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

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

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

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 ​

#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

#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

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

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

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

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

1331 rows × 3 columns

datetime.today()

datetime.datetime(2015, 1, 24, 13, 33, 44, 786650)