python分析趋势、选择板块——我的股票投资心得

---

前言

昨天和朋友聊天，她买的股票都吃到了大肉，我买的一直半死不活。她喜欢短线交易，我喜欢价值投资。但是A股总会教育我，后来我也在想这是为什么？市场永远是对的，他跟我说她选票的逻辑是，今年天气炎热，每到第三个季度就会是用电高峰，抓住机会就能吃到肉，这让我有了分析趋势，分析板块的想法。在股票投资中，选择正确的板块和抓住市场趋势是获得投资回报的重要因素。下面我将分享一下我对于分析趋势和选择板块的方法和心得。

首先，对于分析趋势，我会从以下几个角度入手：

宏观经济因素：了解宏观经济的整体走势对于判断市场趋势至关重要。例如，关注GDP增长率、通货膨胀率、利率等指标，以及政府的经济政策。这些因素能够影响不同行业和板块的表现，从而帮助我们把握市场趋势。

技术指标分析：技术指标可以辅助我们判断股票价格的走势和买卖时机。常用的技术指标包括移动平均线、相对强弱指数、MACD等。通过观察这些指标的变化，我们可以发现股票价格的趋势和市场情绪的变化。

市场情绪和资金流向：市场情绪和资金流向也是判断趋势的重要参考因素。观察市场的热点和主题，了解资金的流向和机构投资者的操作，可以帮助我们判断市场的走势和板块的表现。

其次，选择板块也是至关重要的。以下是我选择板块的一些建议和心得：

行业前景：选择具有良好发展前景的行业是优先考虑的。例如，新能源、互联网科技、医疗保健等行业在当前市场表现较好，并且有望长期受益于社会发展趋势。

个股分析：对于选择板块中的个股，我们需要进行更加精细的分析。研究公司的基本面，包括财务状况、盈利能力、行业地位、竞争优势等。同时，关注公司的管理层和治理结构，以及公司未来的发展计划和创新能力。

长期投资视角：即使是选择板块，也要有长期投资的视角。我们应该选择那些具备长期成长潜力和竞争优势的板块和个股，而不是追逐短期的热点。长期投资更能够抵御市场波动，获得可持续的回报。

一、python代码

1.准备条件

查询dqnapi接口域名：http://www.dqnapi.com/

pro.stock_basic dqnapi号:100.3568/2023.1_v1
pro.hsgt_top10 dqnapi号:100.3568/2023.23_v1

二、代码

import tushare as ts
import pandas as pd
from time import sleep

# 获取 Tushare 账户 TOKEN
pro = ts.pro_api(token='5f49af63e213438df4f2566786d51ce8e7581b70cd5a4a6ac8bc8189')

# 获取股票列表
stock_list = pro.stock_basic(exchange='', list_status='L', fields='ts_code,industry')

# 设置分析时间段
start_date = '2017-01-01'  # 修改开始日期
end_date = '2022-12-31'  # 修改结束日期

# 获取时间段内每个季度的起始日期
quarters = pd.date_range(start=start_date, end=end_date, freq='Q')

df_top10_list = []
count = 0  # 计数器，记录已经访问接口的次数
for quarter_start in quarters:
    quarter_end = quarter_start + pd.offsets.QuarterEnd()
    
    # 获取每个季度的起始日期和结束日期
    start_date = quarter_start.strftime('%Y-%m-%d')
    end_date = quarter_end.strftime('%Y-%m-%d')
    
    # 获取时间段内每日前十大成交数据，并按照行业汇总
    df_top10_list_quarter = []

    for trade_date in pd.date_range(start=start_date, end=end_date):
        count += 1
        print(count)
        if count >= 200:
            sleep(60)
            count = 0
        trade_date_str = trade_date.strftime('%Y%m%d')
        df_top10 = pro.hsgt_top10(trade_date=trade_date_str)
        df_top10_merged = pd.merge(df_top10, stock_list, on='ts_code', how='left')
        df_top10_grouped = df_top10_merged.groupby('industry').size().reset_index(name='counts')
        df_top10_grouped['pct'] = df_top10_grouped['counts'] / len(df_top10_merged)
        df_top10_list_quarter.append(df_top10_grouped)
    
    # 将行业汇总数据合并，并计算每个行业的得分
    df_top10_total_quarter = pd.concat(df_top10_list_quarter).groupby('industry').agg({'counts': 'sum', 'pct': 'mean'}).reset_index()
    df_top10_total_quarter['score'] = df_top10_total_quarter['counts'] * df_top10_total_quarter['pct']
    
    # 按照得分从高到低排序，并输出结果
    df_top10_total_quarter = df_top10_total_quarter.sort_values(by='score', ascending=False)
    df_top10_list.append(df_top10_total_quarter)

# 输出每个季度的热门板块
for i, quarter_start in enumerate(quarters):
    quarter_end = quarter_start + pd.offsets.QuarterEnd()
    print(f"第{i+1}季度 {quarter_start.strftime('%Y-%m-%d')} 至 {quarter_end.strftime('%Y-%m-%d')} 的热门板块：\n")
    print(df_top10_list[i][['industry', 'counts', 'pct', 'score']])
    print("\n")
    
with open('top.txt', 'w') as f:
    for i, quarter_start in enumerate(quarters):
        quarter_end = quarter_start + pd.offsets.QuarterEnd()
        f.write(f"第{i+1}季度 {quarter_start.strftime('%Y-%m-%d')} 至 {quarter_end.strftime('%Y-%m-%d')} 的热门板块：\n\n")
        f.write(df_top10_list[i][['industry', 'counts', 'pct', 'score']].to_string(index=False))
        f.write("\n\n")

总结

提示：这里对文章进行总结：

上表是2017年-2023年的数据整理，分析每个季度，不同行业板块热度是否存在差异。现在是第三季度，从结果看可以多关注下面这些板块