聚宽(JoinQuant)平台如何获取或计算概念指数的涨幅？

直接回答

是的，您的猜测完全正确。

根据聚宽（JoinQuant）官方 API 文档的说明：

“概念板块目前只可以通过 get_concept_stocks 获取某个概念板块包含哪些股票；目前没有概念板块的行情数据。”

因此，聚宽平台目前没有直接提供概念指数的行情数据（如开高低收、涨跌幅等）。如果您需要获取某个概念指数的涨幅，必须先通过 get_concept_stocks 查出该概念下的所有成分股，然后获取这些成分股的行情数据，最后自行编写代码进行计算。

如何自行计算概念指数的涨幅？

计算概念指数的涨幅通常有两种常见的方法：等权重计算法和市值加权计算法。下面为您提供在聚宽研究环境或回测中可以直接使用的 Python 代码示例。

方法一：等权重计算法（简单平均）

这种方法假设您在概念板块中的每一只股票上投入相同的资金，直接对所有成分股的涨跌幅求平均值。

import pandas as pd
from jqdata import *

def get_concept_return_equal_weight(concept_code, end_date):
    """
    计算概念板块的等权重日涨幅
    :param concept_code: 概念代码，例如 'GN028' (智能电网)
    :param end_date: 计算日期，例如 '2023-10-10'
    :return: float, 等权重涨幅
    """
    # 1. 获取概念成分股
    stocks = get_concept_stocks(concept_code, date=end_date)
    if not stocks:
        return None
    
    # 2. 获取这些股票近两日的收盘价
    df_close = get_price(stocks, end_date=end_date, count=2, fields=['close'], panel=False)
    
    # 3. 数据透视，将长表转换为宽表 (index为日期，columns为股票代码)
    df_pivot = df_close.pivot(index='time', columns='code', values='close')
    
    # 4. 计算每只股票的日涨跌幅
    returns = df_pivot.pct_change().iloc[-1]
    
    # 5. 计算等权重平均涨幅 (自动忽略 NaN 值)
    avg_return = returns.mean()
    
    return avg_return

# 测试调用
# print("等权重涨幅:", get_concept_return_equal_weight('GN028', '2023-10-10'))

方法二：市值加权计算法（更贴近真实指数）

真实的指数（如沪深300）通常是按市值加权的，即市值越大的股票对指数涨幅的影响越大。我们可以利用 get_fundamentals 获取市值数据来进行加权计算。

import pandas as pd
from jqdata import *

def get_concept_return_market_cap_weight(concept_code, end_date):
    """
    计算概念板块的市值加权日涨幅
    :param concept_code: 概念代码，例如 'GN028'
    :param end_date: 计算日期，例如 '2023-10-10'
    :return: float, 市值加权涨幅
    """
    # 1. 获取概念成分股
    stocks = get_concept_stocks(concept_code, date=end_date)
    if not stocks:
        return None
    
    # 2. 获取成分股的总市值
    q = query(valuation.code, valuation.market_cap).filter(valuation.code.in_(stocks))
    df_cap = get_fundamentals(q, date=end_date)
    df_cap.set_index('code', inplace=True)
    
    # 3. 获取近两日收盘价并计算涨跌幅
    df_close = get_price(stocks, end_date=end_date, count=2, fields=['close'], panel=False)
    df_pivot = df_close.pivot(index='time', columns='code', values='close')
    returns = df_pivot.pct_change().iloc[-1]
    
    # 4. 合并涨跌幅与市值数据
    data = pd.concat([returns, df_cap['market_cap']], axis=1)
    data.columns = ['return', 'market_cap']
    
    # 剔除停牌或缺失数据的股票
    data.dropna(inplace=True)
    
    if data.empty:
        return None
        
    # 5. 计算市值加权涨幅
    total_cap = data['market_cap'].sum()
    weighted_return = (data['return'] * data['market_cap']).sum() / total_cap
    
    return weighted_return

# 测试调用
# print("市值加权涨幅:", get_concept_return_market_cap_weight('GN028', '2023-10-10'))

💡 注意事项与优化建议

1. 停牌股票处理：上述代码中使用了 dropna() 来剔除没有计算出涨跌幅的股票（例如停牌导致获取不到有效价格）。在实际策略中，停牌股票的涨跌幅通常视为 0，您可以根据策略的严谨程度决定是剔除还是填充为 0。
2. 概念代码获取：如果您不知道具体的概念代码，可以通过 get_concepts() 函数获取聚宽支持的所有概念板块列表及其对应的代码（如 GN028）。
3. 性能优化：如果您需要在回测中每天计算多个概念的涨幅，建议将 get_price 和 get_fundamentals 的调用批量化，避免在循环中频繁调用 API，以提升回测速度。