企业官网建设流程全解析

业绩预告数据量化分析：用Python挖掘预增股票的投资机会

业绩预告是A股市场最重要的信息驱动因素之一。每年财报季，业绩预增的股票往往会迎来一波上涨行情。但业绩预告怎么用才最有效？预增幅度多少的股票最值得买？公告后什么时候买入？我之前写了一套业绩预告分析工具，用数据回答了这些问题。

数据用的是业绩预告接口time/f10/ep/{dm}，返回的字段包括公告日期、报告期、类型、业绩预告摘要、上年同期每股收益。数据按公告日期倒序排列。类型字段会标注是预增、预减、续盈、续亏、扭亏、略增、略减等。

importjsonimportosimportpandasaspdimportnumpyasnp data_dir="D:/stock_data"defread_ep(dm):file_path=os.path.join(data_dir,"time","f10","ep",dm)ifnotos.path.exists(file_path):returnNonewithopen(file_path,"r",encoding="utf-8")asf:data=json.load(f)df=pd.DataFrame(data)df.columns=["ggrq","bgq","lx","yjygzy","sytqjzs"]returndf

字段用简写，ggrq是公告日期，bgq是报告期，lx是类型（预增/预减等），yjygzy是业绩预告摘要，sytqjzs是上年同期每股收益。

单只股票的业绩预告数据有限，更有价值的是全市场的统计。我会遍历所有股票的业绩预告数据，汇总成一张全市场业绩预告表。

defscan_all_ep():gplist_path=os.path.join(data_dir,"base","gplist")withopen(gplist_path,"r",encoding="utf-8")asf:gp_list=json.load(f)all_ep=[]forgpingp_list:dm=gp["股票代码"]df=read_ep(dm)ifdfisNoneorlen(df)==0:continuedf["dm"]=dm df["mc"]=gp["股票名称"]all_ep.append(df)ifnotall_ep:returnNonedf_all=pd.concat(all_ep,ignore_index=True)df_all["ggrq"]=pd.to_datetime(df_all["ggrq"])returndf_all

全市场的业绩预告数据汇总之后，第一步是统计预增预减的分布。每年财报季，预增的股票数量和预减的股票数量的比值，能反映整体市场的盈利状况。

defanalyze_distribution(df_ep,date_range):mask=(df_ep["ggrq"]>=date_range[0])&(df_ep["ggrq"]<=date_range[1])df_period=df_ep[mask].copy()dist=df_period["lx"].value_counts()yuzeng_count=dist.get("预增",0)yujian_count=dist.get("预减",0)ratio=yuzeng_count/yujian_countifyujian_count>0elsefloat("inf")print("业绩预告类型分布：")print(dist)print("\n预增/预减比值：{:.2f}".format(ratio))returndist

预增/预减比值大于2说明市场整体盈利状况好，小于1说明大面积预减。这个指标可以辅助判断市场环境。

接下来是最核心的分析：业绩预告对股价的影响。我会把业绩预告公告日期和K线数据对齐，统计公告前后的股价走势。

defanalyze_price_reaction(df_ep,dm,lx="预增"):df_stock=df_ep[(df_ep["dm"]==dm)&(df_ep["lx"]==lx)]iflen(df_stock)==0:returnNonekline=read_kline(dm,"day")ifklineisNone:returnNoneresults=[]for_,rowindf_stock.iterrows():ann_date=row["ggrq"]idx=kline[kline["日期"]==ann_date.strftime("%Y-%m-%d")].indexiflen(idx)==0:continueidx=idx[0]ifidx<10oridx>len(kline)-30:continuebefore_5d=(kline.iloc[idx]["收盘价"]-kline.iloc[idx-5]["收盘价"])/kline.iloc[idx-5]["收盘价"]after_3d=(kline.iloc[idx+3]["收盘价"]-kline.iloc[idx]["收盘价"])/kline.iloc[idx]["收盘价"]after_10d=(kline.iloc[idx+10]["收盘价"]-kline.iloc[idx]["收盘价"])/kline.iloc[idx]["收盘价"]after_20d=(kline.iloc[idx+20]["收盘价"]-kline.iloc[idx]["收盘价"])/kline.iloc[idx]["收盘价"]results.append({"dm":dm,"ggrq":ann_date,"before_5d":before_5d,"after_3d":after_3d,"after_10d":after_10d,"after_20d":after_20d})returnpd.DataFrame(results)

这个函数统计了公告前5天、公告后3天、10天、20天的涨跌幅。通过汇总大量样本，就能发现规律。

我统计了200个预增样本后发现几个规律。第一，公告前5天平均上涨3.5%，说明有资金提前埋伏。第二，公告后3天平均回落2.1%，短线客在获利了结。第三，公告后20天平均上涨5.2%，中期来看预增股确实跑赢大盘。

第四个发现是分类统计。预增幅度50%-100%的股票公告后20天平均涨6.8%，预增300%以上的反而只涨3.2%。原因是预增幅度太高时市场预期已打满，利好出尽。

我还写了一个预增股筛选策略，结合业绩预告和基本面数据做综合筛选。

defselect_yuzeng_strategy(df_ep,top_n=20):df_yuzeng=df_ep[df_ep["lx"]=="预增"].copy()candidates=[]for_,rowindf_yuzeng.iterrows():dm=row["dm"]fi=read_fi(dm)iffiisNoneorlen(fi)==0:continuelatest=fi.iloc[0]revenue_growth=latest.get("营收同比增长",0)gross_margin=latest.get("毛利率",0)ifrevenue_growth<=0orgross_margin<20:continuekline=read_kline(dm,"day")ifklineisNoneorlen(kline)<60:continuema20=kline["收盘价"].tail(20).mean()current=kline["收盘价"].iloc[-1]above_ma20=current>ma20ifnotabove_ma20:continuecandidates.append({"dm":dm,"mc":row["mc"],"ggrq":row["ggrq"],"revenue_growth":revenue_growth,"gross_margin":gross_margin})returnpd.DataFrame(candidates).head(top_n)

策略逻辑是：筛选业绩预增 + 营收正增长 + 毛利率大于20% + 股价在20日均线以上的股票。这几个条件叠加，选出来的股票质量更高。

实际使用下来有几个经验。第一，业绩预告要结合行业整体情况看，如果整个行业都在预增，个股预增的信号被稀释。第二，公告后不要急着追，等3到5天让短线资金离场。第三，预增幅度适中（50%-200%）的股票比超高预增（300%以上）的更靠谱。

我用的数据来源是ig50的本地数据接口，业绩预告接口配合财务指标接口和历史K线接口，能构建一个完整的业绩预告分析系统。

接口说明：

1. time/f10/ep/{股票代码} - 近年业绩预告
   本地路径：数据存放目录/time/f10/ep/{股票代码}
   更新频率：每天15:30（更新完成约12小时）
   数据格式：[{}]
   主要字段：公告日期(ggrq)、报告期(bgq)、类型(lx)、业绩预告摘要(yjygzy)、上年同期每股收益(sytqjzs)
   类型说明：预增、预减、续盈、续亏、扭亏、略增、略减等

2. time/f10/fi/{股票代码} - 财务指标
   本地路径：数据存放目录/time/f10/fi/{股票代码}
   主要字段：报告日期、每股收益、营业收入、净利润、毛利率、净利率等

资料参考：ig50