D2

數(shù)據(jù)獲取

本文數(shù)據(jù)來源于tushare，數(shù)據(jù)期間為2016年2月15日-2021年4月23日，包含74300個樣本。tushare pro中的limit_list函數(shù)可直接獲取A股中每日漲跌停個股信息。但由于該數(shù)據(jù)需積分達到2000才能獲取，所以本文也提供了csv格式數(shù)據(jù)供大家學習，有需要的在公眾號后臺回復(fù) “漲停板數(shù)據(jù)” 即可獲取下載鏈接。

import pandas as pd
import numpy as np
#畫圖
import matplotlib.pyplot as plt
#正確顯示中文和負號
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus']=False
#處理時間
from dateutil.parser import parse
from datetime import datetime,timedelta
#使用tushare獲取數(shù)據(jù)
import tushare as ts 
token='輸入你在tushare上注冊的token'
pro=ts.pro_api(token)

#獲取最新交易日期
#獲取交易日歷
cals=pro.trade_cal(exchange='SSE')
cals=cals[cals.is_open==1].cal_date.values
def get_now_date():
    #獲取當天日期時間
    d=datetime.now().strftime('%Y%m%d')
    while d not in cals:
        d1=parse(d)
        d=(d1-timedelta(1)).strftime('%Y%m%d')
    return d
d1=get_now_date()
n1=np.argwhere(cals==d1)[0][0]+1
#獲取最近6年的交易日行情
#實際上tushare只能獲取2016后的漲跌停數(shù)據(jù)
dates=cals[-250*6:n1]

df=pro.limit_list(trade_date=dates[0], limit_type='U')
for date in dates[1:]:
    df_tem=pro.limit_list(trade_date=date, limit_type='U')
    df=pd.concat([df,df_tem])
#查看前幾行數(shù)據(jù)
#實際上tushare只能獲取2016后的漲跌停數(shù)據(jù)
#數(shù)據(jù)下載3-4分鐘左右
df.head()

其中，fl_ratio 為封單手數(shù)/流通股本；amp是振幅；fc_ratio是封單金額/日成交金額；fl_ratio為封單手數(shù)/流通股本；fd_amount為封單金額；first_time代表首次漲停時間；last_time代表最后封板時間；open_times是打開次數(shù)；strth是漲跌停強度。

#保存數(shù)據(jù)到本地
#df.to_csv('up_limit_data.csv')
#讀取數(shù)據(jù)#df=pd.read_csv('up_limit_data.csv',index_col=0)

D3

市場漲停整體情況

描述性統(tǒng)計

df.iloc[:,1:].describe().round(2)

從描述性統(tǒng)計來看，漲停股價格大都在25元及以下（75%分位數(shù)），其他幾個變量波動標準差均較大，反映個股漲停的特征差別較大。下面使用可視化的方式展現(xiàn)不同價格期間個股漲停情況。

漲停股價格區(qū)間

先構(gòu)建一個價格區(qū)間標記函數(shù)，將個股收盤價劃分為10元以下、10-30元、30-50元、50-100元以及100元以上，價格區(qū)間的劃分主要是根據(jù)經(jīng)驗和A股市場情況而定。

def dy_zh(data, cut_points, labels=None): 
    min_num = data.min() 
    max_num = data.max() 
    break_points = [min_num] + cut_points + [max_num]
    if not labels: 
        labels = range(len(cut_points)+1)
    else: 
         labels=[labels[i] for i in range(len(cut_points)+1)] 
    dataBin = pd.cut(data,bins=break_points,
         labels=labels,include_lowest=True)    
    return dataBin 

cut_points = [10,30,50,100] 
labels=['10元以下', '10-30元','30-50元','50-100元','100元以上'] 
#調(diào)用函數(shù)dy_zh,增加新列
df['價格區(qū)間'] = dy_zh(df['close'], cut_points, labels) 
#查看標簽列，取值范圍前面加上了序號，是便于后面生成表格時按順序排列
#df.head()

使用柱狀圖展示不同價格區(qū)間下漲停個股數(shù)量分布。

group_price=df.groupby('價格區(qū)間')['trade_date'].count()

plt.figure(figsize=(12,5))
colors=['#1f77b4','#ff7f0e','#2ca02c','#d62728','#9467bd','#8c564b']
fig=plt.bar(group_price.index,group_price.values,color=colors[:5]);
#自動添加標簽
def autolabel(fig):
    for f in fig:
        h=f.get_height()
        plt.text(f.get_x()+f.get_width()/2,1.02*h,
        f'{int(h)}',ha='center',va='bottom')
autolabel(fig)

漲停板排名

下面對2016-2021年期間個股出現(xiàn)漲停次數(shù)進行排序，前二十名中有十二個是ST（含*）股，ST股一直是市場短線資金炒作的對象，容易暴漲暴跌，特別是有摘帽預(yù)期的個股，在資金的推動下短期可能出現(xiàn)連續(xù)幾十個漲停，當然炒作過后往往也一地雞毛，如*ST天馬。

def plot_bar(group_data):
    plt.figure(figsize=(16,5))
    fig=plt.bar(group_data.index,group_data.values);
    autolabel(fig)
    plt.title('2016-2021漲停板排名前20',size=15);

group_name=df.groupby('name')['ts_code'].count().sort_values(ascending=False)[:20]
plot_bar(group_name)

剔除*ST/ST/N股后排名

下面是剔除*ST/ST/N股后的情況，其中誠邁科技在2019年和2020年2月短短一年期間以大量漲停的方式實現(xiàn)了二三十倍的漲幅。

#分別剔除ST、*ST和新股（N開頭）
df_st=df[-(df.name.str.startswith('ST') | df.name.str.startswith('*ST')|df.name.str.startswith('N'))]
group_name_st=df_st.groupby('name')['ts_code'].count().sort_values(ascending=False)[:20]
plot_bar(group_name_st)

每日漲停統(tǒng)計

每日漲停個數(shù)在一定程度上反映了市場的交投熱情，當漲停個股超過100個時，預(yù)示著市場賺錢效應(yīng)較高。

#使用0.5.11版本的pyecharts
from pyecharts import Bar
count_=df.groupby('trade_date')['trade_date'].count()
attr=count_.index
v1=count_.values
bar=Bar('每日漲停板個數(shù)','2016-2021',title_text_size=15)
bar.add('',attr,v1,is_splitline_show=False,is_datazoom_show=True,linewidth=2)
bar

D4

行業(yè)漲停分布

細分行業(yè)

tushare pro的stock_basic可以獲取個股所在的細分行業(yè)，將該數(shù)據(jù)與漲停數(shù)據(jù)合并，然后按照行業(yè)進行聚合，可以得到各細分行業(yè)的漲停個股分布情況。

#獲取股票列表
stocks=pro.stock_basic(exchange='', list_status='L', fields='ts_code,symbol,name,area,industry,list_date')
#排除新股
stocks=stocks[stocks.list_date<(parse(get_now_date())-timedelta(60)).strftime('%Y%m%d')]
dff=pd.merge(df[['trade_date','ts_code','name','close','pct_chg','fc_ratio','fl_ratio']],stocks[['ts_code','name','industry','list_date']])
#dff.head()

(dff.groupby('industry')['name'].count().sort_values(ascending=False)[:10]
 .plot.bar(figsize=(14,5),rot=0));
plt.title('2016-2021漲停板行業(yè)排名前十',size=15);

dff['year']=(pd.to_datetime(dff['trade_date'].astype(str))).dt.strftime('%Y')
#對每年行業(yè)漲停板個數(shù)排名進行可視化
#生成2*3六個子圖
plot_pos=list(range(321,327))
#每個子圖顏色
colors=['#1f77b4','#ff7f0e','#2ca02c','#d62728','#9467bd','#8c564b']
fig=plt.figure(figsize=(18,14))
fig.suptitle('2016-2021行業(yè)漲停排名前十',size=15)
years=sorted(dff['year'].unique())
for i in np.arange(len(plot_pos)):
    ax=fig.add_subplot(plot_pos[i])
    (dff[dff.year==years[i]].groupby('industry')['name']
                     .count()
                     .sort_values(ascending=False)[:10]
                     .plot.bar(rot=0,color=colors[i]));
    ax.set_title(years[i])
    ax.set_xlabel('')
plt.show()

大類行業(yè)

上述行業(yè)分類過細，對部分相關(guān)細分行業(yè)進行合并，最后得到28個大類行業(yè)。

new_name=['汽車','電力','有色金融','鋼鐵','農(nóng)林牧漁','醫(yī)藥生物','房地產(chǎn)','交通運輸','煤炭','金融','食品飲料',
          '石油','公用事業(yè)','計算機','電子','通信','休閑服務(wù)','紡織服裝','商業(yè)貿(mào)易','建筑裝飾','機械設(shè)備','輕工制造','化工']
old_name=[('汽車配件', '汽車整車','汽車服務(wù)','摩托車',),('火力發(fā)電','新型電力', '水力發(fā)電'),('黃金', '鋁','小金屬','鉛鋅','銅',),
         ('普鋼','特種鋼','鋼加工',),( '漁業(yè)', '種植業(yè)','林業(yè)','農(nóng)業(yè)綜合','飼料', '農(nóng)藥化肥','橡膠', ),('醫(yī)療保健','生物制藥','醫(yī)藥商業(yè)','中成藥','化學制藥',),
         ('房產(chǎn)服務(wù)', '區(qū)域地產(chǎn)','全國地產(chǎn)','園區(qū)開發(fā)',),('公路','鐵路','水運', '航空','空運','公共交通','路橋','港口','船舶', '倉儲物流',  ),
         ('煤炭開采','焦炭加工',),('證券','保險','多元金融','銀行'),('啤酒','食品', '乳制品', '紅黃酒','白酒','軟飲料',),
         ('石油開采','石油加工','石油貿(mào)易'),('供氣供熱','水務(wù)','環(huán)境保護', ),
         ('互聯(lián)網(wǎng)', '軟件服務(wù)', 'IT設(shè)備', ),('半導體', '元器件',),('通信設(shè)備','電信運營',),( '文教休閑','旅游服務(wù)','旅游景點','酒店餐飲','影視音像','出版業(yè)',),
         ('染料涂料','服飾','紡織','紡織機械','家居用品'), ('商品城','百貨', '批發(fā)業(yè)', '超市連鎖','電器連鎖', '其他商業(yè)','商貿(mào)代理','廣告包裝'),
         ('建筑工程','裝修裝飾','其他建材','水泥'),('專用機械','輕工機械','化工機械','機械基件','運輸設(shè)備','機床制造','農(nóng)用機械','工程機械', '電器儀表'),
         ('造紙','陶瓷','玻璃', '塑料','礦物制品',),('化工原料','化纖','日用化工')]

合并成大類板塊后，數(shù)據(jù)顯示，4月23日醫(yī)藥生物板塊漲停個股最多，此外，機械設(shè)備、電子、紡織服裝、汽車和休閑服務(wù)（含旅游）等板塊最近一周漲停股較多，與近期熱點密切相關(guān)，如印度疫情復(fù)發(fā)、新能源、五一旅游等。

#將某些細分行業(yè)合并成大類
for i in range(len(old_name)):
    for j in old_name[i]:
        dff.replace(j,new_name[i],inplace=True)
industry_up=pd.DataFrame()
#獲取最近10日各行業(yè)漲停板數(shù)據(jù)
for d in dates[-10:]:
    industry_up[d]=dff[dff.trade_date==d].groupby('industry')['name'].count()
industry_up.fillna(0).sort_values(dates[-1],ascending=False).astype(int)

使用滾動5日累計板塊漲停個數(shù)，可以一定程度反映近期板塊題材的資金的關(guān)注情況，排在前面的是汽車、醫(yī)藥生物、機械設(shè)備和電子。

#近期滾動5天行業(yè)漲停個股數(shù)
(industry_up.fillna(0).T.rolling(5).sum()).T.dropna(axis=1).sort_values(dates[-1],ascending=False)

D5

個股連板情況

下面構(gòu)建函數(shù)統(tǒng)計和分析個股連續(xù)漲停的概率以及獲取某日連板股票池。由于代碼較長，此處省略，完整版見Python金融量化知識星球。

def up_con_pro(df,ddd):
    pass

連板概率

ddd=sorted(df.trade_date.unique()[-60:],reverse=True)
up_con_pro(df,ddd).round(4).T.head(10)

數(shù)據(jù)顯示，個股第一次漲停后，第二天連續(xù)漲停的概率接近30%，連續(xù)7-10板的概率接近0。剔除st股后連板的概率更低。

#剔除st股后
#up_con_pro(df_st,ddd).round(4).T.head(10)

up_con_pro(df,ddd).T.describe().round(4)

#剔除st股
#up_con_pro(df_st,ddd).T.describe().round(4)

獲取某日連板個股

下面使用get_con_up_stocks獲取指定日期連板的個股名單，如2021年4月23日，錦泓集團、ST巖石、*ST節(jié)能實現(xiàn)四連板。

def get_con_up_stocks(date):
   #代碼較長，此處省略，完整版見Python金融量化知識星球

#獲取當前交易日最新連板個股
#參數(shù)可輸入指定日期
result=get_con_up_stocks(dates[-1])
print(result[result>=2])
603518.SH  4；600696.SH 4；000820.SZ 4；002175.SZ 3；002575.SZ  3；600462.SH  3；002997.SZ  2；002592.SZ  2；600518.SH 2；002885.SZ 2；603538.SH  2；002630.SZ  2；002071.SZ  2；002587.SZ 2；002021.SZ  2；600581.SH  2；601127.SH  2

#stock_plot為個人畫圖腳本文件
stock_plot(result.index[0]).kline_plot(ktype=0)

D6

結(jié)語

美國著名投機家杰西·利弗莫爾（《股票作手回憶錄》）說，如果你不能在領(lǐng)頭羊上賺錢，就不可能在股市上賺錢。在A股市場，領(lǐng)頭羊個股往往是以漲停的形式開啟一波大行情，漲停板是反映主力進攻（或撤退）的重要操盤信號。市場上一度流行著“有三必有五，有五必成妖”的漲停股說法。當然從數(shù)據(jù)統(tǒng)計的概率來看，一直連五板及更多的概率是較低的，大部分妖股是連續(xù)漲停后經(jīng)過猛烈調(diào)整和洗盤再繼續(xù)拉升的。本文從量化的角度對A股漲停個股數(shù)據(jù)進行了探索性分析，為讀者通過量化的手段挖掘漲停個股提供參考框架。對于驅(qū)動個股漲停的具體反饋回路還有待深入探討，如存在哪些閉合因果關(guān)系鏈驅(qū)動資金流向某個板塊題材和個股，或者說影響個股漲停和持續(xù)性的關(guān)鍵因素是什么？能否通過量化的手段構(gòu)建漲停板交易策略，歷史回測效果如何？這些問題留給讀者進一步思考。

PS：公號內(nèi)回復(fù)「Python」即可進入Python 新手學習交流群，一起 100 天計劃！

老規(guī)矩，兄弟們還記得么，右下角的 “在看” 點一下，如果感覺文章內(nèi)容不錯的話，記得分享朋友圈讓更多的人知道！

【神秘禮包獲取方式】