看了不少关于双十一概念股的新闻，心血来潮做了点小研究，感兴趣的朋友可以克隆研究看一下，里面有些函数可能能有点用，话不多说，详细内容我写到研究里了~
#导入需要的包
import jqdata
from jqdata import *
from jqdata import jy
import pandas as pd
import matplotlib.pyplot as plt
双十一到底应该买什么？？¶
最近又看到了铺天盖地的双十一宣传，今年是阿里的第十个双十一，不知道会不会有什么更大的举动。
2016年天猫双11全天交易额是1207亿元，今年估计在1500亿以上。
10月26日，苏宁易购总裁侯恩龙在双十一发布会现场承诺，11月1日至11日，苏宁自营产品将实现运费全免。
而在此之前，多家物流企业发布通知，称将上调部分地区的快件费用。
看到这么多新闻，跟中国股市到底有什么关系呢？我们还是来分析一下历年双十一期间，到底股市里出现过什么异动。
选取研究的股票¶
1、选了三个被股评新闻推荐的双十一概念电商类股票：苏宁易购、南极电商、焦点科技；
2、选了目前上市的知名物流公司：顺丰控股、圆通速递、申通快递、韵达股份；
3、选取新零售概念板块；
#选了三个被股评新闻推荐的双十一概念电商类股票：苏宁易购、南极电商、焦点科技
dianshang=['002024.XSHE','002127.XSHE','002315.XSHE']
#选了目前上市的知名物流公司：顺丰控股、圆通速递、申通快递、韵达股份
wuliu=['002352.XSHE','600233.XSHG','002468.XSHE','002120.XSHE']
#选取新零售概念板块
lingshou = get_concept_stocks('GN227')
#合并所选股票
stocks=dianshang+wuliu+lingshou
#取消下面的注释可显示所选股票名称
#for stock in stocks:
# print (get_security_info(stock).display_name)
下面几个函数功能如注释介绍，大家也可以拿去使用
1、获取某日前或者后第n个交易日的方法
2、获取任意股票列表在输入日期前或者后几天的涨跌幅（依赖1）
3、画柱状图
# 1、获取某日前或者后第n个交易日的方法 get_before_after_trade_days(date, count, is_before)
# 在此方法的基础上可以得到指定日期前或者后n个交易日列表（即中间变量_before_days，和_after_days）
# 获取某日前或者第n个交易日的方法
from jqdata import *
def get_before_after_trade_days(date, count, is_before):
# print("输入的节假日日期为{0}".format(date))
# 得到该节日前n天的交易日
_before_days = get_trade_days(end_date=date, count=count)
# print(_before_days)
before_days = _before_days[0]
# print("节假日前第{0}个交易日为{1}".format(count, before_days))
# 得到该节日后n天的交易日
_end_date = datetime.datetime.strptime(str(date),'%Y-%m-%d')
# 获取该天count+30天后日期作为end_date
last_date = _end_date + datetime.timedelta(days = (count + 30))
_after_days = get_trade_days(start_date=_end_date, end_date=last_date).tolist()
# print(_after_days)
after_days = _after_days[(count - 1)]
# print("节假日后第{0}个交易日为{1}".format(count, after_days))
if is_before == True:
trade_day = before_days
else:
trade_day = after_days
return trade_day
# 2、获取任意股票列表在输入日期前或者后几天的涨跌幅 get_security_list_pct_sum(date, count, security_list, is_before)
# （1）获取前或者后几天的交易日；
# （2）获取指定交易日内的涨跌幅；
# （3）整理数据并排序；
# （4）返回结果。
def get_security_list_pct_sum(date, count, security_list, is_before):
# 获取前或者后count天的交易日
trade_day = get_before_after_trade_days(date=date, count=count, is_before=is_before)
# print("输入的日期{0}前或后{1}天的日期为{2}".format(date, count, trade_day))
# 根据前或者后获取指数数据
if is_before == True:
start_date = trade_day
end_date = date
else:
start_date = date
end_date = trade_day
# 循环获取每个涨幅都比较大的count_num只股票在指定时间段中的涨跌幅
# 此处可以一次取多个股票的，但是处理起来比较麻烦，所以就一个一个取，因为量不是很大，所以影响不大
stocks_pct_sum = []
stocks_name = []
for stock in security_list:
# 获取指定股票在节假日后几天的涨跌幅，并按照时间排序
_stock_pct = get_money_flow([stock], start_date=start_date, end_date=end_date, fields=["date", "sec_code", "change_pct"]).sort_values(by='date')
# print(_stock_pct)
# 每天的涨幅list
_stock_pct = _stock_pct['change_pct'].tolist()
stock_pct = sum(_stock_pct)
# print(stock_pct)
stocks_pct_sum.append(stock_pct)
stocks_name.append(get_security_info(stock).display_name)
# print('@'*50)
_stocks_pct_sum = {date:stocks_pct_sum}
stocks_pct_sum = pd.DataFrame(_stocks_pct_sum, index=stocks_name).sort_values(by=str(date), ascending=False)
# print(stocks_pct_sum)
return stocks_pct_sum
# 3、将数据绘制到一张柱状图上
def plot_total_years_pct_sum(data, title):
data.plot(kind='bar', figsize=(20, 12), title=title)
# 绘制0轴
plt.axhline(0, c='k', linestyle="--")
刚准备开始研究这些股票的往年数据，就发现了一些问题：
顺丰控股上市时间是2017年2月24日
圆通速递上市时间是2016年10月20日
申通快递上市时间是2016年12月30日
韵达股份上市时间是2017年1月18日
因此，对我们来说很遗憾，跟双十一关联最紧密的这几家A股上市公司，只有2017年的双十一数据是可以作为参考的；
那么，我们先来看一下2017年11月11日前后，这几只股票的表现到底如何吧
#参数设置为前五天，物流股票，日期是2017年11月11日
count = 5
security_list = wuliu
date = '2017-11-11'
is_before = True
print("-"*50)
print("获取股票列表在%s前%d天的涨跌幅:"%(date,count))
print('-'*50)
stocks_pct_sum_before = get_security_list_pct_sum(date, count, security_list, is_before)
print (stocks_pct_sum_before)
## 将上面历年数据绘制到一张图上
title="股票列表在%s前%d天的涨跌幅:"%(date,count)
plot_total_years_pct_sum(stocks_pct_sum_before[date], title)
##参数设置为后五天，物流股票，日期是2017年11月11日
count = 5
security_list = wuliu
date = '2017-11-11'
is_before = False
print("-"*50)
print("获取股票列表在%s后%d天的涨跌幅:"%(date,count))
print('-'*50)
stocks_pct_sum_before = get_security_list_pct_sum(date, count, security_list, is_before)
print (stocks_pct_sum_before)
## 将上面历年数据绘制到一张图上
title="股票列表在%s后%d天的涨跌幅:"%(date,count)
plot_total_years_pct_sum(stocks_pct_sum_before[date], title)
嗯。。。从2017年双十一的表现来看，似乎市场并没有太多的热情。。。
对了，除了双十一以外，每年6.18也是电商的一个促销节日，也许6.18活动会有其他不一样的表现？我们再来看看
#参数设置为前五天，物流股票，日期是2017年6月18日
count = 5
security_list = wuliu
date = '2017-6-18'
is_before = True
print("-"*50)
print("获取股票列表在%s前%d天的涨跌幅:"%(date,count))
print('-'*50)
stocks_pct_sum_before = get_security_list_pct_sum(date, count, security_list, is_before)
print (stocks_pct_sum_before)
## 将上面历年数据绘制到一张图上
title="股票列表在%s前%d天的涨跌幅:"%(date,count)
plot_total_years_pct_sum(stocks_pct_sum_before[date], title)
##参数设置为后五天，物流股票，日期是2017年6月18日
count = 5
security_list = wuliu
date = '2017-6-18'
is_before = False
print("-"*50)
print("获取股票列表在%s后%d天的涨跌幅:"%(date,count))
print('-'*50)
stocks_pct_sum_before = get_security_list_pct_sum(date, count, security_list, is_before)
print (stocks_pct_sum_before)
## 将上面历年数据绘制到一张图上
title="股票列表在%s后%d天的涨跌幅:"%(date,count)
plot_total_years_pct_sum(stocks_pct_sum_before[date], title)
#参数设置为前五天，物流股票，日期是2018年6月18日
count = 5
security_list = wuliu
date = '2018-6-18'
is_before = True
print("-"*50)
print("获取股票列表在%s前%d天的涨跌幅:"%(date,count))
print('-'*50)
stocks_pct_sum_before = get_security_list_pct_sum(date, count, security_list, is_before)
print (stocks_pct_sum_before)
## 将上面历年数据绘制到一张图上
title="股票列表在%s前%d天的涨跌幅:"%(date,count)
plot_total_years_pct_sum(stocks_pct_sum_before[date], title)
##参数设置为后五天，物流股票，日期是2018年6月18日
count = 5
security_list = wuliu
date = '2018-6-18'
is_before = False
print("-"*50)
print("获取股票列表在%s后%d天的涨跌幅:"%(date,count))
print('-'*50)
stocks_pct_sum_before = get_security_list_pct_sum(date, count, security_list, is_before)
print (stocks_pct_sum_before)
## 将上面历年数据绘制到一张图上
title="股票列表在%s后%d天的涨跌幅:"%(date,count)
plot_total_years_pct_sum(stocks_pct_sum_before[date], title)
看完这些数据，我们应该可以得出一个结论：
无论是双十一还是6.18这些日子基本对快递公司的股价没有产生什么独特的影响！！！
同样的方式，我们再测试了电商股票、新零售板块，同时，也尝试了多个日期的参数，发现得到的结论基本相同，
就是确实都没有什么明显的影响。。。。
大家如果有兴趣的话，也可以自己调调参数试试
总之，我以后是再也不轻信财经新闻或者某些分析师的概念信息了，毛主席说了，只有实践才是检验真理的唯一标准
下面再放个大招，我们看下历年全市场在双十一这一天附近的表现
比较神奇的发现在双十一附近涨幅较大的股票，是跟我们理解完全不同的粤泰股份，应该是个巧合了
# 导入所需的python库
import jqdata
from jqdata import *
from jqdata import jy
import pandas as pd
import matplotlib.pyplot as plt
mpl.rcParams['axes.unicode_minus']=False # 处理绘图时的负号问题
# 将数据绘制到一张柱状图上
def plot_total_years_pct_sum(data, title):
data.plot(kind='bar', figsize=(20, 12), title=title)
# 绘制0轴
plt.axhline(0, c='k', linestyle="--")
## 计算获取至今历年的日期
# （1）输入给定日期及年份；
# （2）返回2010年至给定年份的历年日期。
def get_years_date(date, year):
date = date[4:]
year = [year for year in range(2010, (int(year) + 1), 1)]
dates = [str(year) + date for year in year]
return dates
## 获取某日前或者后第n个交易日的方法
# 在此方法的基础上可以得到指定日期前或者后n个交易日列表（即中间变量_before_days，和_after_days）
# 获取某日前或者第n个交易日的方法
def get_before_after_trade_days(date, count, is_before):
# print("输入的节假日日期为{0}".format(date))
# 得到该节日前n天的交易日
_before_days = get_trade_days(end_date=date, count=count)
# print(_before_days)
before_days = _before_days[0]
# print("节假日前第{0}个交易日为{1}".format(count, before_days))
# 得到该节日后n天的交易日
_end_date = datetime.datetime.strptime(str(date),'%Y-%m-%d')
# 获取该天count+30天后日期作为end_date
last_date = _end_date + datetime.timedelta(days = (count + 30))
_after_days = get_trade_days(start_date=_end_date, end_date=last_date).tolist()
# print(_after_days)
after_days = _after_days[(count - 1)]
# print("节假日后第{0}个交易日为{1}".format(count, after_days))
if is_before == True:
trade_day = before_days
else:
trade_day = after_days
return trade_day
# 获取指数在指定日期历年节假日前或后几天的涨跌幅
def get_years_pct_sum(festival, year, index_list, count, is_before, is_festival):
"""
# is_festival和festival一起使用,是不是节假日，是的话festival输入节日；不是的话，输入日期，可以得到非节假日的数据
"""
if is_festival == True:
dates = get_festival_date(festival, year)
else:
dates = get_years_date(festival, year)
# print("2010年至{0}年，历年的{1}的公历日期为：{2}".format(year, festival, dates))
years_pct_sum0 = []
for date in dates:
# print(date)
index_pct_sum = get_index_pct(index_list, count, date, is_before)
years_pct_sum0.append(index_pct_sum)
indexs_years_pct_sum = pd.concat(years_pct_sum0, axis=1)
return indexs_years_pct_sum
## 获取指数前或者后n天的涨跌幅
# 获取多个指数在指定天前或者后几的涨跌幅
def get_index_pct(index_list, count, date, is_before):
"""
index_list:指数列表
count:取输入日期前或者后几天的指数数据
date:日期
is_before:取指定日期前还是后count天的数据
"""
# 根据指数的代码，获得指数的名称
index_list_name = [get_security_info(security).display_name for security in index_list]
# print(index_list_name)
# 获取前或者后count天的交易日
trade_day = get_before_after_trade_days(date=date, count=count, is_before=is_before)
# print("输入的日期{0}前或后{1}天的日期为{2}".format(date, count, trade_day))
# 根据前或者后获取指数数据
if is_before == True:
start_date = trade_day
end_date = date
else:
start_date = date
end_date = trade_day
# print("start和end日期分别为：{0}, {1}".format(start_date, end_date))
# 获取数据
index_data = get_price(index_list, start_date=start_date, end_date=end_date, frequency='daily',
fields=['close'])['close']
# print(index_data)
# print('-'*50)
# 计算pct并求和
_index_pct_sum = index_data.pct_change().fillna(0).sum()*100
_index_pct_sum = pd.DataFrame({date:list(_index_pct_sum)}, index=index_list_name)
index_pct_sum = _index_pct_sum.fillna(0)
return index_pct_sum
# 获取不同级申万行业名称及代码(一级：'sw_l1')
def get_sw_index_name(level):
# 获取申万一级行业指数
sw_index_list = get_industries(name='sw_l1')
sw_index = list(sw_index_list.index)
sw_name = list(sw_index_list.name)
return sw_index, sw_name
## 获取指定行业在指定时间段内涨跌幅的和
def get_sw_index(sw_index, start_date, end_date):
# print("输入的行业代码为{0}".format(sw_index))
index_list = ['ClosePrice']
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]
close_price = 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
))
close_price.index = close_price['TradingDay']
close_price = close_price[index_list]
close_price['pct'] = close_price['ClosePrice'].pct_change()
sw_index_pct_sum = close_price['pct'].fillna(0).sum()*100
return sw_index_pct_sum
## 获取行业在指定日期历年节假日前或后几天的涨跌幅
def get_sw_years_pct_sum(festival, year, level, count, is_before, is_festival):
if is_festival == True:
dates = get_festival_date(festival, year)
else:
dates = get_years_date(festival, year)
# print("2010年至{0}年，历年的{1}的公历日期为：{2}".format(year, festival, dates))
sw_years_pct_sum0 = []
for date in dates:
# print(date)
index_pct_sum = get_sw_indexs(level, count, date, is_before)
sw_years_pct_sum0.append(index_pct_sum)
sw_years_pct_sum = pd.concat(sw_years_pct_sum0, axis=1)
return sw_years_pct_sum
# 获取多个行业在指定时间段内涨跌幅的和
def get_sw_indexs(level, count, date, is_before):
"""
index_list:指数列表
count:取输入日期前或者后几天的指数数据
date:日期
is_before:取指定日期前还是后count天的数据
"""
# 获取前或者后count天的交易日
trade_day = get_before_after_trade_days(date=date, count=count, is_before=is_before)
# print("输入的日期{0}前或后{1}天的日期为{2}".format(date, count, trade_day))
# 根据前或者后获取指数数据
if is_before == True:
start_date = trade_day
end_date = date
else:
start_date = date
end_date = trade_day
# print("start和end日期分别为：{0}, {1}".format(start_date, end_date))
# 获取指定级别的行业代码及名称
sw_indexs, sw_names = get_sw_index_name(level)
indexs_pct_sum = []
for sw_index in sw_indexs:
index_pct_sum = get_sw_index(sw_index, start_date, end_date)
indexs_pct_sum.append(index_pct_sum)
# print(sw_indexs)
# print(indexs_pct_sum)
# 直接使用字典添加元素有可能生成乱序，数据对应不上，因此使用列表组合后的字典
_sw_indexs = {'sw_indexs':sw_indexs, date:indexs_pct_sum}
_sw_indexs = pd.DataFrame(_sw_indexs, index=sw_names, columns=['sw_indexs', date])
# 查看名称和行业代码是否对应
# print(_sw_indexs)
# 删除行业代码
sw_indexs_pct_sum = _sw_indexs.drop('sw_indexs', 1)
# print(_sw_indexs)
return sw_indexs_pct_sum
# 对历年的数据进行统计及绘图（指数）
# years_pct_sum来自get_years_pct_sum（指数）及get_sw_years_pct_sum（申万行业）
# years_pct_sum可以为indexs_years_pct_sum或者sw_years_pct_sum（申万行业）
def pct_sum_plot_statistics(sort_count, years_pct_sum, is_before):
# 选取历年涨幅前几的行业
industry_sort_count = []
years = years_pct_sum.columns
# 遍历每年的
for year in years:
year_pct_sum_sort = years_pct_sum[year].sort_values(ascending=False)
_industry_sort = list(year_pct_sum_sort.index[:sort_count])
# print(_industry_sort)
industry_sort_count.append(_industry_sort)
# print(industry_sort_count)
# 为了将所有的图分开
# plt.figure()
# year_pct_sum_sort.plot(kind='bar', figsize=(12, 8), title=year)
# # 绘制横轴
# plt.axhline(0, c='k', linestyle="--")
# 解包
industry_sort_count = [s for b in industry_sort_count for s in b]
industry_sort_count = pd.Series(industry_sort_count).value_counts()
industry = list(industry_sort_count.index[:sort_count])
industry_count = list(industry_sort_count.values[:sort_count])
industry_ratio = [round(float(count*100.0/len(years)), 2) for count in industry_count]
# 处理下打印结果
before_after = " "
if is_before == True:
before_after = "前"
else:
before_after = "后"
print("历年此日{0}几天涨幅较大的指数或行业为：{1}，他们出现次数在总体年份的百分比例分别为：{2}".format(before_after,
industry, industry_ratio))
## 获取历年节假日前涨幅比较大的股票，看看有没有什么共性
# 获取节假日前n天涨幅较大的m个股票统计数据
def get_high_pct_statistics(dates, count, stock_num, security_list, count_num, is_before):
"""
dates:获取指定节日历年对应的日期
count:指定节日前或者后几天
stock_num:从涨幅较大的多少个股票中选
security_list:参与统计的股票列表
count_num:获取统计股票的前几个
"""
stocks_list = []
for date in dates:
# 获取节假日前n天涨幅较大的m个股票
high_pct_stocks, high_change_pct = get_high_pct_stocks(date, count, stock_num, security_list, is_before)
stocks_list.append(high_pct_stocks)
# 得到的数据格式为[[],[]]，需要解包
stocks_list = [s for b in stocks_list for s in b]
# print(stocks_list)
# 统计下股票个数，取前几个
stocks_statistics = pd.Series(stocks_list).value_counts()[:count_num]
# print(stocks_statistics)
# 统计数量前几的股票
statistics_stocks = list(stocks_statistics.index) # 股票代码
statistics_stocks_name = [get_security_info(stock).display_name for stock in statistics_stocks] # 股票名称
# print(statistics_stocks)
# 统计数量前几股票的出现次数
_statistics_values = list(stocks_statistics.values)
# 将次数转换为百分比
statistics_values = [round(float(num*100.0/len(dates)), 2) for num in _statistics_values]
# print(statistics_values)
# 处理下打印结果
# print(is_before)
before_after = " "
if is_before == True:
before_after = "前"
else:
before_after = "后"
print("历年此日{0}{1}天涨幅较大的股票为：{2}，他们出现次数在总体年份的百分比例分别为：{3}".format(before_after, count,
statistics_stocks_name, statistics_values))
return statistics_stocks, statistics_values
## 考察前节假日涨幅都比较大股票在节假日后几天的表现
# （1）输入节假日，得到历年涨幅大的股票；
# （2）得到涨幅大的股票在后几天的涨幅；
# （3）对比当时市场（hs300）的涨跌幅（get_money_flow获取不到指数据的涨跌幅，先不做）
## 考察前节假日涨幅都比较大股票在节假日后几天的表现
def get_last_days_result(festival, count, stock_num, security_list, count_num, after_num, end_year, is_festival,is_before):
"""
festival：节日
count:指定节日前几天
stock_num:涨幅较大的多少个股票
security_list:参与统计的股票列表
count_num:获取统计股票的前几个
after_num:获取节假日后几天内的涨跌幅
end_year:结束年份，例如2017
"""
#获取节假日后几天的
is_before = is_before
# print('='*50)
results = {} # 获取最后的结果
# 获取指定节日历年对应的日期
if is_festival == True:
dates = get_festival_date(festival, end_year)
else:
dates = get_years_date(festival, end_year)
# print(dates)
# 得到涨幅比较高的前几只股票
stocks, values = get_high_pct_statistics(dates, count, stock_num, security_list, count_num, is_before)
# print("在历年该节假日涨幅都比较大且出现次数比较多的几只股票为：\n{0}".format(stocks))
# print('-'*50)
# print("历年中出现百分百比分别为：\n{0}".format(values))
# print('-'*50)
for date in dates:
# 获取指定年的节假日作为开始时间
_start_date = datetime.datetime.strptime(str(date),'%Y-%m-%d')
# 获取该天count+30天后日期作为end_date
_last_date = _start_date + datetime.timedelta(days = (count+30))
# 获取该指定年节假日后after_num天的交易日
_after_days = get_trade_days(start_date=_start_date, end_date=_last_date).tolist()[:after_num]
# print(_after_days)
_end_date = _after_days[-1]
# print(_end_date)
# print('*'*50)
# 循环获取每个涨幅都比较大的count_num只股票在指定时间段中的涨跌幅
# 此处可以一次取多个股票的，但是处理起来比较麻烦，所以就一个一个取，因为量不是很大，所以影响不大
stock_pct_dict = {}
for stock in stocks:
# 获取指定股票在节假日后几天的涨跌幅，并按照时间排序
_stock_pct = get_money_flow([stock], start_date=date, end_date=_end_date, fields=["date", "sec_code", "change_pct"]).sort_values(by='date')
# print(_stock_pct)
# 每天的涨幅list
_stock_pct = _stock_pct['change_pct'].tolist()
stock_pct = sum(_stock_pct)
# print(stock_pct)
stock_pct_dict[stock] = stock_pct
# print('@'*50)
results[date] = stock_pct_dict
results = pd.DataFrame(results)
# print(results)
# print('-'*50)
return stocks, values, results
## 获取输入的股票列表在指定日期的前或者后几天的涨跌幅和
def get_high_pct_stocks(date, count, stock_num, security_list, is_before):
"""
date:节假日
count:前或者后几天
stock_num:涨幅较大的前多少个股票
security_list：参与统计的股票列表
is_before:获取节假日前还是后
"""
# 获取前或者后count天的交易日
trade_day = get_before_after_trade_days(date=date, count=count, is_before=is_before)
# print("输入的日期{0}{1}{2}天的日期为{3}".format(date, is_before, count, trade_day))
if is_before == True:
start_date = trade_day
end_date = date
else:
start_date = date
end_date = trade_day
# print("start和end日期分别为：{0}, {1}".format(start_date, end_date))
# 得到日前或后n天对应每天涨幅高的股票,重新创建索引并排序
pct_change = get_money_flow(security_list, start_date = start_date, end_date=end_date,
fields=['date', 'change_pct', 'sec_code'])
# print(pct_change)
stocks_pct_sum = {}
for security in security_list:
stocks_pct_sum[security] = pct_change[pct_change['sec_code'] == security].sum()
_stocks_pct_sum = pd.DataFrame(stocks_pct_sum)
_stocks_pct_sum = _stocks_pct_sum.T.fillna(0).sort_values(by='change_pct', ascending=False)
# 如果输入股票列表长度小于所要获取的前几排序，会报错，处理下
if stock_num > len(security_list):
stock_num = len(security_list)
stocks_pct_sum = _stocks_pct_sum[:stock_num]
high_pct_stocks = list(stocks_pct_sum.index)
high_change_pct = list(stocks_pct_sum['change_pct'])
return high_pct_stocks, high_change_pct
## 以今天为界限，获取历史中今天的前后几天数据
def get_history_today_tomorrow(date, count, sort_count, index_list):
"""
date:今天的日期
count:前或者后几天
sort_count：取指数的前几名（3）
"""
# 公用参数
year = date[:4]
dates = get_years_date(date, year)
is_festival = False
level = 'sw_l1'
stock_num = 100
count_num = 10
security_list = list(get_all_securities(date=date).index)
## 指定日期前
is_before = True
## 统计该日期前或后几天的指数、行业及个股
# 根据指数的代码，获得指数的名称
index_list_name = [get_security_info(security).display_name for security in index_list]
# 统计该日期前或后几天的指数（前）
indexs_years_pct_sum = get_years_pct_sum(date, year, index_list, count,
is_before, is_festival)
# 历年指数数据展示在同一个图上（前）
title_index1 = '该日期前几天各指数的涨跌幅，（%）'
plot_total_years_pct_sum(indexs_years_pct_sum.T, title_index1)
# 历年指数数据统计（前）
pct_sum_plot_statistics(sort_count, indexs_years_pct_sum, is_before)
# 统计该日期前或后几天的行业（前）
sw_years_pct_sum = get_sw_years_pct_sum(date, year, level, count, is_before, is_festival)
# 历年行业数据展示在同一个图上（前）
title_sw1 = '该日期前几天各行业的涨跌幅（%）'
plot_total_years_pct_sum(sw_years_pct_sum.T, title_sw1)
# 历年行业数据统计（前）
pct_sum_plot_statistics(sort_count, sw_years_pct_sum, is_before)
# 历年节假日前涨幅比较大的股票
stocks_before, statistics_values = get_high_pct_statistics(dates, count, stock_num, security_list, count_num, is_before)
print('-'*50)
## 指定日期前后
is_before = False
## 统计该日期前或后几天的指数、行业及个股
# 统计该日期前或后几天的指数（后）
after_indexs_years_pct_sum = get_years_pct_sum(date, year, index_list,
count, is_before, is_festival)
# 历年指数数据展示在同一个图上（后）
title_index2 = '该日期后几天各指数的涨跌幅'
plot_total_years_pct_sum(after_indexs_years_pct_sum.T, title_index2)
# 历年指数数据统计（后）
pct_sum_plot_statistics(sort_count, after_indexs_years_pct_sum, is_before)
# 统计该日期前或后几天的行业（后）
after_sw_years_pct_sum = get_sw_years_pct_sum(date, year, level, count, is_before, is_festival)
# 历年行业数据展示在同一个图上（后）
title_sw2 = '该日期后几天各行业的涨跌幅（%）'
plot_total_years_pct_sum(after_sw_years_pct_sum.T, title_sw2)
# 历年行业数据展示在同一个图上（后）
pct_sum_plot_statistics(sort_count, after_sw_years_pct_sum, is_before)
# 历年节假日前涨幅比较大的股票
stocks, values, stock_results = get_last_days_result(date, count, stock_num, security_list, count_num,
count, year, is_festival,True)
# 将历年数据绘制到一张图上
title_stocks = '涨幅比较高且历年出现次数多的股票在该节假日前的涨幅（%）'
plot_total_years_pct_sum(stock_results.T, title_stocks)
# 历年节假日后涨幅比较大的股票
stocks, values, stock_results = get_last_days_result(date, count, stock_num, security_list, count_num,
count, year, is_festival,False)
# 将历年数据绘制到一张图上
title_stocks = '涨幅比较高且历年出现次数多的股票在该节假日后的涨幅（%）'
plot_total_years_pct_sum(stock_results.T, title_stocks)
# 返回指定日期前或后涨幅大的股票
stock_after = stock_results.T
return stocks_before, stock_after
## 测试下双十一
if __name__ == '__main__':
print('='*50)
date = '2017-11-11'
count = 5
sort_count = 3
index_list = ['000001.XSHG', '399001.XSHE', '399005.XSHE', '399006.XSHE', '399985.XSHE', '000016.XSHG',
'000300.XSHG', '000905.XSHG', '000852.XSHG']
print("以{0}为界限，获取历史中今天的前后几天数据:".format(date))
stocks_before, stock_after = get_history_today_tomorrow(date, count, sort_count, index_list)
我们又分析了物流电商行业或者概念股票¶
观察到了一个现象，物流及消费行业或概念在双十一前可能会涨，过了双十一大概率会下跌，所以，要是轻信了评论的朋友们，可以考虑卖了~¶
# 获取行业成分股及概念股
"""
概念数据
# 801178 物流II
# 851781 物流III
# 801170 交通运输I
# HY434 航空货运与物流
# HY005 日常消费
# HY446 消费电子产品
# HY450 家用器具与特殊消费品
# HY464 消费品经销商
行业数据
# GN720 物流电商平台
# GN941 电商物流
# GN132 智能物流
# GN703 物流
# GN909 消费金融
"""
# get_industry_stocks
industry_codes = ['801170', '801178', '851781', 'HY434', 'HY005', 'HY446', 'HY450', 'HY464']
# get_concept_stocks
concept_stocks = ['GN720', 'GN941', 'GN132', 'GN703', 'GN909']
## 获取任意股票列表在输入日期前或者后几天的涨跌幅
# （1）获取前或者后几天的交易日；
# （2）获取指定交易日内的涨跌幅；
# （3）整理数据并排序；
# （4）返回结果。
def get_security_list_pct_sum(date, count, security_list, is_before):
# 获取前或者后count天的交易日
trade_day = get_before_after_trade_days(date=date, count=count, is_before=is_before)
# print("输入的日期{0}前或后{1}天的日期为{2}".format(date, count, trade_day))
# 根据前或者后获取指数数据
if is_before == True:
start_date = trade_day
end_date = date
else:
start_date = date
end_date = trade_day
# 循环获取每个涨幅都比较大的count_num只股票在指定时间段中的涨跌幅
# 此处可以一次取多个股票的，但是处理起来比较麻烦，所以就一个一个取，因为量不是很大，所以影响不大
stocks_pct_sum = []
# stocks_name = []
for stock in security_list:
# 获取指定股票在节假日后几天的涨跌幅，并按照时间排序
_stock_pct = get_money_flow([stock], start_date=start_date, end_date=end_date, fields=["date", "sec_code", "change_pct"]).sort_values(by='date')
# print(_stock_pct)
# 每天的涨幅list
_stock_pct = _stock_pct['change_pct'].tolist()
stock_pct = sum(_stock_pct)
# print(stock_pct)
stocks_pct_sum.append(stock_pct)
# stocks_name.append(get_security_info(stock).display_name)
# print('@'*50)
_stocks_pct_sum = {date:stocks_pct_sum}
stocks_pct_sum = pd.DataFrame(_stocks_pct_sum, index=security_list).sort_values(by=str(date), ascending=False)
# print(stocks_pct_sum)
return stocks_pct_sum
## 获取任意股票列表历年在输入日期前或者后几天的涨跌幅
# （1）获取历年该日期；
# （2）遍历历年数据；
# （3）整理结果。
def get_years_security_list_pct_sum(date, year, count, security_list, is_before):
dates = get_years_date(date, year)
years_pct_sum0 = []
for date in dates:
_security_list_pct_sum = get_security_list_pct_sum(date, count, security_list, is_before)
years_pct_sum0.append(_security_list_pct_sum)
years_security_list_pct_sum = pd.concat(years_pct_sum0, axis=1)
return years_security_list_pct_sum
## 返回输入行业或者概念历年涨跌幅的平均值
def get_industry_concept_avg(date, year, count, industry_or_concept, is_before, is_concept):
# 每个行业或者概念历年均值
industry_concept_avg = {}
# 计算每个行业所有股票的涨跌幅每年的平均值
for industry_concept_stock in industry_or_concept:
if is_concept == True:
security_list = get_concept_stocks(industry_concept_stock)
elif is_concept == False:
security_list = get_industry_stocks(industry_concept_stock)
years_security_list_pct_sum_after = get_years_security_list_pct_sum(date, year, count, security_list, is_before).T
years_security_list_pct_sum_after['avg'] = years_security_list_pct_sum_after.mean(axis=1)
industry_concept_avg[industry_concept_stock] = list(years_security_list_pct_sum_after['avg'])
## 绘制历年股票列表在指定日期前或者后几天的涨跌幅
# title='绘制历年股票列表在指定日期后几天的涨跌幅（%）'
# plot_total_years_pct_sum(years_security_list_pct_sum_after, title)
dates = get_years_date(date, year)
industry_concept_avg = pd.DataFrame(industry_concept_avg, index=dates)
return industry_concept_avg
## 双十一前表现
if __name__ == '__main__':
print("="*50)
print("获取股票列表历年在输入日期前几天的涨跌幅:\n")
print('-'*50)
date = '2017-11-11'
year = '2017'
count = 5
is_before = True
# 获取概念的数据
concept_codes = ['GN720', 'GN941', 'GN132', 'GN703', 'GN909']
is_concept = True # 是否概念
concept_avg = get_industry_concept_avg(date, year, count, concept_codes, is_before, is_concept)
# 获取行业的数据
industry_codes = ['801170', '801178', '851781', 'HY434', 'HY005', 'HY446', 'HY450', 'HY464']
is_concept = False # 是否概念
industry_avg = get_industry_concept_avg(date, year, count, industry_codes, is_before, is_concept)
# 将行业和概念合并起来
industry_concept_results = pd.concat([concept_avg, industry_avg], axis=1)
title = "概念或行业历年节日前涨幅"
plot_total_years_pct_sum(industry_concept_results, title)
## 双十一后表现
if __name__ == '__main__':
print("="*50)
print("获取股票列表历年在输入日期后几天的涨跌幅:\n")
print('-'*50)
date = '2017-11-11'
year = '2017'
count = 5
is_before = False
# 获取概念的数据
concept_codes = ['GN720', 'GN941', 'GN132', 'GN703', 'GN909']
is_concept = True # 是否概念
concept_avg = get_industry_concept_avg(date, year, count, concept_codes, is_before, is_concept)
# 获取行业的数据
industry_codes = ['801170', '801178', '851781', 'HY434', 'HY005', 'HY446', 'HY450', 'HY464']
is_concept = False # 是否概念
industry_avg = get_industry_concept_avg(date, year, count, industry_codes, is_before, is_concept)
# 将行业和概念合并起来
results = pd.concat([concept_avg, industry_avg], axis=1)
title = "概念或行业历年节日后涨幅"
plot_total_years_pct_sum(results, title)
