精华内容
下载资源
问答
  • 上证180指数成分股聚类研究——基于实时行情.pdf
  • 三种改进的最小二乘法在上50指数及其成分股中的应用,廖磊,周雄斌,本文首先介绍了三种不同的最小二乘改进方法,然后将其用到了上证50指数及其成分股的实证分析中。最后结合上证50指数的短期走势预�
  • 上证50指数成分股列表

    千次阅读 2015-01-12 09:32:21
    上证50指数成分股列表 浦发银行 (600000) 包钢股份 (600010) 华夏银行 (600015) 民生银行 (600016) 上港集团 (600018) 中国石化 (600028) 中信证券 (600030) 招商银行...

    上证50指数成分股列表

    浦发银行 (600000) 包钢股份 (600010) 华夏银行 (600015)
    民生银行 (600016) 上港集团 (600018) 中国石化 (600028)
    中信证券 (600030) 招商银行 (600036) 保利地产 (600048)
    中国联通 (600050) 特变电工 (600089) 上汽集团 (600104)
    国金证券 (600109) 包钢稀土 (600111) 中国船舶 (600150)
    复星医药 (600196) 广汇能源 (600256) 白云山 (600332)
    中航电子 (600372) 国电南瑞 (600406) 康美药业 (600518)
    贵州茅台 (600519) 海螺水泥 (600585) 百视通 (600637)
    青岛海尔 (600690) 三安光电 (600703) 东方明珠 (600832)
    海通证券 (600837) 伊利股份 (600887) 招商证券 (600999)
    大秦铁路 (601006) 中国神华 (601088) 海南橡胶 (601118)
    兴业银行 (601166) 北京银行 (601169) 农业银行 (601288)
    中国北车 (601299) 中国平安 (601318) 交通银行 (601328)
    工商银行 (601398) 中国太保 (601601) 中国人寿 (601628)
    中国建筑 (601668) 华泰证券 (601688) 中国南车 (601766)
    光大银行 (601818) 中国石油 (601857) 方正证券 (601901)
    中国重工 (601989) 中信银行 (601998)
    展开全文
  • 本文以上50指数成分股为例,使用稀疏逆协方差(GraphicalLassoCV)计算股票之间的条件相关性,然后使用聚类分析将行为相似的股票分组在一起并进行可视化。 数据获取 使用tushare pro获取上证50指数成分股收盘价和...

    引言

    股票市场的波动往往存在一定的共振,尤其是同一个行业或主题概念的公司股票,当面临行业基本面的冲击时,其波动存在一定的相似性,即表现出同涨同跌。如果能通过交易行情数据对股票市场的波动结构进行刻画,对于我们深入理解板块轮动和网络关联性具有重要的启示作用。那么如何借助可视化的手段对股票市场结构进行分析呢?机器学习中的无监督学习算法或许可以帮助我们解决这一问题。本文以上证50指数成分股为例,使用稀疏逆协方差(GraphicalLassoCV)计算股票之间的条件相关性,然后使用聚类分析将行为相似的股票分组在一起并进行可视化。

    数据获取

    使用tushare pro获取上证50指数成分股收盘价和开盘价数据,以收盘价减去开盘价作为日波动的替代变量。以下代码使用Jupyter notebook运行。

    import pandas as pd
    import numpy as np
    import matplotlib.pyplot as plt
    from matplotlib.collections import LineCollection
    from sklearn import cluster, covariance, manifold
    %matplotlib inline #Jupyter Notebook显示图形专用
    plt.rcParams['font.sans-serif']=['SimHei']
    plt.rcParams['axes.unicode_minus']=False
    
    import tushare as ts
    token='到tushare pro官网获取你的token'
    pro=ts.pro_api(token)
    #获取上证50成分股票代码和名称
    def get_50_code():
        #获取上证50成分股代码
        dd=pro.index_weight(index_code='000016.SH')
        dd=dd[dd.trade_date=='20201130']
        codes50=dd.con_code.values
        #获取全市场股票基本信息
        df = pro.stock_basic(exchange='', list_status='L')
        df=df[df.ts_code.isin(codes50)]
        codes=df.ts_code.values
        names=df.name.values
        stocks=dict(zip(codes,names))
        return stocks
    
    def get_data(code,start='20191210',end='20201210'):
        df=ts.pro_bar(ts_code=code,adj='qfq', 
                      start_date=start, end_date=end)
        df.index=pd.to_datetime(df.trade_date)
        df=df.sort_index()
        return df
    
    codes, names = np.array(sorted(get_50_code().items())).T
    data=pd.DataFrame({name:(get_data(code).close-get_data(code).open) 
                       for code,name in zip(codes,names)})
    variation=data.dropna().values
    data.head()
    

    上证50成分股股价日变动情况:

    聚类分析

    由于相互关联的股票会在交易中产生共波动,所以我们可以使用无监督学习算法从历史报价中提取股票市场结构的变化,如使用(收盘价-开盘价)来刻画股价每日价格变动,然后使用稀疏逆协方差估计找出哪些股票存在条件相关性。换句话说,稀疏逆协方差可以得到一个方差关联性列表,对于每只股票来说,与之相关的股票有助于解释其波动。然后再使用聚类分析将行为相似的股票分组在一起。scikit-learn提供了十种不同的聚类算法,本文用“Affinity_propagation”(AP算法),主要基于该算法可以从数据中自动选择聚类的数量。AP算法的基本思想是将全部样本看作网络的节点,然后通过网络中各条边的消息传递计算出各样本的聚类中心,关于该算法的详细原理可参考scikit-learn官网或相关书籍。

    # 相关系数
    edge_model = covariance.GraphicalLassoCV()
    X = variation.copy()
    X /= X.std(axis=0)
    edge_model.fit(X)
    _, labels = cluster.affinity_propagation(edge_model.covariance_)
    n_labels = labels.max()
    
    for i in range(n_labels + 1):
        print('Cluster %i: %s' % ((i + 1), ', '.join(names[labels == i])))
    #输出结果:
    Cluster 1: 万华化学
    Cluster 2: 恒瑞医药, 贵州茅台, 伊利股份
    Cluster 3: 山东黄金
    Cluster 4: 三安光电, 闻泰科技, 汇顶科技
    Cluster 5: 浦发银行, 民生银行, 中国石化, 招商银行, 兴业银行, 农业银行, 中国平安, 交通银行, 工商银行, 邮储银行, 光大银行, 中国石油, 中国银行
    Cluster 6: 三一重工, 保利地产, 海螺水泥, 中国神华, 中国铁建, 中国建筑
    Cluster 7: 上海机场, 中信证券, 中国联通, 上汽集团, 海尔智家, 海通证券, 中信建投, 工业富联, 国泰君安, 红塔证券, 中国人保, 新华保险, 中国太保, 中国人寿, 华泰证券, 中国中免, 中国重工, 洛阳钼业
    Cluster 8: 京沪高铁
    Cluster 9: 复星医药, 用友网络, 隆基股份, 药明康德
    
    
    
    数据可视化
    
    
    
    为了将上述聚类分析进行可视化,需要在一个2D画布上布置不同的股票。为此,需要使用“流形”技术来检索二维嵌入。模型的输出组合成一个二维图,其中节点代表股票名称,边表示:
    集群标签用于定义节点的颜色使用稀疏协方差模型来显示边缘的强度二维嵌入用于在平面中定位节点
    node_position_model = manifold.LocallyLinearEmbedding(
        n_components=2, eigen_solver='dense', n_neighbors=6)
    
    embedding = node_position_model.fit_transform(X.T).T
    
    # 可视化
    plt.figure(1, facecolor='w', figsize=(10, 8))
    plt.clf()
    ax = plt.axes([0., 0., 1., 1.])
    plt.axis('off')
    
    # 计算偏相关系数
    partial_correlations = edge_model.precision_.copy()
    d = 1 / np.sqrt(np.diag(partial_correlations))
    partial_correlations *= d
    partial_correlations *= d[:, np.newaxis]
    non_zero = (np.abs(np.triu(partial_correlations, k=1)) > 0.02)
    
    # 使用嵌入的坐标绘制节点
    plt.scatter(embedding[0], embedding[1], s=100 * d ** 2, c=labels,
                cmap=plt.cm.nipy_spectral)
    
    # 画相互关联的边
    start_idx, end_idx = np.where(non_zero)
    segments = [[embedding[:, start], embedding[:, stop]]
                for start, stop in zip(start_idx, end_idx)]
    values = np.abs(partial_correlations[non_zero])
    lc = LineCollection(segments,
                        zorder=0, cmap=plt.cm.hot_r,
                        norm=plt.Normalize(0, .7 * values.max()))
    lc.set_array(values)
    lc.set_linewidths(15 * values)
    ax.add_collection(lc)
    
    #向每个节点添加一个标签,难点在于定位标签,以避免与其他标签重叠
    for index, (name, label, (x, y)) in enumerate(
            zip(names, labels, embedding.T)):
    
        dx = x - embedding[0]
        dx[index] = 1
        dy = y - embedding[1]
        dy[index] = 1
        this_dx = dx[np.argmin(np.abs(dy))]
        this_dy = dy[np.argmin(np.abs(dx))]
        if this_dx > 0:
            horizontalalignment = 'left'
            x = x + .002
        else:
            horizontalalignment = 'right'
            x = x - .002
        if this_dy > 0:
            verticalalignment = 'bottom'
            y = y + .002
        else:
            verticalalignment = 'top'
            y = y - .002
        plt.text(x, y, name, size=10,
                 horizontalalignment=horizontalalignment,
                 verticalalignment=verticalalignment,
                 bbox=dict(facecolor='w',
                           edgecolor=plt.cm.nipy_spectral(label / float(n_labels)),
                           alpha=.6))
    
    plt.xlim(embedding[0].min() - .15 * embedding[0].ptp(),
             embedding[0].max() + .10 * embedding[0].ptp(),)
    plt.ylim(embedding[1].min() - .03 * embedding[1].ptp(),
             embedding[1].max() + .03 * embedding[1].ptp())
    
    plt.show()
    
    

    图表反映了变量之间的条件关系,而聚类反映了边际属性:聚在一起的变量可以被认为在整个股票市场水平上具有类似的影响。从下图中可以看出,无监督学习通过对交易报价信息的提取,可以大致勾勒出上证50指数成分股的一个市场结构,具有相同行业属性或概念属性的个股其波动表现出相似性,如医药、银行、券商、保险、大基建等。

    结语

    机器学习是量化分析的一个重要工具,掌握机器学习算法的基本原理和应用场景可以为我们分析和研究金融市场提供一个参考框架。无监督机器学习中的聚类分析能够从纷繁复杂的数据中提取有用信息,刻画多维特征的“相似性”和“关联性”,再借助网络分析的视角,可以进一步考察数据变量间的微观结构和运动状态。本文参考scikit-learn官方网站示例,对上证50指数成分股的“共波动”结构进行了可视化分析,为大家深入学习机器学习抛砖引玉。关于网络分析方面,Python有个很好用的第三方库——networkx,可以画出各种精美的网络分析图,感兴趣的读者可以进一步了解。

    参考资料:

    scikit-learn官方网站案例:

    https://scikit-learn.org

    /stable/auto_examples/applications/plot_stock_market.html?highlight=plot%20stock%20market

    关于Python金融量化

    专注于分享Python在金融量化领域的应用。加入知识星球,可以免费获取量化投资视频资料、量化金融相关PDF资料、公众号文章Python完整源码、量化投资前沿分析框架,与博主直接交流、结识圈内朋友等。

    展开全文
  • 此API提供包括上证50(sh000016),上证180(sh000010),沪深300(sh000300),中证500(sh000905),中证100(sh000903),深100(sz399330),中小板指(sz399005),创业板指(sz399006) 的历史成份数据。 ...

    此API提供包括上证50(sh000016),上证180(sh000010),沪深300(sh000300),中证500(sh000905),中证100(sh000903),深证100(sz399330),中小板指(sz399005),创业板指(sz399006)

    的历史成份股数据。

     

    例如,要获取上证50(sh000016)的最新成分,发送请求

    http://shuorel.com/ws/index/list/v1/sh000016

    得到结果

    {"data":[{"stock_id":"600000","added_date":"2012-01-04"},{"stock_id":"600010","added_date":"2012-01-04"},{"stock_id":"600015","added_date":"2012-01-04"},{"stock_id":"600016","added_date":"2012-01-04"},{"stock_id":"600018","added_date":"2013-12-20"},{"stock_id":"600028","added_date":"2012-01-04"},{"stock_id":"600030","added_date":"2012-01-04"},{"stock_id":"600036","added_date":"2012-01-04"},{"stock_id":"600048","added_date":"2012-01-04"},{"stock_id":"600050","added_date":"2012-01-04"},{"stock_id":"600104","added_date":"2012-01-04"},{"stock_id":"600109","added_date":"2014-12-15"},{"stock_id":"600111","added_date":"2011-01-04"},{"stock_id":"600150","added_date":"2014-12-15"},{"stock_id":"600518","added_date":"2013-07-01"},{"stock_id":"600519","added_date":"2012-01-04"},{"stock_id":"600585","added_date":"2011-07-01"},{"stock_id":"600637","added_date":"2013-12-20"},{"stock_id":"600795","added_date":"2015-12-14"},{"stock_id":"600837","added_date":"2009-01-05"},{"stock_id":"600887","added_date":"2012-07-02"},{"stock_id":"600893","added_date":"2015-05-21"},{"stock_id":"600958","added_date":"2015-06-15"},{"stock_id":"600999","added_date":"2013-07-01"},{"stock_id":"601006","added_date":"2012-01-04"},{"stock_id":"601088","added_date":"2007-10-23"},{"stock_id":"601166","added_date":"2007-02-26"},{"stock_id":"601169","added_date":"2009-01-05"},{"stock_id":"601186","added_date":"2015-06-15"},{"stock_id":"601211","added_date":"2015-12-14"},{"stock_id":"601288","added_date":"2010-07-29"},{"stock_id":"601318","added_date":"2007-03-15"},{"stock_id":"601328","added_date":"2007-05-29"},{"stock_id":"601336","added_date":"2015-12-14"},{"stock_id":"601390","added_date":"2015-06-15"},{"stock_id":"601398","added_date":"2012-01-04"},{"stock_id":"601601","added_date":"2008-07-01"},{"stock_id":"601628","added_date":"2007-01-23"},{"stock_id":"601668","added_date":"2010-01-04"},{"stock_id":"601669","added_date":"2015-12-14"},{"stock_id":"601688","added_date":"2013-01-04"},{"stock_id":"601766","added_date":"2012-01-04"},{"stock_id":"601800","added_date":"2015-06-15"},{"stock_id":"601818","added_date":"2011-01-04"},{"stock_id":"601857","added_date":"2007-11-19"},{"stock_id":"601901","added_date":"2012-07-02"},{"stock_id":"601985","added_date":"2015-12-14"},{"stock_id":"601988","added_date":"2015-06-15"},{"stock_id":"601989","added_date":"2011-07-01"},{"stock_id":"601998","added_date":"2014-12-15"}],"status":"done"}

     

    如果要获得上证50在2010年7月1日的成分股,发送请求

    http://shuorel.com/ws/index/list/v1/sh000016?date=2010-7-1

    返回结果

    {"data":[{"stock_id":"600000","added_date":"2004-01-02","removed_date":"2011-01-04"},{"stock_id":"600005","added_date":"2004-07-01","removed_date":"2011-01-04"},{"stock_id":"600015","added_date":"2004-01-02","removed_date":"2011-01-04"},{"stock_id":"600016","added_date":"2004-01-02","removed_date":"2011-01-04"},{"stock_id":"600019","added_date":"2004-01-02","removed_date":"2011-01-04"},{"stock_id":"600028","added_date":"2004-01-02","removed_date":"2011-01-04"},{"stock_id":"600030","added_date":"2004-01-02","removed_date":"2011-01-04"},{"stock_id":"600036","added_date":"2004-01-02","removed_date":"2011-01-04"},{"stock_id":"600048","added_date":"2007-01-04","removed_date":"2011-01-04"},{"stock_id":"600050","added_date":"2004-01-02","removed_date":"2011-01-04"},{"stock_id":"600089","added_date":"2010-01-04","removed_date":"2012-07-02"},{"stock_id":"600104","added_date":"2004-01-02","removed_date":"2011-01-04"},{"stock_id":"600362","added_date":"2007-01-04","removed_date":"2011-01-04"},{"stock_id":"600383","added_date":"2010-01-04","removed_date":"2012-07-02"},{"stock_id":"600489","added_date":"2010-01-04","removed_date":"2014-06-16"},{"stock_id":"600519","added_date":"2005-07-01","removed_date":"2011-01-04"},{"stock_id":"600547","added_date":"2010-01-04","removed_date":"2014-12-15"},{"stock_id":"600550","added_date":"2009-07-01","removed_date":"2011-01-04"},{"stock_id":"600739","added_date":"2008-01-02","removed_date":"2011-01-04"},{"stock_id":"600795","added_date":"2004-01-02","removed_date":"2011-01-04"},{"stock_id":"600837","added_date":"2009-01-05"},{"stock_id":"600900","added_date":"2004-01-02","removed_date":"2011-01-04"},{"stock_id":"601006","added_date":"2006-08-15","removed_date":"2011-01-04"},{"stock_id":"601088","added_date":"2007-10-23"},{"stock_id":"601111","added_date":"2007-07-02","removed_date":"2012-07-02"},{"stock_id":"601166","added_date":"2007-02-26"},{"stock_id":"601168","added_date":"2008-01-02","removed_date":"2012-07-02"},{"stock_id":"601169","added_date":"2009-01-05"},{"stock_id":"601186","added_date":"2009-01-05","removed_date":"2011-01-04"},{"stock_id":"601318","added_date":"2007-03-15"},{"stock_id":"601328","added_date":"2007-05-29"},{"stock_id":"601390","added_date":"2008-07-01","removed_date":"2012-01-04"},{"stock_id":"601398","added_date":"2006-11-10","removed_date":"2011-01-04"},{"stock_id":"601600","added_date":"2007-04-30","removed_date":"2013-01-04"},{"stock_id":"601601","added_date":"2008-07-01"},{"stock_id":"601628","added_date":"2007-01-23"},{"stock_id":"601668","added_date":"2010-01-04"},{"stock_id":"601727","added_date":"2009-07-01","removed_date":"2010-07-29"},{"stock_id":"601766","added_date":"2009-07-01","removed_date":"2011-01-04"},{"stock_id":"601857","added_date":"2007-11-19"},{"stock_id":"601898","added_date":"2009-01-05","removed_date":"2013-07-01"},{"stock_id":"601899","added_date":"2009-01-05","removed_date":"2014-06-16"},{"stock_id":"601919","added_date":"2008-07-01","removed_date":"2012-01-04"},{"stock_id":"601939","added_date":"2008-01-02","removed_date":"2012-01-04"},{"stock_id":"601958","added_date":"2009-07-01","removed_date":"2013-01-04"},{"stock_id":"601988","added_date":"2006-07-19","removed_date":"2011-01-04"}],"status":"done"}

    转载于:https://www.cnblogs.com/shuorel/p/5454544.html

    展开全文
  • 那么这50家按市值被纳入指数成分股,到底区块链的成色几何? 链茶馆与你共同一探究竟。 —1— 概念股,更多是概念 深区块链50指数的纳入标准很简单粗暴,在深交所上市且近半年来涉及区块链业务的市值TOP50

    深证区块链50指数的成色,在某种程度上也是目前国内区块链产业的成色。

    7月29日,A股全线上涨,其中区块链板块也表现不俗,作为国内区块链产业晴雨表的深证区块链50指数收涨3.44%。

    这个由深交所在2019年12月发布的指数,纳入了50家在深交所上市且涉及区块链业务的公司,可以说是区块链概念股中股了。

    那么这50家按市值被纳入指数的成分股,到底区块链的成色几何?

    链茶馆与你共同一探究竟。

    —1—

    概念股,更多是概念

    深证区块链50指数的纳入标准很简单粗暴,在深交所上市且近半年来涉及区块链业务的市值TOP50公司。

    也就是说,一家在深交所上市且市值还不错的公司,只要宣布决定布局区块链,就有资格被纳入区块链50指数。

    所以在这50只成分股中,区块链成色的深浅并不相同。

    既有平安银行、美的集团、顺丰控股、巨人网络等我们通常可以理解的投入区块链业务的公司,也有做票据印刷的东港股份、做付费版权的视觉中国、做广告营销的省广集团、做基因检测的华大基因等与区块链应用场景相关的公司。

    区别在于,前者有实力且有必要投入专门的区块链研发团队来布局新赛道,并赋能自己的主营业务,而后者按照正常逻辑来讲,可以有但没必要研发区块链,直接选择SaaS产品即可。

    最让人意外的是做中成药的紫鑫药业、做光伏配件的爱康科技和做生态环保的京蓝科技也被纳入了区块链50指数。

    而区块链50指数已经是优中选佳的结果了,毕竟整个A股的区块链概念股就达200多只。

    即使那些已经实现了区块链技术落地的上市公司,目前也还没有形成主要的营收和利润,更不用说那些实际并未形成任何区块链研究和投入的蹭热点概念的公司了。

    区块链50指数与深沪300指数对比

    总而言之,深证区块链50指数只能反映出主流市场对于区块链概念的认可度,而与区块链产业的发展及实际落地关联度不大,不能作为国内区块链产业的晴雨表。

    —2—

    被踢出局——只有概念的概念股

    尽管区块链50指数的含“链”量不高,但这是整个深交所上市公司的综合表现决定的,而那些被指数踢出或被选中的上市公司,比较能够典型代表上市公司在区块链产业相关方面的整体表现。

    按照此前的规定,深证区块链50指数会每半年调整一次成分股,而每次调整数量不超过总数的10%(也就是5只)。

    2020年6月份,深证区块链50指数首次调整成分股标的。

    踢出的有*ST晨鑫、奥马电器、光环新网、文化长城和新国都共5家,取而代之的是传化智联、奥拓电子、红相股份、博思软件、数字认证。

    *ST晨鑫因为被实行“退市风险警示”而由晨鑫科技被变更为“*ST晨鑫”。

    2018年,晨鑫科技发布了一款区块链电竞加速路由器——竞斗云,用GCP算力值兑换电竞场景的产品及服务,后来矿机暴雷了,目前公司还在退市的边缘。

    奥马电器曾大力布局金融科技,号称“币改第一股”,实控人赵国栋是资深币圈人士。

    奥马电器号称从2016年就开始研究数字货币及区块链技术,并且参与了央行数字货币的设计。2018年,赵国栋与FCoin张健共同站台QOS,最后深陷非法融资、区块链诈骗的漩涡。

    光环新网的主营业务是IDC及其增值服务以及云计算,目前总市值405亿元。2018年成立子公司无双科技,专门开发联盟链“云区块”,后来项目就悄无声息了。

    新国都是一家做支付的公司,上周在答投资者问时,其董秘表示公司“专注于区块链技术与支付领域结合的相关研究”,划重点——“相关研究”,只是在研究……

    文化长城是一家陶瓷公司,之所以被看作是区块链概念股,是因为有6项软件著作权的名称或说明中涉及区块链……

    —3—

    被选中——跨界区块链

    而被最新选中到区块链50指数的公司中,有传化智联、奥拓电子、红相股份、博思软件、数字认证共5股。

    他们都是跨界到区块链的,当然能否跨界成功又是另一回事。

    传化智联是国内最大的纺织印染助剂生产企业,同时物流业务也贡献了很大部分的营收,所以传化智联的区块链业务是与物流服务相关的。

    2017年,传化智联启动了区块链BaaS平台,致力于提供三大块的解决方案:区块链存证服务、基于区块链的供应链金融服务、以及区块链账本与数据服务。

    当然,传化智联目前似乎只能做数据上链。

    奥拓电子是研发LED显示屏的,在全球市场上都很有竞争力。

    2017年,奥拓电子成立区块链研发团队,私有链、联盟链和公链都尝试过。2019年还中标了建设银行E存托原型设计项目,基于区块链技术来设计实现存托凭证(CDR)的管理流程。

    似乎也只是做到了数据上链。

    红相股份是一家做电力监测的公司,自身没有区块链研发团队。但是在2019年和杭州趣链科技达成了战略合作,双方计划就区块链底层技术与电力物联网开展合作。

    一年过去了,红相股份关于区块链的最新消息是把去年的消息复读了一遍,此外没有任何消息跟进,所以说目前还是纯概念的区块链概念股。

    博思软件是做财政票据电子化的,自2019年以来涨了4倍左右,目前市盈TTM是137。

    博思软件今年拟成立合资公司来提供基于区块链等技术的电子票据业务,而博思软件的票据管理系统的市场占有率是全国第一。

    数字认证是一家做数字认证的公司。2019年,数字认证称公司正积极研发数字货币相关的密码技术。所以但凡有任何关于央行数字货币的利好消息,数字认证就会涨停。

    5家新纳入的公司中,有的所涉及的领域与区块链落地应用场景非常契合,等到技术成熟,也许他们会将以最快的速度占领市场。

    深证区块链50指数的成色斑驳,充斥着不少只有概念的概念股,但也有不少亮点。

    总而言之,深证区块链50指数的成色,在某种程度上也是目前国内区块链产业的成色。

    展开全文
  • import tushare as ts import pandas as pd import numpy as np import datetime from dateutil.relativedelta import relativedelta today = datetime.datetime.today().strftime('%Y%m%d') #获取今天的年月日 ...
  • 作者:邱祥宇12月24日,深圳证券交易所和深圳证券信息有限公司发布深区块链50指数指数代码:399286),以反映深圳证券市场区块链产业相关公司的表现和丰富指数化投资工具。指数基点为...
  • 上证50成分股 上证50指数依据样本稳定性和动态跟踪相结合的原则,每半年调整一次成份股,调整时间与上证180指数一致。特殊情况时也可能对样本进行临时调整。 每次调整的比例一般情况不超过10%。样本调整设置缓冲...
  • 上证指数

    2009-03-05 00:15:00
    上证指数(SH000001) 的全称是上海证券交易所股票价格综合指数,是由上海证券交易所编制的股票指数,1990年12月19日正式开始发布。该股票指数的样本为所有在上海证券交易所挂牌上市的股票,其中新上市的股票在挂牌...
  • 基于LSTM的上证指数预测

    千次阅读 2019-03-28 10:53:52
    一、为什么使用LSTM 循环神经网络与传统神经网络模型最大不同之处是加入了对时序数据的处理,将某支股票的长期因子数据作为时间序列,取过去一段时间内的...上证指数从定性上来说,是一种非线性、非平稳的序列,这...
  • 先明确一下概念,现在一般说的上证指数证综合指数,样本是所有在上海证券交易所上市的股票。 现在最常用的反映深交所股票走势的指数是深圳成分股指数(通常简称深圳成指),用的是40只深圳证券交易所上市的股票...
  • 一是抽样,即在众多股票中抽取少数具有代表性的成份; 二是加权,按单价或总值加权平均,或不加权平均; 三是计算程序,计算算术平均数、几何平均数,或兼顾价格与总值。 由于上市股票种类繁多,计算全部上市股票...
  • % 给定日期下从wind拉取指数成分股及权重 2908 只股票,在某日下 20160825 股票 dateStr= '20160825' ; % 20160825 日期,可随时调整 更多是当日的信息 indexStr= '881001.WI' ; %wind全A stockName=[]; % '...
  • 三大指数早盘全线高开,随后指数震荡回落并出现明显分化,上证指数和深圳成指在石油和保险两大权重板块的攻带动下再度于午后走出震荡回升格局,而创业板指数受新能源以及新能源汽车锂电池题材联袂调整拖累,整体...
  • 现在很多人有闲余的资金可能会进行股票理财,在买股票前最好要先...股票学习之b股指数的定义是由证券交易所编制的成分股指数,它是根据所有b股市场代表的上市公司股票计算得出的。通过加权已发行股票计算的加权股...
  • 上证指数一路震荡走高,而以宁组合为代表的成长方向的继续走弱使得创业板指数一路走低,再度回踩半年线。从概念板块涨幅榜看,受政策利好,煤炭采选、光伏建筑一体化、化肥行业、抽水蓄能、煤化工、稀缺资源等碳中和...
  • 本实例来源于 MOOC_Python机器学习应用_第二周有监督学习_分类_上证指数预测涨跌. 由于下载不了课程所附的源数据,我采取了另一种渠道(调用tushare数据)来获取上证指数及个股数据。 附课程链接:...
  • 详细查询上交所、深交所 成分指数是根据科学客观的选样方法挑选出的样本形成的指数,...上海证券综合指数简称“上证指数”或“综指”,其样本是在上海证券交易所全部上市股票,包括A和B 目前证...
  • 动量是Fama-French五因子模型中的因子之一,...选股范围:中证800及中证1000成分股(简称“CI1800”) 时间范围:2018/01/01-2019/12/09 数据来源:网易财经(收盘价/除权) 1.数据总览:2018/2019CI1800表现对比...
  • 论文范文以宏观经济指标和人工智能方法为基础的上证综合指数预测 1.绪论 总结国内外股票预测方法,大致可以分为三类:一以基本分析技术分析为主的传统方法;二以时间序列为主的计量经济学方法;三以神经网络和支持向量为...
  • 昨日上午三大指数继续震荡,市场整体呈现出沪强深弱格局。行业板块涨幅来看,钠离子电池、储能、刀片电池、虚拟电厂、煤炭采选、充电桩、特高压、氢能源等板块涨幅居前;而社保重仓、毛发医疗、鸿蒙概念、3D摄像头、...
  • 成份和成份股指数

    2009-06-18 09:26:00
    成份股 通过对股票市场一些有代表性的公司发行的股票价格进行平均计算和动态对比后得出的数值被称为股票...成分股就是一整套股票里的每只,比如50etf里的股票就叫50etf的成分股.  上证180指数和深100指数...
  • 原创 | 点宽学院 作者 | 点小宽 全文字数 2366字,建议阅读时长 8 分钟。 01 策略原理 根据CAPM理论,一种资产的价格应该仅与系统性风险相关,并...上证综指成分股包含了在上海交易所上市的全部A股股票,包含了大中小市
  • 最强红利指数——标普A红利机会指数全解析 作者:@超级巴飞特 ,感谢老巴鼎力支持[大笑] https://xueqiu.com/2478797769/108940942 小红按:这是一篇旧文,不过对于新红粉来说还是很有参考价值哟~[俏皮] ...
  • 上海证券交易所和中证指数有限公司日前宣布,自2013年下半年起调整指数样本定期更换的时间,包括沪深300、上证180等主要指数的样本定期更换,提前至每年6月和12月的第二个周五收市后生效。  相关人士表示,目前中证...
  • 股票价格指数

    千次阅读 2008-11-17 17:39:00
    股票价格指数 股票价格指数简介 股票价格指数即股票指数。是由证券交易所或金融服务机构编制的表明股票行市变动的一种供参考的指示数字。由于股票价格起伏无常,投资者必然面临市场价格风险。对于具体某一种股票的...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 1,285
精华内容 514
关键字:

上证指数的成分股