120419 |
生物医药 |
002007 |
华兰生物 |
0.942944 |
0.406061 |
0.714286 |
13 |
120419 |
生物医药 |
002019 |
亿帆鑫富 |
0.982201 |
0.121212 |
0.750000 |
14 |
120419 |
生物医药 |
002020 |
京新药业 |
0.915740 |
0.018182 |
0.714286 |
15 |
120419 |
生物医药 |
002030 |
达安基因 |
0.142927 |
0.545455 |
0.714286 |
16 |
120419 |
生物医药 |
002038 |
双鹭药业 |
0.680201 |
0.012121 |
0.714286 |
17 |
120419 |
生物医药 |
002102 |
冠福股份 |
0.847786 |
0.000000 |
0.053571 |
18 |
120419 |
生物医药 |
002107 |
沃华医药 |
0.000000 |
0.248485 |
0.714286 |
19 |
120419 |
生物医药 |
002219 |
恒康医疗 |
0.930044 |
0.169697 |
0.714286 |
20 |
120419 |
生物医药 |
002286 |
保龄宝 |
0.904069 |
0.000000 |
0.017857 |
21 |
120419 |
生物医药 |
002287 |
奇正藏药 |
0.897739 |
0.012121 |
0.714286 |
22 |
120419 |
生物医药 |
002294 |
信立泰 |
0.785857 |
0.169697 |
0.714286 |
23 |
120419 |
生物医药 |
002317 |
众生药业 |
0.927900 |
0.115152 |
0.714286 |
24 |
120419 |
生物医药 |
002349 |
精华制药 |
0.927900 |
0.012121 |
0.714286 |
25 |
120419 |
生物医药 |
002432 |
九安医疗 |
0.804717 |
0.333333 |
0.714286 |
26 |
120419 |
生物医药 |
002462 |
嘉事堂 |
0.835883 |
0.036364 |
0.714286 |
27 |
120419 |
生物医药 |
002550 |
千红制药 |
0.961297 |
0.012121 |
0.714286 |
28 |
120419 |
生物医药 |
002581 |
万昌科技 |
0.772591 |
0.078788 |
0.035714 |
29 |
120419 |
生物医药 |
002653 |
海思科 |
0.900234 |
0.054545 |
0.714286 |
... |
... |
... |
... |
... |
... |
... |
... |
52 |
120419 |
生物医药 |
600220 |
江苏阳光 |
0.754740 |
0.000000 |
0.035714 |
53 |
120419 |
生物医药 |
600222 |
太龙药业 |
0.866747 |
0.018182 |
0.714286 |
54 |
120419 |
生物医药 |
600249 |
两面针 |
0.944427 |
0.006061 |
0.035714 |
55 |
120419 |
生物医药 |
600252 |
中恒集团 |
0.907264 |
0.072727 |
0.776786 |
56 |
120419 |
生物医药 |
600267 |
海正药业 |
0.967912 |
0.048485 |
0.714286 |
57 |
120419 |
生物医药 |
600272 |
开开实业 |
0.995495 |
0.000000 |
0.035714 |
58 |
120419 |
生物医药 |
600276 |
恒瑞医药 |
0.935974 |
0.751515 |
0.714286 |
59 |
120419 |
生物医药 |
600297 |
美罗药业 |
0.833323 |
0.078788 |
0.714286 |
60 |
120419 |
生物医药 |
600332 |
白云山 |
0.956238 |
0.309091 |
0.714286 |
61 |
120419 |
生物医药 |
600340 |
华夏幸福 |
0.881892 |
0.381818 |
0.062500 |
62 |
120419 |
生物医药 |
600381 |
贤成矿业 |
0.921978 |
0.012121 |
0.107143 |
63 |
120419 |
生物医药 |
600385 |
ST金泰 |
0.765946 |
0.000000 |
0.714286 |
64 |
120419 |
生物医药 |
600422 |
昆药集团 |
0.956965 |
0.060606 |
0.714286 |
65 |
120419 |
生物医药 |
600503 |
华丽家族 |
0.927900 |
0.096970 |
0.062500 |
66 |
120419 |
生物医药 |
600521 |
华海药业 |
0.982925 |
0.012121 |
0.714286 |
67 |
120419 |
生物医药 |
600535 |
天士力 |
0.983813 |
0.521212 |
0.714286 |
68 |
120419 |
生物医药 |
600557 |
康缘药业 |
0.988432 |
0.236364 |
0.714286 |
69 |
120419 |
生物医药 |
600587 |
新华医疗 |
0.967148 |
0.030303 |
0.714286 |
70 |
120419 |
生物医药 |
600594 |
益佰制药 |
0.836619 |
0.230303 |
0.714286 |
71 |
120419 |
生物医药 |
600624 |
复旦复华 |
0.977262 |
0.115152 |
0.017857 |
72 |
120419 |
生物医药 |
600645 |
中源协和 |
0.599070 |
0.521212 |
0.750000 |
73 |
120419 |
生物医药 |
600666 |
西南药业 |
0.831056 |
0.090909 |
0.714286 |
74 |
120419 |
生物医药 |
600783 |
鲁信创投 |
0.878917 |
0.236364 |
0.026786 |
75 |
120419 |
生物医药 |
600789 |
鲁抗医药 |
0.993466 |
0.115152 |
0.714286 |
76 |
120419 |
生物医药 |
600826 |
兰生股份 |
0.913197 |
0.121212 |
0.035714 |
77 |
120419 |
生物医药 |
600867 |
通化东宝 |
0.822112 |
0.078788 |
0.714286 |
78 |
120419 |
生物医药 |
600873 |
梅花生物 |
0.958417 |
0.103030 |
0.026786 |
79 |
120419 |
生物医药 |
600895 |
张江高科 |
0.627730 |
0.296970 |
0.062500 |
80 |
120419 |
生物医药 |
601607 |
上海医药 |
0.519610 |
0.442424 |
0.714286 |
81 |
120419 |
生物医药 |
603168 |
莎普爱思 |
0.994970 |
0.012121 |
0.714286 |
82 rows × 7 columns
endDate_dt = CountTime()
endDate_CAL = Date.fromDateTime(endDate_dt)
beginDate_3M_CAL = cal.advanceDate(endDate_CAL,Period('-3M'),BizDayConvention.Following)
beginDate_3M_dt = beginDate_3M_CAL.toDateTime()
period_day = 5
period_CAL = '-'+str(period_day)+'B'
beginDate_5B_CAL = cal.advanceDate(endDate_CAL, period_CAL, BizDayConvention.Following)
beginDate_5B_dt = beginDate_5B_CAL.toDateTime()
tk_list = thm_tks['ticker'].tolist()
field = ['ticker','secShortName','tradeDate','preClosePrice','closePrice','turnoverValue','marketValue']
Mkt_Info_df_1Y = GetMktEqud(tk_list=tk_list,field =field)
Mkt_Info_df_1Y['tradeDate'] = pd.to_datetime(Mkt_Info_df_1Y['tradeDate'])
Mkt_Info_df_1Y['increase'] = Mkt_Info_df_1Y['closePrice']/Mkt_Info_df_1Y['preClosePrice']
(rtn_1Y,tk_rt_df_1Y) = GetReturn(Mkt_Info_df_1Y)
Mkt_Info_df_3M = Mkt_Info_df_1Y[Mkt_Info_df_1Y['tradeDate']>beginDate_3M_dt]
(rtn_3M,tk_rt_df_3M) = GetReturn(Mkt_Info_df_3M)
Mkt_Info_df_5B = Mkt_Info_df_1Y[Mkt_Info_df_1Y['tradeDate']>beginDate_5B_dt]
(rtn_5B,tk_rt_df_5B) = GetReturn(Mkt_Info_df_5B)
def add_nm_rtn(mkt_df):
add_info_list = []
for i in range(len(mkt_df)):
add_info = mkt_df['secShortName'].iloc[i] + str(round(mkt_df['return'].iloc[i],3))
add_info_list.append(add_info)
return add_info_list
df_list = [tk_rt_df_1Y,tk_rt_df_3M,tk_rt_df_5B]
bigstk_dic = {'bigstk_by_rtn':[],'bigstk_by_rnv':[]}
for df_i in df_list:
df_sort_rtn = df_i.sort(columns='return',ascending=False)[0:3]
df_sort_tnv = df_i.sort(columns='turnoverValue',ascending=False)[0:3]
bigstk_rtn_list = add_nm_rtn(df_sort_rtn)
bigstk_tnv_list = add_nm_rtn(df_sort_tnv)
bigstk_dic['bigstk_by_rtn'].append(bigstk_rtn_list)
bigstk_dic['bigstk_by_rnv'].append(bigstk_tnv_list)
bigstk_dic['thm_rtn'] = [round(rtn_1Y,3),round(rtn_3M,3),round(rtn_5B,3)]
bigstk_df = pd.DataFrame(bigstk_dic)
bigstk_df = bigstk_df.loc[:,['thm_rtn','bigstk_by_rtn','bigstk_by_rnv']]
bigstk_df.index = [u'最近一年',u'最近3个月',u'最近5个交易日']
bigstk_df.columns = [u'主题涨幅',u'龙头股_按涨幅',u'龙头股_按成交量']
print '主题:',thmid2nm_dic[int(theme_id)]
bigstk_df
主题: 生物医药
|
主题涨幅 |
龙头股_按涨幅 |
龙头股_按成交量 |
最近一年 |
0.983 |
[沃华医药5.498, 莎普爱思4.354, 达安基因3.13] |
[云南白药0.268, 达安基因3.13, 白云山0.344] |
最近3个月 |
0.518 |
[沃华医药1.938, 达安基因1.348, 博腾股份1.149] |
[达安基因1.348, 张江高科0.548, 上海医药0.418] |
最近5个交易日 |
0.091 |
[江苏阳光0.266, 恒康医疗0.221, 兰生股份0.22] |
[达安基因0.198, 华夏幸福0.122, 上海医药0.088] |
tks_rtnscore = thm_tks.sort(columns='returnScore',ascending=False)[0:3]['ticker'].tolist()
tks_textscore = thm_tks.sort(columns='textContributionScore',ascending=False)[0:3]['ticker'].tolist()
tks_indscore = thm_tks.sort(columns='industryScore',ascending=False)[0:3]['ticker'].tolist()
tks_score_list = [tks_rtnscore,tks_textscore,tks_indscore]
bigstk_score_dic = {}
def noname(df,lt):
new_df = pd.DataFrame({})
for i in lt:
a = df[df['ticker']==i]
new_df = pd.concat([new_df,a])
return new_df
for i in range(3):
tk_score_list = tks_score_list[i]
sub_mkt_1Y = noname(tk_rt_df_1Y,tk_score_list)
add_info_1Y = add_nm_rtn(sub_mkt_1Y)
sub_mkt_3M = noname(tk_rt_df_3M,tk_score_list)
add_info_3M = add_nm_rtn(sub_mkt_3M)
sub_mkt_5B = noname(tk_rt_df_5B,tk_score_list)
add_info_5B = add_nm_rtn(sub_mkt_5B)
if i == 0:
bigstk_score_dic['rtn_score'] = [add_info_1Y,add_info_3M,add_info_5B]
if i == 1:
bigstk_score_dic['text_score'] = [add_info_1Y,add_info_3M,add_info_5B]
if i == 2:
bigstk_score_dic['ind_score'] = [add_info_1Y,add_info_3M,add_info_5B]
bigstk_score_dic['thm_rtn'] = [round(rtn_1Y,3),round(rtn_3M,3),round(rtn_5B,3)]
bigstk_score_df = pd.DataFrame(bigstk_score_dic)
bigstk_score_df = bigstk_score_df.loc[:,['thm_rtn','text_score','ind_score','rtn_score']]
bigstk_score_df.index = [u'最近一年',u'最近3个月',u'最近5个交易日']
bigstk_score_df.columns = [u'主题涨幅',u'最相关_文本',u'最相关_行业',u'最相关_收益']
bigstk_score_df
|
主题涨幅 |
最相关_文本 |
最相关_行业 |
最相关_收益 |
最近一年 |
0.983 |
[中关村0.986, 恒瑞医药0.642, 达安基因3.13] |
[国农科技1.028, 中恒集团0.599, 华邦颖泰1.034] |
[开开实业0.697, 莎普爱思4.354, 鲁抗医药1.183] |
最近3个月 |
0.518 |
[中关村0.35, 恒瑞医药0.258, 达安基因1.348] |
[国农科技0.648, 中恒集团0.224, 华邦颖泰0.902] |
[开开实业0.241, 莎普爱思0.487, 鲁抗医药0.612] |
最近5个交易日 |
0.091 |
[中关村0.097, 恒瑞医药0.096, 达安基因0.198] |
[国农科技0.073, 中恒集团0.028, 华邦颖泰0.148] |
[开开实业0.086, 莎普爱思0.037, 鲁抗医药0.197] |
thm_tks_text = thm_tks.sort(columns='textContributionScore',ascending=False)[0:5]
print '排名按照textContributionScore(文本贡献关联度,主题和证券在新闻文本中的相似度,取值范围[0,1],值越大表示关联度越高)'
thm_tks_text
排名按照textContributionScore(文本贡献关联度,主题和证券在新闻文本中的相似度,取值范围[0,1],值越大表示关联度越高)
|
themeID |
themeName |
ticker |
secShortName |
returnScore |
textContributionScore |
industryScore |
9 |
120419 |
生物医药 |
000931 |
中关村 |
0.927900 |
1.000000 |
0.062500 |
58 |
120419 |
生物医药 |
600276 |
恒瑞医药 |
0.935974 |
0.751515 |
0.714286 |
15 |
120419 |
生物医药 |
002030 |
达安基因 |
0.142927 |
0.545455 |
0.714286 |
72 |
120419 |
生物医药 |
600645 |
中源协和 |
0.599070 |
0.521212 |
0.750000 |
67 |
120419 |
生物医药 |
600535 |
天士力 |
0.983813 |
0.521212 |
0.714286 |
thm_tks_ind = thm_tks.sort(columns='industryScore',ascending=False)[0:5]
print '排名按照industryScore(行业关联度,主题和证券在行业分布上的相似度,取值范围[0,1],值越大表示关联度越高)'
thm_tks_ind
排名按照industryScore(行业关联度,主题和证券在行业分布上的相似度,取值范围[0,1],值越大表示关联度越高)
|
themeID |
themeName |
ticker |
secShortName |
returnScore |
textContributionScore |
industryScore |
0 |
120419 |
生物医药 |
000004 |
国农科技 |
0.935363 |
0.000000 |
0.785714 |
55 |
120419 |
生物医药 |
600252 |
中恒集团 |
0.907264 |
0.072727 |
0.776786 |
11 |
120419 |
生物医药 |
002004 |
华邦颖泰 |
0.791938 |
0.078788 |
0.750000 |
72 |
120419 |
生物医药 |
600645 |
中源协和 |
0.599070 |
0.521212 |
0.750000 |
13 |
120419 |
生物医药 |
002019 |
亿帆鑫富 |
0.982201 |
0.121212 |
0.750000 |
thm_tks_rtn = thm_tks.sort(columns='returnScore',ascending=False)[0:5]
print '排名按照returnScore(收益关联程度,主题和证券在短期收益上的相似度,取值范围[0,1],值越大表示关联度越高)'
thm_tks_rtn
排名按照returnScore(收益关联程度,主题和证券在短期收益上的相似度,取值范围[0,1],值越大表示关联度越高)
|
themeID |
themeName |
ticker |
secShortName |
returnScore |
textContributionScore |
industryScore |
57 |
120419 |
生物医药 |
600272 |
开开实业 |
0.995495 |
0.000000 |
0.035714 |
81 |
120419 |
生物医药 |
603168 |
莎普爱思 |
0.994970 |
0.012121 |
0.714286 |
75 |
120419 |
生物医药 |
600789 |
鲁抗医药 |
0.993466 |
0.115152 |
0.714286 |
4 |
120419 |
生物医药 |
000597 |
东北制药 |
0.988989 |
0.103030 |
0.714286 |
68 |
120419 |
生物医药 |
600557 |
康缘药业 |
0.988432 |
0.236364 |
0.714286 |