历史的十一月板块涨幅

发布于 2022-02-20 22:26:18 字数 21180 浏览 956 评论 0 收藏 0

大盘又开始疯长了，还记嘚去年十一月吗？

#获得行业信息
def GetEquIndustry(universe,field):    
    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

from CAL.PyCAL import *
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.drop_duplicates('ticker')['ticker'].tolist()

from pandas import DataFrame,Series
from CAL.PyCAL import *
cal = Calendar('China.SSE')
field = ['ticker','secShortName','tradeDate','preClosePrice','closePrice','turnoverValue']
#时间轴(开始时间)
time = ['20141031', '20131031', '20121031', '20111031', '20101031']
#保存各个时间段的数据
Data_time = {}
#保存各个时间段的股票名字
tk_nm_dic ={}

# 时间稍慢
for s in time : 
    Data_time[s] = DataFrame()
    for x in universe :        
        try : 
            data_temp = DataAPI.MktEqudAdjGet( secID = x , field =field , beginDate = s , endDate = cal.advanceDate(s,'1M', BizDayConvention.Following).strftime('%Y%m%d'))   
            data_temp['marketValue']  = DataAPI.MktEqudGet(secID = x ,field ='marketValue' , beginDate = s , endDate = cal.advanceDate(s,'1M', BizDayConvention.Following).strftime('%Y%m%d')) 
            Data_time[s] = pd.concat([Data_time[s],data_temp])  
        except : 
            continue
    tk_nm_dic[s] = dict(zip(Data_time[s]['ticker'],Data_time[s]['secShortName']))                                    # 获得个股ticker与名称的对应字典

for s in Data_time.values() :         
    s['tradeDate'] = pd.to_datetime(s['tradeDate'])                                         # 将tradeDate这一列的格式由string改为datetime
    s['increase'] = s['closePrice']/s['preClosePrice']                                      # 获得个股每天的收益

# 股票数据统计
Stock_Data = {}
for s in Data_time.keys() :    
    Stock_dict = {'ticker':[],'income':[],'turnoverValue':[] ,'marketValue' :[]} 
    # 获得每个时间段的Data计算个股的收益和平均市值
    for tk,sub_info in Data_time[s].groupby('ticker') :
        income = sub_info['increase'].prod()-1                     # 获得在这段时间内该股的涨幅    
        mkt_value = sub_info['marketValue'].sum()/len(sub_info)     
        turnoverValue_avg = sub_info['turnoverValue'].sum()/len(sub_info)   
        Stock_dict['ticker'].append(tk)
        Stock_dict['income'].append(income)
        Stock_dict['marketValue'].append(mkt_value)
        Stock_dict['turnoverValue'].append(turnoverValue_avg)
    # 返回时间为Key的个股数据
    Stock_Data[s] = pd.DataFrame(Stock_dict)

# 行业数据统计
Output_dicy = {}
Output_dicy['industry'] = []
Output_dicy['Num'] = []
Output_dicy['Nov14'] = []

for ind,tks in Ind_tks_dic.items() :
    for table in Stock_Data.keys() : 
        if not table in Output_dicy.keys() : 
            Output_dicy[table] = []
        sub_Industry = Stock_Data[table][Stock_Data[table]['ticker'].isin(tks)]      
         # 成交量前三
        bigstk = sub_Industry.sort(columns='turnoverValue',ascending=False)['ticker'][0:3].tolist()
        # 行业指数收益
        if not sub_Industry['marketValue'].sum() == 0 : 
            rtn_Industry = (sub_Industry['income']*sub_Industry['marketValue']).sum()/sub_Industry['marketValue'].sum()         
            Output_dicy[table].append(rtn_Industry)
            if table == '20141031' :   
                Output_dicy['Nov14'].append(map(lambda x:tk_nm_dic['20141031'][x],bigstk))

    if not sub_Industry['marketValue'].sum() == 0 :          
        #最新行业成分数量     
        Output_dicy['Num'].append(len(sub_Industry))
        Output_dicy['industry'].append(ind)       

Output_table = pd.DataFrame(Output_dicy)

去年十一月疯长的大盘

# 统计并显示
Out_put = Output_table.loc[:,['industry','Num','20101031','20111031','20121031','20131031','20141031','Nov14']]
Out_put.columns = [u'行业名称',u'该行业成分股数目(15年)',u'2010年十一月',u'2011年十一月',u'2012年十一月',u'2013年十一月',u'2014年十一月',u'2014年板块成交量前三']
Out_put[u'平均涨幅'] = (Out_put[u'2010年十一月']+Out_put[u'2011年十一月']+Out_put[u'2012年十一月']+Out_put[u'2013年十一月']+Out_put[u'2014年十一月']) / 5
print u'一共有%d个申万二级行业'%len(Out_put),u' ： '
Out_put.sort(u'2014年十一月' , ascending = False).head(20)

一共有208个申万二级行业  ：

	行业名称	该行业成分股数目(15年)	2010年十一月	2011年十一月	2012年十一月	2013年十一月	2014年十一月	2014年板块成交量前三	平均涨幅
97	资本市场服务	18	-0.141082	-0.152839	-0.133307	0.098754	0.511463	[中信证券, 海通证券, 兴业证券]	0.036598
22	证券	20	-0.142078	-0.150951	-0.129955	0.094950	0.493749	[中信证券, 海通证券, 兴业证券]	0.033143
107	综合金融	21	-0.139421	-0.148480	-0.132800	0.095897	0.477825	[中信证券, 海通证券, 兴业证券]	0.030604
2	航空运输	6	-0.179507	-0.123943	-0.094819	0.015406	0.406586	[海南航空, 东方航空, 中信海直]	0.004744
149	航空运输业	10	-0.173271	-0.107966	-0.082920	0.015486	0.343224	[海南航空, 东方航空, 中信海直]	-0.001089
38	保险业	3	-0.095615	-0.017941	-0.035695	0.154288	0.323310	[中国平安, 中国太保, 中国人寿]	0.065669
153	保险	4	-0.095476	-0.018500	-0.035806	0.154006	0.323234	[中国平安, 中国太保, 中国人寿]	0.065492
92	房屋建筑业	1	0.000000	0.000000	-0.127193	0.202055	0.316129	[高新发展]	0.078198
112	高速公路	23	-0.108908	-0.088902	-0.073154	0.052344	0.272050	[广发证券, 厦门港务, 五洲交通]	0.010686
193	石油加工、炼焦和核燃料加工业	18	0.007286	-0.034520	-0.127721	0.005377	0.258827	[陕西黑猫, 上海石化, *ST华锦]	0.021850
122	建筑安装业	1	-0.113664	-0.006221	-0.139037	0.020833	0.213740	[中关村]	-0.004870
139	基础建设	22	-0.037736	-0.088644	0.009290	0.011860	0.212001	[中国中铁, 中国铁建, 中国交建]	0.021354
202	农、林、牧、渔服务业	1	-0.013893	0.032037	-0.106501	0.055081	0.210865	[丰乐种业]	0.035518
113	房屋建设	4	-0.046656	-0.087118	0.006878	0.009602	0.202862	[中国建筑, 上海建工, 宁波建工]	0.017114
176	园区开发	18	-0.042658	-0.077632	-0.073093	-0.033278	0.200555	[陆家嘴, 外高桥, 金融街]	-0.005221
39	租赁业	1	-0.149817	0.011525	-0.106517	0.043152	0.200312	[渤海租赁]	-0.000269
82	土木工程建筑业	45	-0.028200	-0.077634	-0.003929	0.004428	0.181418	[中国建筑, 中国中铁, 中国铁建]	0.015217
194	货币金融服务	16	-0.060532	-0.046490	0.017593	0.012884	0.181281	[浦发银行, 兴业银行, 民生银行]	0.020947
101	银行	16	-0.060532	-0.046490	0.017593	0.012884	0.181281	[浦发银行, 兴业银行, 民生银行]	0.020947
67	燃气生产和供应业	9	-0.097077	0.016135	-0.038805	0.005440	0.178853	[大众公用, 重庆燃气, 申能股份]	0.012909

五年间十一月平均涨幅

Out_put.sort(u'平均涨幅' , ascending = False).head(20)

	行业名称	该行业成分股数目(15年)	2010年十一月	2011年十一月	2012年十一月	2013年十一月	2014年十一月	2014年板块成交量前三	平均涨幅
92	房屋建筑业	1	0.000000	0.000000	-0.127193	0.202055	0.316129	[高新发展]	0.078198
38	保险业	3	-0.095615	-0.017941	-0.035695	0.154288	0.323310	[中国平安, 中国太保, 中国人寿]	0.065669
153	保险	4	-0.095476	-0.018500	-0.035806	0.154006	0.323234	[中国平安, 中国太保, 中国人寿]	0.065492
35	林业	5	0.010244	0.117180	0.028619	0.012805	0.085120	[平潭发展, 永安林业, 吉林森工]	0.050794
200	运输设备	7	0.116078	-0.056020	0.095749	0.071869	0.008633	[晋西车轴, 北方创业, 康尼机电]	0.047262
97	资本市场服务	18	-0.141082	-0.152839	-0.133307	0.098754	0.511463	[中信证券, 海通证券, 兴业证券]	0.036598
202	农、林、牧、渔服务业	1	-0.013893	0.032037	-0.106501	0.055081	0.210865	[丰乐种业]	0.035518
22	证券	20	-0.142078	-0.150951	-0.129955	0.094950	0.493749	[中信证券, 海通证券, 兴业证券]	0.033143
107	综合金融	21	-0.139421	-0.148480	-0.132800	0.095897	0.477825	[中信证券, 海通证券, 兴业证券]	0.030604
123	铁路运输业	3	-0.074811	-0.032704	0.033269	0.058432	0.158774	[大秦铁路, 广深铁路, 铁龙物流]	0.028592
111	餐饮业	4	0.116088	0.030976	-0.115720	0.094488	0.002694	[*ST云网, 西安饮食, 全聚德]	0.025705
188	互联网和相关服务	12	0.063492	0.059126	-0.123481	0.001113	0.127137	[东方财富, 鹏博士, 海虹控股]	0.025477
182	电气自动化设备	30	0.181047	0.021313	-0.121661	0.000477	0.045836	[国电南瑞, 许继电气, 川仪股份]	0.025402
20	专业技术服务业	9	0.173828	-0.040446	-0.119783	0.046313	0.057355	[中材节能, 设计股份, 三联虹普]	0.023453
193	石油加工、炼焦和核燃料加工业	18	0.007286	-0.034520	-0.127721	0.005377	0.258827	[陕西黑猫, 上海石化, *ST华锦]	0.021850
4	铁路运输	3	-0.074811	-0.032704	0.028185	0.057472	0.130967	[大秦铁路, 广深铁路, 铁龙物流]	0.021822
139	基础建设	22	-0.037736	-0.088644	0.009290	0.011860	0.212001	[中国中铁, 中国铁建, 中国交建]	0.021354
194	货币金融服务	16	-0.060532	-0.046490	0.017593	0.012884	0.181281	[浦发银行, 兴业银行, 民生银行]	0.020947
101	银行	16	-0.060532	-0.046490	0.017593	0.012884	0.181281	[浦发银行, 兴业银行, 民生银行]	0.020947
44	食品制造业	22	0.150009	0.017352	-0.080203	-0.045608	0.059697	[伊利股份, 光明乳业, 花园生物]	0.020249