风险因子（离散类）
本代码用于计算风险因子
- 先根据
DataAPI.ThemeTickersGet得到每个主题相关的个股 - 计算个股在前7天的每天涨跌幅，从而计算主题的每天涨跌幅（市值加权）
- 计算个股前7天的涨跌停次数，计算主题涨跌停比例
- 对每个股票，按照股票市值占主题总市值的比例，计算涨跌幅和涨跌停比例（均为7日），将两个指标进行排名，个股有两个排名得分
- 再取两个排名得分的平均，对个股再次排名
排名越高，波动越大，风险越大
datetime.today()
datetime.datetime(2015, 2, 4, 22, 18, 57, 402881)
此处定义了几个函数，方便调用
def GetThemeInfo(thm_id_list):
#由于ThemeTickersGet对于数据量有限制，一次调用1000个主题数据
num = 1000 #每一次调取多少个主题的信息
cnt_num = len(thm_id_list)/num #一次调取num个主题，要调用num次
beginDate = '20140601' #开始时间
endDate = '20150123' #结束时间
if cnt_num>0:
thm_tk_pd = pd.DataFrame({})
for i in range(cnt_num):
info_sub = DataAPI.ThemeTickersGet(beginDate=beginDate,endDate=endDate,themeID=thm_id_list[i*num:(i+1)*num]) #获取主题相关的个股
thm_tk_pd = pd.concat([thm_tk_pd,info_sub]) #将数据连接
info_sub = DataAPI.ThemeTickersGet(beginDate=beginDate,endDate=endDate,themeID=thm_id_list[(i+1)*num:])
thm_tk_pd = pd.concat([thm_tk_pd,info_sub])
else:
thm_tk_pd = DataAPI.ThemeTickersGet(beginDate=beginDate,endDate=endDate,themeID=thm_id_list)
return thm_tk_pd
def GetMktInfo(tk_list,beginDate,endDate,field_mkt): #获得个股的日线行情数据
num = 50
cnt_num = len(tk_list)/num
if cnt_num>0:
tk_mkt_info = pd.DataFrame({})
for i in range(cnt_num):
sub_info = DataAPI.MktEqudGet(ticker=tk_list[i*num:(i+1)*num],beginDate=beginDate,endDate=endDate,field=field_mkt)
tk_mkt_info = pd.concat([tk_mkt_info,sub_info])
sub_info = DataAPI.MktEqudGet(ticker=tk_list[(i+1)*num:],beginDate=beginDate,endDate=endDate,field=field_mkt)
tk_mkt_info = pd.concat([tk_mkt_info,sub_info])
else:
tk_mkt_info = DataAPI.MktEqudGet(ticker=tk_list,beginDate=beginDate,endDate=endDate,field=field_mkt)
return tk_mkt_info
def GetDate(n): #获得最近7个交易日的日期
cal = Calendar("China.SSE")
today_cal = Date.todaysDate()
today_dtime = datetime.today()
if cal.isBizDay(today_cal): #如果今天是交易日
today_ymd = today_dtime.strftime("%Y%m%d")
hms = " 15:05:00"
ben_time = datetime.strptime(today_ymd+hms,"%Y%m%d %H:%M:%S")
if today_dtime>ben_time: #如果当前时间晚于15：05分，则可以获取到今日行情数据
end_date = today_ymd
else:
cal_wd = cal.advanceDate(today_cal, '-1B', BizDayConvention.Preceding) #获得前一个工作日Date格式
end_date = cal_wd.toISO().replace('-','') #转换成字符串格式‘20140102’
else:
cal_wd = cal.advanceDate(today_cal, '-1B', BizDayConvention.Preceding) #获得前一个工作日Date格式
end_date = cal_wd.toISO().replace('-','') #转换成字符串格式‘20140102’
end_date_cal = Date.parseISO('-'.join([end_date[0:4],end_date[4:6],end_date[6:8]])) #更改日期格式为“2014-03-02”
prd = '-'+str(n-1)+'B' #起始日期和终止日期间隔的天数
begin_date_cal = cal.advanceDate(end_date_cal, prd , BizDayConvention.Preceding) #获得6天前的工作日
begin_date = begin_date_cal.toISO().replace('-','')
return begin_date,end_date
读取主题id文件，先对个股和主题进行筛选，然后获得个股的行情数据
#Main
import pandas as pd
f1 = read('20140601_20150203theme_list.txt') #从这个文档中读取所有的主题id
thm_id_list = f1.split(',')
thm_tk_pd = GetThemeInfo(thm_id_list=thm_id_list) #获得主题对应个股的信息
thm_tk_pd = thm_tk_pd[(thm_tk_pd['ticker'].str.len()==6) & (thm_tk_pd['ticker'].apply(lambda x:x[0]=='0' or x[0]=='6'))] #过滤港股和新三板，因为拿不到行情数据
grouped_thmid = thm_tk_pd.groupby('themeID') #根据主题id分类，得到每个主题对应的个股
###对主题进行过滤如果该主题所包含的个股《5，则舍弃
fld_thmid_list = []
for name,group in grouped_thmid:
if len(group)>=5:
fld_thmid_list.append(name)
thm_tk_pd = thm_tk_pd[thm_tk_pd['themeID'].isin(fld_thmid_list)]
ThmId_Nm_dic = dict(zip(thm_tk_pd['themeID'],thm_tk_pd['themeName'])) #获得主题id与主题名称的对应
TkId_Nm_dic = dict(zip(thm_tk_pd['ticker'],thm_tk_pd['secShortName'])) #获得个股id与个股名称的对应
thm_tk_pd = thm_tk_pd[['themeID','ticker']]
tk_list = list(set(thm_tk_pd['ticker'])) #获得所有的个股
n_prd =7
beginDate,endDate = GetDate(n_prd) #获取n_prd个交易日的具体日期
field_mkt = ['ticker','openPrice','closePrice','highestPrice','lowestPrice','marketValue','preClosePrice ']
tk_mktinfo_pd = GetMktInfo(tk_list,beginDate,endDate,field_mkt) #获得所有个股的行情数据
tk_mktinfo_pd['return'] = (tk_mktinfo_pd['closePrice']-tk_mktinfo_pd['preClosePrice'])/tk_mktinfo_pd['preClosePrice'] #计算所有个股每天的涨跌幅
计算主题的涨跌幅（绝对值）和涨跌停比例
grouped_thmid = thm_tk_pd.groupby('themeID') #根据主题id分类，得到每个主题对应的个股
grouped_tkid = thm_tk_pd.groupby('ticker') #根据ticker分类，得到每个个股对应的主题
thm_rtn_dic, thm_gb_dic, thm_mkv_dic = {},{},{} #主题的日涨幅，主题的日涨跌停比例，主题的市值
#获得主题的日收益的绝对值的平均
for thm,group_thm in grouped_thmid:
sub_tk_list = list(group_thm['ticker'])
sub_tk_mkt_pd = tk_mktinfo_pd[tk_mktinfo_pd['ticker'].isin(sub_tk_list)] #获得该主题下个股的行情数据
thm_rtn = (sub_tk_mkt_pd['marketValue']*abs(sub_tk_mkt_pd['return'])).sum()/sub_tk_mkt_pd['marketValue'].sum() #计算主题在这7天的平均每天绝对收益
thm_rtn_dic[thm] = thm_rtn
thm_mkv_dic[thm] = sub_tk_mkt_pd['marketValue'].sum() #记录每个主题的市值（7天的和）
num_gb = len(sub_tk_mkt_pd[(abs((sub_tk_mkt_pd['closePrice']-sub_tk_mkt_pd['preClosePrice']))/sub_tk_mkt_pd['preClosePrice']).round(2)==0.1]) #涨跌停的个股数目
thm_gb_dic[thm] = num_gb/n_prd #主题涨跌停比例7日均值
由主题涨跌幅和涨跌停比例，计算个股的涨跌幅和涨跌停比例
tk_inc_gb_dic = {} #由主题计算的个股的涨幅和涨跌停比例
for tk,group_tk in grouped_tkid:
tk_mkv = tk_mktinfo_pd['marketValue'][tk_mktinfo_pd['ticker']==tk].sum() #得到个股市值（7天的和）
thm_list = group_tk['themeID']
inc,gb_ratio = 0,0
for thm in thm_list:
pro = tk_mkv/thm_mkv_dic[thm] #个股占该主题的比例
inc += thm_rtn_dic[thm]*pro
gb_ratio += thm_gb_dic[thm]*pro
tk_inc_gb_dic[tk] = (inc,gb_ratio) #记录个股的涨幅和涨跌停比例
根据个股的涨跌幅和涨跌停比例进行排名，再将这两个排名进行平均，再排名
sort1 = sorted(tk_inc_gb_dic.keys(), key = lambda x:tk_inc_gb_dic[x][0], reverse=True) #根据个股的涨幅排名，涨幅大的排名在前
sort2 = sorted(tk_inc_gb_dic.keys(), key = lambda x:tk_inc_gb_dic[x][1], reverse=True) #根据个股的涨跌停比例排名，涨跌停比例高的排名在前
rank = lambda x:(sort1.index(x)+sort2.index(x))*1.0/2+1
id2name = lambda x:TkId_Nm_dic[x]
df = pd.DataFrame({'ticker':tk_list})
df['name'] = pd.Series(map(id2name,tk_list))
df['ranking_score'] = pd.Series(map(rank,tk_list))
df_sort = df.sort(columns=['ranking_score'],ascending = True)
df_sort.reset_index(inplace=True,drop=True)
print "最近个股风险因子排名："
df_sort
datetime.today()
datetime.datetime(2015, 2, 4, 22, 19, 15, 638752)