鉴于一些小伙伴在询问平台上行业指数的行情数据的问题，这里就用申万一级行业的数据做了内容，进行行业指数获取的方法示例给大家做参考。
目前平台暂无提供直接的API获取行业数据，以下的内容都是调用了聚源数据库进行的操作，具体数据源可以参考这个链接

在开始之前先用研究展示下一些数据统计、行业涨跌幅统计操作，如下内容即是回顾下上周的市场情况
5月底创出3041低点后，市场开始回升，上周接连走出三连阳后，周四高开低走收阴，周五一根阴线将一周的回升全部拉回去且逼近3041低点，感慨我大A股上升的道路总是*悠长，下跌的时候猝不及防。下面的图是获取市场周五的行情数据，其中可以看到以上证50、中证500，中证1000代表的大中小市值全线下跌，板块方面唯次新股收阳、从数据来看这也符合5日收益次新最高，还有值得注意的是各指数均是价跌量涨，这不是筑底的特征。

下面两张图，就是对上周和上上周申万行业涨跌幅进行的统计，可以看到非周期性行业，食品饮料、家用电器连续两周走势还行


这篇帖子里面的这个策略，就是基于申万行业涨跌幅进行的定期轮换策略
策略思路：
选股：统计申万一级行业指数，固定时间选取涨幅最大的指数，选取指数成分股中流通市值最大的5只股票作为操作标的
择时：轮动模型，固定调仓周期开盘操作，默认开盘卖出不在股票池中股票，买入选出的股票
仓位：平均分配仓位

import pandas as pdimport numpy as npimport matplotlib.pyplot as pltfrom jqdata import jypd.set_option('precision', 3)import datetimeimport jqdatafrom jqdata import *

#统计各指数当天涨跌#输入日期#返回dfdef get_pct(date):#指数涨跌幅统计#总数据zhishu_list = ['000001.XSHG','000300.XSHG','000016.XSHG','000905.XSHG','000852.XSHG','399006.XSHE','399678.XSHE','399005.XSHE'] pl = get_price(zhishu_list,end_date=date,count=6)#.ix[:,0,:]#涨跌幅数据pl_pct = (pl.iloc[:,-1,:]/pl.iloc[:,-2,:]-1)*100pl_pct_5 = (pl.iloc[:,-1,:]/pl.iloc[:,-6,:]-1)*100#5日money均量df_money = pl.loc['money',:,:]def f(x):return x.mean()se_money = df_money.apply(f)#5日volume均量df_volume = pl.loc['volume',:,:]def f(x):return x.mean()se_volume = df_volume.apply(f)#最新一天指数值数据zv = pl.iloc[:,-1,:]zv['name'] = ['上证','沪深300','上证50','中证500','中证1000','创业板','次新股','中小板']df_fin = pd.concat([zv['close'],pl_pct['close'],pl_pct_5['close'],pl_pct['volume'],zv['volume']/(10**8),se_volume/(10**8),pl_pct['money'],zv['money']/(10**8),se_money/(10**8)],axis=1)df_fin.index = zv['name'].valuesdf_fin.columns = ['指数值','涨跌幅%','5日涨跌幅%','成交量%','成交量（亿）','5日成交均量(亿)','成交额%','成交额（亿）','5日成交均额（亿）']return df_fina = get_pct('2018-6-10')a

a[['涨跌幅%','5日涨跌幅%']].plot(kind='bar',figsize=(12,8))

<matplotlib.axes._subplots.AxesSubplot at 0x7fe9e70f6d10>

#统计各指数当天涨跌#输入日期#返回dfdef get_hy_pct(date_s,date):#指数涨跌幅统计#总数据sw_hy = jqdata.get_industries(name='sw_l1')sw_hy_dict  = {}for i in sw_hy.index:value = get_SW_index(i,start_date=date_s,end_date=date)sw_hy_dict[i] = valuepl_hy = pd.Panel(sw_hy_dict)pl = pl_hy.transpose(2,1,0)pl = pl.loc[['PrevClosePrice','OpenPrice','HighPrice','LowPrice','ClosePrice','TurnoverVolume','TurnoverValue'],:,:]#涨跌幅数据pl_pct = (pl.iloc[:,-1,:]/pl.iloc[:,-2,:]-1)*100pl_pct_5 = (pl.iloc[:,-1,:]/pl.iloc[:,-6,:]-1)*100#5日money均量df_money = pl.loc['TurnoverValue',:,:]def f(x):return x.mean()se_money = df_money.apply(f)#5日volume均量df_volume = pl.loc['TurnoverVolume',:,:]def f(x):return x.mean()se_volume = df_volume.apply(f)#最新一天指数值数据zv = pl.iloc[:,-1,:]zv['name'] = sw_hy['name']df_fin = pd.concat([zv['ClosePrice'],pl_pct['ClosePrice'],pl_pct_5['ClosePrice'],pl_pct['TurnoverVolume'],zv['TurnoverVolume']/(10**8),se_volume/(10**8),pl_pct['TurnoverValue'],zv['TurnoverValue']/(10**8),se_money/(10**8)],axis=1)df_fin.columns = ['指数值','涨跌幅%','5日涨跌幅%','成交量%','成交量（亿）','5日成交均量(亿)','成交额%','成交额（亿）','5日成交均额（亿）']df_fin['name'] = sw_hy['name']df_fin['code'] = df_fin.indexdf_fin.index = df_fin['name'].valuesdel df_fin['name'] 
    return df_fin.sort('涨跌幅%',ascending=0)#获取N天前的交易日日期def ShiftTradingDay(date,shift):# 获取所有的交易日，返回一个包含所有交易日的 list,元素值为 datetime.date 类型.tradingday = jqdata.get_all_trade_days()# 得到date之后shift天那一天在列表中的行标号 返回一个数shiftday_index = list(tradingday).index(date)+shift# 根据行号返回该日日期 为datetime.date类型return tradingday[shiftday_index]  #获取N天前的交易日日期def ShiftTradingDay(date,shift=5):# 获取所有的交易日，返回一个包含所有交易日的 list,元素值为 datetime.date 类型.tradingday = get_all_trade_days()# 得到date之后shift天那一天在列表中的行标号 返回一个数shiftday_index = list(tradingday).index(date)+shift# 根据行号返回该日日期 为datetime.date类型return tradingday[shiftday_index]  #行业涨跌幅#直接用申万的行业指数数据进行说明了def get_SW_index(SW_index = 801010,start_date = '2017-01-31',end_date = '2018-01-31'):index_list = ['PrevClosePrice','OpenPrice','HighPrice','LowPrice','ClosePrice','TurnoverVolume','TurnoverValue','TurnoverDeals','ChangePCT','UpdateTime']jydf = jy.run_query(query(jy.SecuMain).filter(jy.SecuMain.SecuCode==str(SW_index)))link=jydf[jydf.SecuCode==str(SW_index)]rows=jydf[jydf.SecuCode==str(SW_index)].index.tolist()result=link['InnerCode'][rows]df = jy.run_query(query(jy.QT_SYWGIndexQuote).filter(jy.QT_SYWGIndexQuote.InnerCode==str(result[0]),\                                                   jy.QT_SYWGIndexQuote.TradingDay>=start_date,\                                                         jy.QT_SYWGIndexQuote.TradingDay<=end_date))df.index = df['TradingDay']df = df[index_list]return df#输入截止日期，获取往前推固定天数的行业涨跌幅date = datetime.date(2018,6,8)s_date = ShiftTradingDay(date,-5)hy_df = get_hy_pct(s_date,date)hy_df

hy_df_sort = hy_df.sort('5日涨跌幅%',ascending=0)hy_df_sort[['涨跌幅%','5日涨跌幅%']].plot(kind='bar',figsize=(12,8))

<matplotlib.axes._subplots.AxesSubplot at 0x7fe9e72c0310>

#输入截止日期，获取往前推固定天数的行业涨跌幅date = datetime.date(2018,6,1)s_date = ShiftTradingDay(date,-5)hy_df_1 = get_hy_pct(s_date,date)hy_df1_sort = hy_df_1.sort('5日涨跌幅%',ascending=0)hy_df1_sort[['涨跌幅%','5日涨跌幅%']].plot(kind='bar',figsize=(12,8))

<matplotlib.axes._subplots.AxesSubplot at 0x7fe9e701b4d0>