Week1--

Week1-按照要求进行爬虫和量化选股

-从“我的研究”开始，导出股票到excel文档：前三个交易日涨跌幅在-5到15之间，10日均线斜率大于-5的股票，并且列出前三个交易日区间涨幅，后一个交易日最大涨幅，涨跌幅，并按成交额排序。 用问财选股函数来获取上述股票，“成交额排序“，”前3个交易日区间涨幅在-10%和15%之间“，”10日均线斜率大于-5“，”前三个交易日区间涨幅“，”后一个交易日最大涨幅“，”涨跌幅“

df = query_iwencai("成交额排序, 前3个交易日区间涨幅在-10%和15%之间, 10日均线斜率大于-5, 前三个交易日区间涨幅, 后一个交易日最大涨幅, 涨跌幅") df = pd.DataFrame(df) df.to_excel('output.xlsx', index=False, engine='xlsxwriter') 导出股票链接🔗如下 output.xlsx

-导出2023年全部的地天板股票，展示其次日涨跌幅，后3日涨跌幅 代码如下

获取所有股票的基本信息

all_stocks = get_all_securities(ty='stock') #all_stocks

提取股票代码

stock_codes = all_stocks.index.tolist() stock_codes

获取2023年的所有股票信息

data = get_price(stock_codes, '20230101 09:00', '20231231 16:00', '1d', ['close', 'open', 'low', 'high'])

dtb_stocks = {} # 创建空的结果字典，用于保存每只股票的次日和后三日涨跌幅

for stock, df in data.items(): # 筛选地天板条件：开盘价等于最低价，收盘价等于最高价 is_dtb = (df['open'] == df['low']) & (df['close'] == df['high'])

# 获取符合条件的日期和对应数据
dtb_dates = df[is_dtb]

if not dtb_dates.empty:
    dtb_stocks[stock] = dtb_dates       

创建一个新的字典results用于存储符合要求的股票的次日涨跌幅和后三日涨跌幅

results = {}

计算次日涨跌幅和后三日涨跌幅

for stock, df in dtb_stocks.items(): # 计算次日涨跌幅 df['next_day_return'] = (df['close'].shift(-1) - df['close']) / df['close'] * 100

# 计算后三日涨跌幅
df['three_days_return'] = (df['close'].shift(-3) - df['close']) / df['close'] * 100

# 保存结果
results[stock] = df[['next_day_return', 'three_days_return']]   

将所有结果合并为一个DataFrame，便于后续分析或导出

final_df = pd.concat(results)

展示结果

final_df.head()

如果需要将结果保存为Excel文件

final_df.to_excel("all_stocks_returns_2023.xlsx") all_stocks_returns_2023.xlsx

-导出在2023年，选股指标为“10：00前成交额排序，当日涨跌幅，5日均线斜率>-10，前三个交易日区间涨幅，后一个交易日最大涨幅，后一个交易日涨幅，前三个交易日区间涨幅在-10%到15%之间”，取每个交易日前两个数据，输出到excel!

df2 = query_iwencai("10：00前成交额排序, 涨跌幅, 5日均线斜率>-10, 前三个交易日区间涨幅, 后一个交易日最大涨幅, 后一个交易日涨幅, 前三个交易日区间涨幅在-10%到15%之间") df2 = pd.DataFrame(df2) df2.to_excel('output2.xlsx', index=False, engine='xlsxwriter') output2.xlsx

任务3：导出2023年5连板及以上的股票数据，包括“股票名称 连板次数 断板时间 断板前后最高价 断板回调到最低价的时间 断板回调的最低价 回调百分比 第一次反弹的最高价 反弹的比率 第一次反弹的时间”

获取所有股票代码及名称

all_stocks = get_all_securities(ty='stock')

存储结果的列表

results = []

遍历所有股票

for stock_code in all_stocks.index: stock_name = all_stocks.loc[stock_code]['display_name']

# 获取2023年的历史价格数据
data = get_price(stock_code, start_date='20230101', end_date='20231231', 
                 fields=['open', 'close', 'high', 'low'], fre_step='1d')

# 识别连板次数（假设涨停是指某个百分比的涨幅，例如 10%）
data['limit_up'] = data['close'].pct_change().ge(0.1)  # 这里使用10%作为涨停的例子

# 计算连板的长度
data['consecutive_limits'] = data['limit_up'].cumsum() - data['limit_up'].cumsum().where(~data['limit_up']).ffill().fillna(0)

# 筛选5连板及以上的情况
five_limit_days = data[data['consecutive_limits'] >= 5]

if not five_limit_days.empty:
    # 找到断板的时间和价格变化
    for i in range(len(five_limit_days)):
        # 找到断板时间
        try:
            limit_end = five_limit_days.index[i + 1]
        except IndexError:
            continue
        
        # 获取断板前后的最高价、最低价等信息
        pre_high = data.loc[:limit_end, 'high'].max()
        post_low = data.loc[limit_end:, 'low'].min()
        post_low_time = data.loc[limit_end:, 'low'].idxmin()
        
        # 计算回调百分比
        pullback_percentage = (pre_high - post_low) / pre_high * 100
        
        # 找到第一次反弹的最高价及反弹率
        rebound_high = data.loc[post_low_time:, 'high'].max()
        rebound_percentage = (rebound_high - post_low) / post_low * 100
        rebound_time = data.loc[post_low_time:, 'high'].idxmax()
        
        # 存储结果
        results.append({
            '股票名称': stock_name,
            '连板次数': data['consecutive_limits'].max(),
            '断板时间': limit_end,
            '断板前后最高价': pre_high,
            '断板回调到最低价的时间': post_low_time,
            '断板回调的最低价': post_low,
            '回调百分比': pullback_percentage,
            '第一次反弹的最高价': rebound_high,
            '反弹的比率': rebound_percentage,
            '第一次反弹的时间': rebound_time
        })

转换为DataFrame并导出结果

results_df = pd.DataFrame(results) results_df.to_excel("five_limit_stocks_2023.xlsx", index=False)

csv导出文件如下

five_limit_stocks_2023.xlsx

打印结果

print(results_df)