Skip to content

申万二级行业在最近1年、3个月、5个交易日的涨幅统计

来源:https://uqer.io/community/share/55401d69f9f06c1c3d687fa1

功能:运行此代码可知最近1年、3个月、5个交易日各个行业的涨幅

注意1:行业是采用申万二级行业分类

注意2:行业涨幅是个股涨幅加权平均成交金额所得

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

def CountTime():    #获得可获得数据的最后一个交易日日期,返回的是datetime格式
    cal = Calendar('China.SSE')
    today = datetime.today()
    today_str = today.strftime("%Y%m%d")
    cal_date = Date.fromDateTime(today)       
    time1=" 17:05:00"
    ben_time = datetime.strptime(today_str+time1,"%Y%m%d %H:%M:%S")
    if cal.isBizDay(cal_date) & (today>ben_time):    #如果是交易日,则判断当天是不是在15点前        
        date = today
    else:    #如果当天不是交易日,则获得前一个交易日
        cal_wd = cal.advanceDate(cal_date, '-1B', BizDayConvention.Following)    #Date格式
        date = cal_wd.toDateTime()    #datetime格式        
    return date

def GetMktEqud(tk_list,**kargs):
    num = 100
    cnt_num = len(tk_list)/num
    if cnt_num > 0:
        df = pd.DataFrame({})
        for i in range(cnt_num):
            sub_df = DataAPI.MktEqudGet(ticker=tk_list[i*num:(i+1)*num],**kargs)
            df = pd.concat([df,sub_df])
        if (i+1)*num != len(tk_list):
            sub_df = DataAPI.MktEqudGet(ticker=tk_list[(i+1)*num:],**kargs)
            df = pd.concat([df,sub_df])
    else:
        df = DataAPI.MktEqudGet(ticker=tk_list,**kargs)


    list_info = GetSecID(tk_list = tk_list,field=['ticker','listDate'])    #获得上市日期信息,修改上市当天的数据中的preClosePrice为openPrice
    df.set_index(['ticker','tradeDate'],inplace=True)     
    df_gp = df.groupby(level='ticker')    
    df_new = pd.DataFrame({})    #储存新数据
    for tk,sub_info in df_gp:
        list_date = list_info['listDate'][list_info['ticker']==tk].iloc[0]
        try:
            sub_info.loc[(tk,list_date),'preClosePrice'] = sub_info.loc[(tk,list_date),'openPrice'] 
        except:
            pass
        list_info = list_info[list_info['ticker']!=tk]    
        df_new = pd.concat([df_new,sub_info])
    df_new.reset_index(inplace=True)
    return df_new
def GetSecID(tk_list,field):    #获取上市日期
    num = 100
    cnt_num = len(tk_list)/num
    if cnt_num > 0:
        df = pd.DataFrame({})
        for i in range(cnt_num):
            sub_df = DataAPI.SecIDGet(ticker=tk_list[i*num:(i+1)*num],field=field)
            df = pd.concat([df,sub_df])
        if (i+1)*num != len(tk_list):
            sub_df = DataAPI.SecIDGet(ticker=tk_list[(i+1)*num:],field=field)
            df = pd.concat([df,sub_df])
    else:
        df = DataAPI.SecIDGet(ticker=tk_list,field=field)
    return df

def GetReturn(Mkt_Info_df):    #该函数是用来获得行业在一段时间内的收益,以及个股在这段时间内的收益(先计算成分股在一段时间内的涨幅,再加权成交金额得到主题的涨幅)

    Mkt_Info_df_gp = Mkt_Info_df.groupby('ticker')    
    tk_inc_dic = {'ticker':[],'return':[],'turnoverValue':[]}
    for tk,sub_info in Mkt_Info_df_gp:
        rtn = sub_info['increase'].prod()-1
        tnv = sub_info['turnoverValue'].sum()/len(sub_info)    #获得平均成交金额
        tk_inc_dic['ticker'].append(tk)
        tk_inc_dic['return'].append(rtn)
        tk_inc_dic['turnoverValue'].append(tnv)        
    tk_inc_df = pd.DataFrame(tk_inc_dic)
    tk_inc_df['secShortName'] = tk_inc_df['ticker'].apply(lambda x:tk2nm_dic[x])
    rtn_together = (tk_inc_df['return']*tk_inc_df['turnoverValue']).sum()/tk_inc_df['turnoverValue'].sum()    #获得该主题一段时间的涨幅,成交金额加权收益
    return rtn_together,tk_inc_df
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['ticker'].tolist()
#获得统计的日期

#获得研究的结束时间,如果在当天收盘前,则为前一个交易日
endDate_dt = CountTime()
endDate_CAL = Date.fromDateTime(endDate_dt)

#前一季度的时间
beginDate_3M_CAL = cal.advanceDate(endDate_CAL,'-3M',BizDayConvention.Following)
beginDate_3M_dt = beginDate_3M_CAL.toDateTime()
#前5个交易日的时间
period_day = 5              ###################输入###################
period_CAL = '-'+str(period_day)+'B'
beginDate_5B_CAL = cal.advanceDate(endDate_CAL, period_CAL, BizDayConvention.Following) 
beginDate_5B_dt = beginDate_5B_CAL.toDateTime()
#获得全A股在过去1年的市场行情

field = ['ticker','secShortName','tradeDate','preClosePrice','closePrice','turnoverValue','marketValue']
Mkt_Info_df_1Y = GetMktEqud(tk_list=tk_list_A,field =field)     #获取市场行情,省略了beginDate和endDate,则获取最近1年的行情
Mkt_Info_df_1Y['tradeDate'] = pd.to_datetime(Mkt_Info_df_1Y['tradeDate'])    #将tradeDate这一列的格式由string改为datetime
Mkt_Info_df_1Y['increase'] = Mkt_Info_df_1Y['closePrice']/Mkt_Info_df_1Y['preClosePrice']    #获得个股每天的收益

tk_nm_dic = dict(zip(Mkt_Info_df_1Y['ticker'],Mkt_Info_df_1Y['secShortName']))    #获得个股ticker与名称的对应字典

Mkt_Info_df_3M = Mkt_Info_df_1Y[Mkt_Info_df_1Y['tradeDate']>beginDate_3M_dt]    #最近3个月的信息
Mkt_Info_df_5B = Mkt_Info_df_1Y[Mkt_Info_df_1Y['tradeDate']>beginDate_5B_dt]    #最近5个交易日的信息
#统计得到个股以下信息:1年收益inc_1Y、3个月收益inc_3M、5个交易日收益inc_5B,1年平均市值mkv_1Y、3个月平均市值mkv_3M、5个交易日平均市值mkv_5B

#获得一年的涨幅、平均成交金额数据
Mkt_Info_df_1Y_gp = Mkt_Info_df_1Y.groupby('ticker')    #按照ticker分类
tk_rtn_dic_1Y = {'ticker':[],'inc_1Y':[],'tnv_1Y':[]}    #获得每个个股的收益和平均市值
for tk,sub_info in Mkt_Info_df_1Y_gp:
    inc_1Y = sub_info['increase'].prod()-1    #获得在这段时间内该股的涨幅
    tnv_avg_1Y = sub_info['turnoverValue'].sum()/len(sub_info)   
    tk_rtn_dic_1Y['ticker'].append(tk)
    tk_rtn_dic_1Y['inc_1Y'].append(inc_1Y)
    tk_rtn_dic_1Y['tnv_1Y'].append(tnv_avg_1Y)    
tk_rtn_df_1Y = pd.DataFrame(tk_rtn_dic_1Y)
#获得3个月的涨幅、平均成交金额数据
Mkt_Info_df_3M_gp = Mkt_Info_df_3M.groupby('ticker')    #按照ticker分类
tk_rtn_dic_3M = {'ticker':[],'inc_3M':[],'tnv_3M':[]}    #获得每个个股的收益和平均市值
for tk,sub_info in Mkt_Info_df_3M_gp:
    inc_3M = sub_info['increase'].prod()-1    #获得在这段时间内该股的涨幅
    tnv_avg_3M = sub_info['turnoverValue'].sum()/len(sub_info)   
    tk_rtn_dic_3M['ticker'].append(tk)
    tk_rtn_dic_3M['inc_3M'].append(inc_3M)
    tk_rtn_dic_3M['tnv_3M'].append(tnv_avg_3M)    
tk_rtn_df_3M = pd.DataFrame(tk_rtn_dic_3M)

#获得5个交易日的涨幅、平均成交金额数据
Mkt_Info_df_5B_gp = Mkt_Info_df_5B.groupby('ticker')    #按照ticker分类
tk_rtn_dic_5B = {'ticker':[],'inc_5B':[],'tnv_5B':[]}    #获得每个个股的收益和平均市值
for tk,sub_info in Mkt_Info_df_5B_gp:
    inc_5B = sub_info['increase'].prod()-1    #获得在这段时间内该股的涨幅
    tnv_avg_5B = sub_info['turnoverValue'].sum()/len(sub_info)   
    tk_rtn_dic_5B['ticker'].append(tk)
    tk_rtn_dic_5B['inc_5B'].append(inc_5B)
    tk_rtn_dic_5B['tnv_5B'].append(tnv_avg_5B)    
tk_rtn_df_5B = pd.DataFrame(tk_rtn_dic_5B)
#计算1年、3个月、5个交易日的行业涨幅

Ind_tks_dic
ind_rtn_dic = {'industry':[],'rtn_1Y':[],'rtn_3M':[],'rtn_5B':[],'bigstk_1Y':[],'bigstk_3M':[],'bigstk_5B':[],'Num':[]}
for ind,tks in Ind_tks_dic.items():
    sub_info_1Y = tk_rtn_df_1Y[tk_rtn_df_1Y['ticker'].isin(tks)]    #先选出该行业的个股内容,包括收益和平均成交金额
    rtn_ind_1Y = (sub_info_1Y['inc_1Y']*sub_info_1Y['tnv_1Y']).sum()/sub_info_1Y['tnv_1Y'].sum()
    bigstk_1Y = sub_info_1Y.sort(columns='tnv_1Y',ascending=False)['ticker'][0:3].tolist()

    sub_info_3M = tk_rtn_df_3M[tk_rtn_df_3M['ticker'].isin(tks)]    #先选出该行业的个股内容,包括收益和平均成交金额
    rtn_ind_3M = (sub_info_3M['inc_3M']*sub_info_3M['tnv_3M']).sum()/sub_info_3M['tnv_3M'].sum()
    bigstk_3M = sub_info_3M.sort(columns='tnv_3M',ascending=False)['ticker'][0:3].tolist()

    sub_info_5B = tk_rtn_df_5B[tk_rtn_df_5B['ticker'].isin(tks)]    #先选出该行业的个股内容,包括收益和平均成交金额
    rtn_ind_5B = (sub_info_5B['inc_5B']*sub_info_5B['tnv_5B']).sum()/sub_info_5B['tnv_5B'].sum()
    bigstk_5B = sub_info_5B.sort(columns='tnv_5B',ascending=False)['ticker'][0:3].tolist()

    ind_rtn_dic['industry'].append(ind)
    ind_rtn_dic['Num'].append(len(sub_info_1Y))
    ind_rtn_dic['rtn_1Y'].append(rtn_ind_1Y)
    ind_rtn_dic['bigstk_1Y'].append(map(lambda x:tk_nm_dic[x],bigstk_1Y))
    ind_rtn_dic['rtn_3M'].append(rtn_ind_3M)
    ind_rtn_dic['bigstk_3M'].append(map(lambda x:tk_nm_dic[x],bigstk_3M))
    ind_rtn_dic['rtn_5B'].append(rtn_ind_5B)
    ind_rtn_dic['bigstk_5B'].append(map(lambda x:tk_nm_dic[x],bigstk_5B))

ind_rtn_df = pd.DataFrame(ind_rtn_dic)
ind_rtn_df_sort_1Y = ind_rtn_df.sort(columns='rtn_1Y',ascending=False).loc[:,['industry','rtn_1Y','bigstk_1Y','Num','rtn_3M','rtn_5B']]
ind_rtn_df_sort_1Y.columns = [u'行业名称',u'最近一年收益',u'一年内平均成交量最大的股票',u'该行业个股数目',u'最近3个月收益',u'最近5个交易日收益']
print u'一共有%d个申万二级行业'%len(ind_rtn_df_sort_1Y),u',1年内行业涨幅'
ind_rtn_df_sort_1Y

一共有103个申万二级行业 ,1年内行业涨幅
行业名称 最近一年收益 一年内平均成交量最大的股票 该行业个股数目 最近3个月收益 最近5个交易日收益
99 运输设备 5.303234 [中国南车, 中国北车, 晋西车轴] 8 1.173940 -0.014448
90 基础建设 4.691083 [中国中铁, 中国铁建, 中国交建] 25 0.921275 0.093444
1 航空运输 3.131124 [海南航空, 南方航空, 春秋航空] 6 0.876162 0.056124
8 航运 3.057806 [中海集运, 中国远洋, 中海发展] 12 1.016439 0.270692
15 计算机应用 2.754977 [用友网络, 恒生电子, 华胜天成] 96 0.860180 0.011083
98 互联网传媒 2.651445 [乐视网, 鹏博士, 东方财富] 24 0.802981 0.062447
39 专业工程 2.625073 [中国中冶, 中国化学, 航天工程] 20 0.915729 0.247647
53 房屋建设 2.582405 [中国建筑, 上海建工, 龙元建设] 4 0.629508 0.091970
71 计算机设备 2.366100 [同方股份, 大华股份, 浪潮信息] 40 0.575884 0.014130
13 证券 2.361874 [中信证券, 东方证券, 海通证券] 23 0.523428 0.021711
34 通信运营 2.353681 [中国联通, 二六三] 2 1.195826 0.305338
11 仪器仪表 2.329112 [航天科技, 天和防务, 先河环保] 24 0.734938 0.069429
24 船舶制造 2.266239 [中国重工, 中国船舶, 广船国际] 8 0.602151 0.111529
7 专用设备 2.191821 [三一重工, 中国一重, 中联重科] 105 0.504312 0.083313
81 钢铁 2.183165 [包钢股份, 宝钢股份, 河北钢铁] 33 0.550343 0.035136
60 物流 2.115166 [怡亚通, 中储股份, 建发股份] 18 0.703845 0.008994
70 港口 2.063319 [天津港, 唐山港, 营口港] 17 0.389900 0.018574
33 农产品加工 1.938949 [中粮屯河, 中粮生化, 朗源股份] 17 0.646614 0.078169
94 通用机械 1.894176 [中核科技, 机器人, 晋亿实业] 96 0.604509 0.016274
52 高速公路 1.891902 [福建高速, 重庆路桥, 五洲交通] 18 0.645981 0.040706
23 化学纤维 1.821298 [中纺投资, 皖维高新, 华峰氨纶] 27 0.638380 0.085734
12 地面兵装 1.820928 [北方导航, 中航黑豹, 四创电子] 4 0.228236 -0.024187
44 服装家纺 1.805284 [雅戈尔, 际华集团, 探路者] 39 0.621356 0.002398
62 航空装备 1.793423 [中航飞机, 成飞集成, 洪都航空] 13 0.351965 0.005921
97 商业物业经营 1.791940 [小商品城, 农产品, 轻纺城] 15 0.638699 0.010417
36 多元金融 1.787572 [中航资本, 爱建股份, 安信信托] 11 0.330127 0.096928
41 景点 1.787031 [九华旅游, 宋城演艺, 长白山] 8 0.819598 0.030744
25 旅游综合 1.783006 [中青旅, 腾邦国际, 北部湾旅] 16 0.809576 0.005146
83 营销传播 1.779635 [蓝色光标, 省广股份, 腾信股份] 9 0.431896 -0.006486
56 电力 1.766792 [国电电力, 国投电力, 长江电力] 58 0.489520 0.050847
... ... ... ... ... ... ...
50 造纸 1.263068 [景兴纸业, 山鹰纸业, 冠豪高新] 23 0.480623 0.019398
95 化学制药 1.256582 [鲁抗医药, 恒瑞医药, 新和成] 62 0.478035 0.009671
69 综合 1.248448 [中国宝安, 中信国安, 东方集团] 53 0.444324 0.031787
65 公交 1.229096 [大众交通, 强生控股, 锦江投资] 8 0.451447 0.009324
75 饲料 1.216313 [新希望, 大北农, 禾丰牧业] 11 0.403494 0.000612
58 半导体 1.206561 [国民技术, 长电科技, 华天科技] 22 0.471403 0.030992
32 畜禽养殖 1.177174 [罗牛山, 大康牧业, 仙坛股份] 16 0.529071 0.011948
26 机场 1.166775 [上海机场, 白云机场, 厦门空港] 4 0.275427 -0.039167
101 金属非金属新材料 1.131387 [烯碳新材, 方大炭素, 中科三环] 24 0.404832 0.009488
22 水泥制造 1.112418 [海螺水泥, 金隅股份, 亚泰集团] 19 0.411717 -0.003110
30 中药 1.090465 [康美药业, 吉林敖东, 云南白药] 59 0.506922 0.023478
28 医疗服务 1.086574 [恒康医疗, 爱尔眼科, 金陵药业] 8 0.770956 -0.007666
40 石油化工 1.062722 [中国石化, 广汇能源, 上海石化] 15 0.458994 0.155356
45 动物保健 1.061414 [中牧股份, 金宇集团, 升华拜克] 7 0.397987 0.002755
10 采掘服务 1.059690 [海油工程, 中海油服, 中矿资源] 11 0.391112 -0.026253
9 农业综合 1.047126 [大禹节水, 农发种业] 2 0.215880 -0.004511
49 银行 1.031171 [兴业银行, 浦发银行, 民生银行] 16 0.243698 0.031925
46 汽车服务 1.024574 [庞大集团, 申华控股, 国机汽车] 6 0.572989 0.112366
43 稀有金属 1.023880 [北方稀土, 五矿稀土, 厦门钨业] 21 0.326484 0.028529
79 石油开采 0.999020 [中国石油] 1 0.169796 0.103156
77 种植业 0.997333 [亚盛集团, 海南橡胶, 隆平高科] 14 0.255847 -0.008357
76 玻璃制造 0.988161 [南玻A, 金刚玻璃, 金晶科技] 9 0.495342 0.117769
6 汽车整车 0.976699 [上汽集团, 比亚迪, 长安汽车] 22 0.300511 0.031516
91 光学光电子 0.960364 [京东方A, 三安光电, 东旭光电] 42 0.389974 -0.029134
21 食品加工 0.873128 [伊利股份, 双汇发展, 梅花生物] 33 0.383895 -0.016259
63 园林工程 0.856421 [东方园林, 蒙草抗旱, 棕榈园林] 7 0.421860 -0.027685
38 渔业 0.778087 [大湖股份, 好当家, 獐子岛] 10 0.389029 0.018921
93 饮料制造 0.774735 [五粮液, 贵州茅台, 泸州老窖] 36 0.267515 -0.024910
2 其他轻工制造 0.742366 [易尚展示] 1 0.742366 0.742366
55 餐饮 0.552202 [中科云网, 西安饮食, 零七股份] 4 0.192203 0.013139
103 rows × 6 columns
ind_rtn_df_sort_3M = ind_rtn_df.sort(columns='rtn_3M',ascending=False).loc[:,['industry','rtn_3M','bigstk_3M','Num','rtn_1Y','rtn_5B']]
ind_rtn_df_sort_3M.columns = [u'行业名称',u'最近3个月收益',u'3个月内平均成交量最大的股票',u'该行业个股数目',u'最近一年收益',u'最近5个交易日收益']
print u'一共有%d个申万二级行业'%len(ind_rtn_df_sort_1Y),u',3个月内行业涨幅'
ind_rtn_df_sort_3M

一共有103个申万二级行业 ,3个月内行业涨幅
行业名称 最近3个月收益 3个月内平均成交量最大的股票 该行业个股数目 最近一年收益 最近5个交易日收益
34 通信运营 1.195826 [中国联通, 二六三] 2 2.353681 0.305338
99 运输设备 1.173940 [中国南车, 中国北车, 晋西车轴] 8 5.303234 -0.014448
8 航运 1.016439 [中海集运, 中国远洋, 中海发展] 12 3.057806 0.270692
90 基础建设 0.921275 [中国中铁, 中国铁建, 中国交建] 25 4.691083 0.093444
39 专业工程 0.915729 [中国中冶, 中国化学, 中工国际] 20 2.625073 0.247647
1 航空运输 0.876162 [南方航空, 海南航空, 中国国航] 6 3.131124 0.056124
15 计算机应用 0.860180 [大智慧, 用友网络, 恒生电子] 96 2.754977 0.011083
41 景点 0.819598 [宋城演艺, 九华旅游, 峨眉山A] 8 1.787031 0.030744
25 旅游综合 0.809576 [中青旅, 腾邦国际, 号百控股] 16 1.783006 0.005146
98 互联网传媒 0.802981 [乐视网, 掌趣科技, 鹏博士] 24 2.651445 0.062447
100 装修装饰 0.789720 [金螳螂, 洪涛股份, 亚厦股份] 12 1.460358 0.022219
28 医疗服务 0.770956 [迪安诊断, 恒康医疗, 爱尔眼科] 8 1.086574 -0.007666
51 电子制造 0.755818 [歌尔声学, 蓝思科技, 得润电子] 32 1.431560 -0.004972
2 其他轻工制造 0.742366 [易尚展示] 1 0.742366 0.742366
11 仪器仪表 0.734938 [航天科技, 先河环保, 雪迪龙] 24 2.329112 0.069429
57 环保工程及服务 0.722461 [万邦达, 碧水源, 桑德环境] 28 1.687707 0.021656
5 医疗器械 0.711224 [和佳股份, 千山药机, 新华医疗] 22 1.628250 0.044459
60 物流 0.703845 [怡亚通, 建发股份, 中储股份] 18 2.115166 0.008994
61 一般零售 0.669449 [文峰股份, 国际医学, 永辉超市] 49 1.501575 0.033214
89 电气自动化设备 0.647961 [国电南瑞, 许继电气, 汇川技术] 38 1.429676 0.017054
33 农产品加工 0.646614 [中粮屯河, 中粮生化, 东凌粮油] 17 1.938949 0.078169
52 高速公路 0.645981 [中原高速, 福建高速, 重庆路桥] 18 1.891902 0.040706
97 商业物业经营 0.638699 [小商品城, 农产品, 华联股份] 15 1.791940 0.010417
23 化学纤维 0.638380 [皖维高新, 中纺投资, 华峰氨纶] 27 1.821298 0.085734
29 包装印刷 0.637423 [劲嘉股份, 陕西金叶, 奥瑞金] 24 1.531204 0.042091
53 房屋建设 0.629508 [中国建筑, 上海建工, 龙元建设] 4 2.582405 0.091970
44 服装家纺 0.621356 [雅戈尔, 际华集团, 美邦服饰] 39 1.805284 0.002398
0 家用轻工 0.621297 [宜华木业, 威华股份, 明牌珠宝] 43 1.272965 0.081527
94 通用机械 0.604509 [中核科技, 机器人, 中航重机] 96 1.894176 0.016274
24 船舶制造 0.602151 [中国重工, 中国船舶, 广船国际] 8 2.266239 0.111529
... ... ... ... ... ... ...
63 园林工程 0.421860 [东方园林, 普邦园林, 蒙草抗旱] 7 0.856421 -0.027685
22 水泥制造 0.411717 [海螺水泥, 亚泰集团, 金隅股份] 19 1.112418 -0.003110
86 其他交运设备 0.411019 [隆鑫通用, 中国嘉陵, 深中华A] 7 1.294861 -0.028150
101 金属非金属新材料 0.404832 [烯碳新材, 中科三环, 沃尔核材] 24 1.131387 0.009488
75 饲料 0.403494 [新希望, 大北农, 海大集团] 11 1.216313 0.000612
45 动物保健 0.397987 [中牧股份, 金宇集团, 瑞普生物] 7 1.061414 0.002755
92 贸易 0.392636 [辽宁成大, 厦门国贸, 五矿发展] 23 1.607619 0.026065
10 采掘服务 0.391112 [海油工程, 中海油服, 恒泰艾普] 11 1.059690 -0.026253
91 光学光电子 0.389974 [京东方A, 东旭光电, 三安光电] 42 0.960364 -0.029134
70 港口 0.389900 [上港集团, 宁波港, 唐山港] 17 2.063319 0.018574
38 渔业 0.389029 [大湖股份, 獐子岛, 好当家] 10 0.778087 0.018921
21 食品加工 0.383895 [伊利股份, 梅花生物, 双汇发展] 33 0.873128 -0.016259
62 航空装备 0.351965 [中航飞机, 中航动力, 洪都航空] 13 1.793423 0.005921
84 园区开发 0.349786 [张江高科, 陆家嘴, 浦东金桥] 9 1.700588 0.059708
85 燃气 0.332420 [深圳燃气, 陕天然气, 金鸿能源] 7 1.489302 -0.018759
36 多元金融 0.330127 [中航资本, 大众公用, 爱建股份] 11 1.787572 0.096928
43 稀有金属 0.326484 [北方稀土, 五矿稀土, 锡业股份] 21 1.023880 0.028529
14 电机 0.325072 [卧龙电气, 佳电股份, 通达动力] 8 1.455971 -0.022692
47 航天装备 0.323204 [中国卫星, 航天电子, 航天动力] 6 1.422559 0.032242
6 汽车整车 0.300511 [上汽集团, 比亚迪, 一汽轿车] 22 0.976699 0.031516
26 机场 0.275427 [上海机场, 深圳机场, 白云机场] 4 1.166775 -0.039167
93 饮料制造 0.267515 [五粮液, 贵州茅台, 泸州老窖] 36 0.774735 -0.024910
77 种植业 0.255847 [亚盛集团, 海南橡胶, 隆平高科] 14 0.997333 -0.008357
49 银行 0.243698 [兴业银行, 中国银行, 浦发银行] 16 1.031171 0.031925
12 地面兵装 0.228236 [北方导航, 中航黑豹, 四创电子] 4 1.820928 -0.024187
9 农业综合 0.215880 [大禹节水, 农发种业] 2 1.047126 -0.004511
55 餐饮 0.192203 [中科云网, 零七股份, 全聚德] 4 0.552202 0.013139
79 石油开采 0.169796 [中国石油] 1 0.999020 0.103156
18 林业 0.151489 [平潭发展, 吉林森工, 福建金森] 5 1.573602 -0.054994
72 保险 0.122277 [中国平安, 中国人寿, 中国太保] 5 1.480924 0.001178
103 rows × 6 columns
ind_rtn_df_sort_5B = ind_rtn_df.sort(columns='rtn_5B',ascending=False).loc[:,['industry','rtn_5B','bigstk_5B','Num','rtn_1Y','rtn_5B']]
ind_rtn_df_sort_5B.columns = [u'行业名称',u'最近5个交易日收益',u'5个交易日内平均成交量最大的股票',u'该行业个股数目',u'最近一年收益',u'最近3个月收益']
print u'一共有%d个申万二级行业'%len(ind_rtn_df_sort_1Y),u',5个交易日内行业涨幅'
ind_rtn_df_sort_5B

一共有103个申万二级行业 ,5个交易日内行业涨幅
行业名称 最近5个交易日收益 5个交易日内平均成交量最大的股票 该行业个股数目 最近一年收益 最近3个月收益
2 其他轻工制造 0.742366 [易尚展示] 1 0.742366 0.742366
34 通信运营 0.305338 [中国联通, 二六三] 2 2.353681 0.305338
8 航运 0.270692 [中国远洋, 中海集运, 中海发展] 12 3.057806 0.270692
39 专业工程 0.247647 [中国中冶, 中国化学, 中工国际] 20 2.625073 0.247647
40 石油化工 0.155356 [中国石化, 广汇能源, 上海石化] 15 1.062722 0.155356
76 玻璃制造 0.117769 [南玻A, 金晶科技, 耀皮玻璃] 9 0.988161 0.117769
46 汽车服务 0.112366 [庞大集团, 申华控股, 中国汽研] 6 1.024574 0.112366
24 船舶制造 0.111529 [中国重工, 中国船舶, 广船国际] 8 2.266239 0.111529
79 石油开采 0.103156 [中国石油] 1 0.999020 0.103156
36 多元金融 0.096928 [中航资本, 大众公用, 渤海租赁] 11 1.787572 0.096928
90 基础建设 0.093444 [中国中铁, 中国铁建, 中国交建] 25 4.691083 0.093444
53 房屋建设 0.091970 [中国建筑, 上海建工, 龙元建设] 4 2.582405 0.091970
35 酒店 0.091441 [华天酒店, 锦江股份, 大东海A] 7 1.469323 0.091441
23 化学纤维 0.085734 [石化油服, 中纺投资, 华西股份] 27 1.821298 0.085734
7 专用设备 0.083313 [中国一重, 三一重工, 中联重科] 105 2.191821 0.083313
0 家用轻工 0.081527 [宜华木业, 威华股份, 乐凯胶片] 43 1.272965 0.081527
33 农产品加工 0.078169 [中粮屯河, 中粮生化, 国投中鲁] 17 1.938949 0.078169
3 铁路运输 0.074405 [大秦铁路, 广深铁路, 铁龙物流] 3 1.552497 0.074405
11 仪器仪表 0.069429 [航天科技, 雪迪龙, 天和防务] 24 2.329112 0.069429
42 其他采掘 0.063680 [攀钢钒钛, 西藏矿业, 金岭矿业] 9 1.334411 0.063680
98 互联网传媒 0.062447 [乐视网, 掌趣科技, 鹏博士] 24 2.651445 0.062447
84 园区开发 0.059708 [张江高科, 陆家嘴, 南京高科] 9 1.700588 0.059708
1 航空运输 0.056124 [海南航空, 南方航空, 中国国航] 6 3.131124 0.056124
73 文化传媒 0.055896 [百视通, 东方明珠, 电广传媒] 35 1.552490 0.055896
80 白色家电 0.053758 [格力电器, 青岛海尔, 美的集团] 44 1.321674 0.053758
16 化学原料 0.052725 [内蒙君正, 三友化工, 中泰化学] 23 1.363827 0.052725
56 电力 0.050847 [国电电力, 国投电力, 浙能电力] 58 1.766792 0.050847
68 工业金属 0.047487 [中国铝业, 南山铝业, 江西铜业] 42 1.603236 0.047487
5 医疗器械 0.044459 [千山药机, 新华医疗, 鱼跃医疗] 22 1.628250 0.044459
27 煤炭开采 0.042696 [中国神华, 中煤能源, 永泰能源] 42 1.308314 0.042696
... ... ... ... ... ... ...
65 公交 0.009324 [大众交通, 强生控股, 锦江投资] 8 1.229096 0.009324
60 物流 0.008994 [怡亚通, 建发股份, 中储股份] 18 2.115166 0.008994
66 其他建材 0.006497 [国栋建设, 国睿科技, 濮耐股份] 41 1.446100 0.006497
62 航空装备 0.005921 [中航飞机, 中航动力, 洪都航空] 13 1.793423 0.005921
25 旅游综合 0.005146 [号百控股, 中青旅, 腾邦国际] 16 1.783006 0.005146
45 动物保健 0.002755 [天康生物, 中牧股份, 金宇集团] 7 1.061414 0.002755
44 服装家纺 0.002398 [际华集团, 美邦服饰, 报喜鸟] 39 1.805284 0.002398
72 保险 0.001178 [中国平安, 中国太保, 中国人寿] 5 1.480924 0.001178
88 通信设备 0.001046 [中兴通讯, 网宿科技, 海格通信] 59 1.338543 0.001046
75 饲料 0.000612 [大北农, 新希望, 禾丰牧业] 11 1.216313 0.000612
59 橡胶 -0.002903 [黔轮胎A, 青岛双星, 赛轮金宇] 14 1.310560 -0.002903
22 水泥制造 -0.003110 [海螺水泥, 金隅股份, 冀东水泥] 19 1.112418 -0.003110
9 农业综合 -0.004511 [农发种业, 大禹节水] 2 1.047126 -0.004511
51 电子制造 -0.004972 [歌尔声学, 蓝思科技, 得润电子] 32 1.431560 -0.004972
83 营销传播 -0.006486 [蓝色光标, 省广股份, 华谊嘉信] 9 1.779635 -0.006486
28 医疗服务 -0.007666 [迪安诊断, 恒康医疗, 泰格医药] 8 1.086574 -0.007666
77 种植业 -0.008357 [亚盛集团, 海南橡胶, 隆平高科] 14 0.997333 -0.008357
99 运输设备 -0.014448 [中国南车, 中国北车, 晋西车轴] 8 5.303234 -0.014448
21 食品加工 -0.016259 [伊利股份, 梅花生物, 汤臣倍健] 33 0.873128 -0.016259
85 燃气 -0.018759 [国新能源, 长春燃气, 金鸿能源] 7 1.489302 -0.018759
14 电机 -0.022692 [江特电机, 卧龙电气, 佳电股份] 8 1.455971 -0.022692
12 地面兵装 -0.024187 [北方导航, 中航黑豹, 光电股份] 4 1.820928 -0.024187
17 视听器材 -0.024822 [TCL集团, 四川长虹, 海信电器] 9 1.427695 -0.024822
93 饮料制造 -0.024910 [贵州茅台, 五粮液, 泸州老窖] 36 0.774735 -0.024910
10 采掘服务 -0.026253 [海油工程, 中海油服, 恒泰艾普] 11 1.059690 -0.026253
63 园林工程 -0.027685 [东方园林, 普邦园林, 蒙草抗旱] 7 0.856421 -0.027685
86 其他交运设备 -0.028150 [中国嘉陵, 隆鑫通用, 深中华A] 7 1.294861 -0.028150
91 光学光电子 -0.029134 [京东方A, 三安光电, 东旭光电] 42 0.960364 -0.029134
26 机场 -0.039167 [上海机场, 厦门空港, 深圳机场] 4 1.166775 -0.039167
18 林业 -0.054994 [平潭发展, 永安林业, 吉林森工] 5 1.573602 -0.054994
103 rows × 6 columns


回到顶部