├── readme.md
├── chap 3.ipynb
├── preface.ipynb
├── chap1.ipynb
└── chap2.ipynb
/readme.md:
--------------------------------------------------------------------------------
1 |
2 | 随着zillionare 1.0上线，本教程将基于zillionare 1.0重写。zillionare 1.0提供了出色的性能体验。根据测试，初次同步6年的数据（30分钟及以上k线），仅需12分钟左右(DELL 620机型，电信100M宽带）。
3 |
4 | 本教程使用Jupyter Notebook的格式（即ipynb文件）。为了获得更好的阅读体验，您可以：
5 |
6 | 1. 从[解语科技](http://www.jieyu.ai)官网阅读本教程
7 | 2. 您还可以[下载](http://www.jieyu.ai/products/)安装zillionare 1.0容器发行版。安装完成后，将自带本教程，且环境都已配置好，您不仅可以阅读本教程，还可以修改、运行相关代码。
8 |
9 |
10 | 这份教程结合了作者自己在投资和开发大富翁过程中的一些思考，现在发布出来，与大家共同探讨。教程既探讨了如何构建一个高性能、分布式交易系统这样的工程问题，也探讨了如何准备数据，建立AI模型这样的算法问题，希望能以此为出发点，与同样从事AI量化交易的同行们进行交流。
11 |
12 |
--------------------------------------------------------------------------------
/chap 3.ipynb:
--------------------------------------------------------------------------------
1 | {
2 | "cells": [
3 | {
4 | "cell_type": "markdown",
5 | "id": "auburn-medicare",
6 | "metadata": {},
7 | "source": [
8 | "# 第二章 交易日历和时间计算"
9 | ]
10 | },
11 | {
12 | "cell_type": "code",
13 | "execution_count": 1,
14 | "id": "chicken-mexican",
15 | "metadata": {},
16 | "outputs": [
17 | {
18 | "name": "stdout",
19 | "output_type": "stream",
20 | "text": [
21 | "20050104~20230209\n",
22 | "20050107~20230209\n",
23 | "20050131~20230209\n"
24 | ]
25 | }
26 | ],
27 | "source": [
28 | "from omicron.core.timeframe import tf\n",
29 | "\n",
30 | "print(f\"{tf.day_frames[0]}~{tf.day_frames[-1]}\")\n",
31 | "\n",
32 | "print(f\"{tf.week_frames[0]}~{tf.week_frames[-1]}\")\n",
33 | "\n",
34 | "print(f\"{tf.month_frames[0]}~{tf.month_frames[-1]}\")"
35 | ]
36 | },
37 | {
38 | "cell_type": "markdown",
39 | "id": "technological-auditor",
40 | "metadata": {},
41 | "source": [
42 | "在上面的API中，我们定义了行情数据的起始和结束区间。但是，在量化交易中，我们常常需要知道某个区间包含多少条数据记录。比如，当我们要计算2020年12月5日这一天，某支股票的季线、月线和10日线时，更方便的使用方法是指定结束日期，和要获取的记录条数。至于这段时间的起点是哪一天，我们并不特别关心。\n",
43 | "\n",
44 | "由于存在节假日休市的情况，在上述场景下，要正确地计算出起始日期就更困难了。因此，Omicron提供了一个`timeframe`模块，来帮助做时间帧方面的计算。"
45 | ]
46 | },
47 | {
48 | "cell_type": "markdown",
49 | "id": "annoying-differential",
50 | "metadata": {},
51 | "source": [
52 | "timeframe模块以数组的形式，提供了所有的交易日、周线收盘日和月线收盘日。\n",
53 | "\n",
54 | "可以看出，大富翁提供的日线帧从2005年1月4日开始，到2023年2月9日结束。不过，对于还没有到来的日子，具体某一天是交易日还是休市日，都还不确定，这个数据我们会实时更新的。\n",
55 | "\n",
56 | "周线和月线帧的最后结束日并没有对齐，当然由于这一天还非常遥远，所以这里的数据也没有对错之分。\n",
57 | "\n",
58 | "在大富翁里，你会经常看到时间帧的概念。因为对交易数据来说，数据总是在固定的时间点进行汇总，所以不应该使用普通意义上的时间概念。比如2019年1月4日的10时35分，对于1分钟线和5分钟线是有意义的，对于其它周期则是意义的。我们把这个时间点称作5分钟（或者1分钟）的一个时间帧。\n",
59 | "\n",
60 | "timeframe模块提供了以下主要功能:\n",
61 | "\n",
62 | "- int2time/time2int/date2int/int2date\n",
63 | " \n",
64 | " 在进程间及不同的模块间传递时间数据时常常容易发生问题，比如，你无法直接往redis缓存里存入时间数据。所以，大富翁使用整数来存储日期/时间。比如，20050104代表2005年1月4日，200501041030代表2005年1月4日10时30分钟。使用这种表示，比较节省内存，同时时间之间仍然可以比较，并没有改变它们之间的次序。\n",
65 | " \n",
66 | "- shift函数及衍生的各种*_shift函数\n",
67 | "\n",
68 | " 给定一个时间，比如2019年1月4日，如果我们需要知道4个交易日前的那一天是哪一天，这时候就需要使用shift/day_shift函数。\n",
69 | " \n",
70 | "- count_*_frames 计算两个时间帧之间共有多少个时间帧。\n",
71 | "- is_trade_day 判断某天是否是交易日\n",
72 | "- is_open_time 判断某个时间点是否处于开盘期间\n",
73 | "- is_opening_call_auction_time 判断某个时间点是否属于早盘集合竞价时段\n",
74 | "- is_closing_call_auction_time 判断某个时间点是否属于尾盘集合竞价时段\n",
75 | "- floor 根据frame_type,将给定的时间对齐到最接近的上一个frame\n",
76 | "- ceiling 对应于floor\n",
77 | "- frame_len 对给定的分钟级别线，求一个交易日包含多少个周期\n",
78 | "- first_frame 不同的周期，每天开盘的第一个时间帧是不一样的。比如对分钟线，第一个时间帧是9:31，对5分钟线则是9:35分。这个函数用于获得指定日期的对应周期的第一帧\n",
79 | "- get_frames 获取给定的起始时间和结束时间间，指定的周期对应的时间帧\n",
80 | "- get_frames_by_count，类似于get_frames，但参数不一样\n",
81 | "- combine_time 将指定的日期与时间结合成一个新的datetime\n",
82 | "\n",
83 | "这些功能非常基础，也十分重要。当您开始获取数据、编写策略时，会越来越依赖于它们。"
84 | ]
85 | },
86 | {
87 | "cell_type": "markdown",
88 | "id": "comparable-norwegian",
89 | "metadata": {},
90 | "source": [
91 | "Aha! jq提供的交易数据都是起始于2005年1月4日的。因此，如果你要追忆老八股当年的盛况，还得使用其它数据源。不过，对我们短线量化而言，这个数据已足够充分了。实际上，过久的历史数据如果不能正确使用，反倒会让你得出错误结论。比如，一些股票退市了，会导致幸存者偏差（幸运的是，为了不让你们出这种错误，村里很少让股票退市！）；这期间发生的重大的制度改革（比如股权分置改革就是从2005年起的），则会对某些分析方法产生影响。当然，对于短线而言，我们只关心股价，我们认为一切因素都反映在股价里。所以只要股本变动、除权除息这些事都已正确记录的话，几乎仅凭行情数据本身，我们仍然可以分析出正确结论。"
92 | ]
93 | }
94 | ],
95 | "metadata": {
96 | "kernelspec": {
97 | "display_name": "Python 3",
98 | "language": "python",
99 | "name": "python3"
100 | },
101 | "language_info": {
102 | "codemirror_mode": {
103 | "name": "ipython",
104 | "version": 3
105 | },
106 | "file_extension": ".py",
107 | "mimetype": "text/x-python",
108 | "name": "python",
109 | "nbconvert_exporter": "python",
110 | "pygments_lexer": "ipython3",
111 | "version": "3.8.5"
112 | },
113 | "toc": {
114 | "base_numbering": 1,
115 | "nav_menu": {},
116 | "number_sections": true,
117 | "sideBar": true,
118 | "skip_h1_title": false,
119 | "title_cell": "Table of Contents",
120 | "title_sidebar": "Contents",
121 | "toc_cell": false,
122 | "toc_position": {},
123 | "toc_section_display": true,
124 | "toc_window_display": true
125 | }
126 | },
127 | "nbformat": 4,
128 | "nbformat_minor": 5
129 | }
130 |
--------------------------------------------------------------------------------
/preface.ipynb:
--------------------------------------------------------------------------------
1 | {
2 | "cells": [
3 | {
4 | "cell_type": "markdown",
5 | "id": "documented-insurance",
6 | "metadata": {},
7 | "source": [
8 | "股价的涨跌预测一直是一个令人众里寻他千百度的热点话题。财经大V，老师和各类骗子每天乐此不疲，为韭菜供给\"养分\"。那么，股价真的可以预测吗？\n",
9 | "\n",
10 | "开写《大富翁量化交易教程》，也必须回答好这个问题。如果股价能否预测是个伪命题，这个开题就没有必要；但是如果股价可以预测，为什么连证券公司的某首席科学家又一直在出错？为什么一些长期绩优的基金经理坚持说自己不做择时操作？\n",
11 | "\n",
12 | "我们认为，股价运动固然有其复杂性，但就象万物运动一样有其规律，也遵循这个世界的普遍自然规律和经济学原理。在某种程度上，它也是可以预测的：\n",
13 | "\n",
14 | "- 惯性定律\n",
15 | "\n",
16 | "最早人类认识到机械运动的惯性特性，大概是从伽俐略时代开始。后来牛顿通过三大定律，完美地解释了低速状态下刚体运行的规律，从而成了为行星描绘轨迹的人。\n",
17 | "\n",
18 | "{: style=\"width:200px\" align=left }\n",
19 | "\n",
20 | "三大定律中的第一定律，指出任何物体都要保持匀速直线运动或静止状态，直到外力迫使它改变运动状态。\n",
21 | "\n",
22 | "在证券交易领域，惯性定律也同样适用。交易大师利弗莫尔这样说过：趋势一旦形成，就不会轻易改变，股价总是沿阻力最小的方向前进。这句许多交易者都耳熟能详的话，包含了两个自然规律：一是**惯性定律**，即趋势一旦形成，就不会轻易改变。二是梯度下降法则。\n",
23 | "\n",
24 | "量化交易就是要去发现当前的趋势是什么，以及梯度的方向是什么。\n",
25 | "\n",
26 | " - 钟摆定律（周期运动律）\n",
27 | "\n",
28 | "自然世界中有很多运动都是周期往复的，包括地球的自转本身就是一种周期。为了让人们直观地观测到地球的自转，著名法国物理学家莱昂.傅科设计了如下的一个钟摆，至今还在法国先贤祠里展示：\n",
29 | "\n",
30 | "{: style=\"height:200px\" align=right}\n",
31 | "\n",
32 | "这也是钟摆与周期的一种直观演示。实际上几乎所有的运动的轨迹，都可以通过不同频率和相位的正弦波叠加出来，而正弦波就是一个围绕中心点、周期往复的运动。\n",
33 | "\n",
34 | "同样的，在经济领域，经济的周期律更是为大家熟悉，这方面有许多皇皇巨著。\n",
35 | "\n",
36 | "钟摆定律在证券交易中的体现之一是，在允许投机的市场，价格并不必然等同于价值，但必定以价值为中心点进行上下波动。价格离价值中心越远，回归价值中心的力量就越强，就象一个钟摆一样运动。\n",
37 | "\n",
38 | "从长期来看，我们可以把PE（市盈率）当作股票价值的中枢；从短期来看，平均交易成本（即各种均线）也是一个很好的价值中枢。\n",
39 | "\n",
40 | "- 混沌效应\n",
41 | "\n",
42 | "{: style=\"height:200px\" align=left}\n",
43 | "\n",
44 | "混沌效应又称为蝴蝶效应。蝴蝶效应一词来自一个比喻，“一只南美洲亚马逊河流域热带雨林中的蝴蝶，偶尔扇动几下翅膀，可以在两周以后引起美国得克萨斯州的一场龙卷风”。它的含义是指，在一个动力系统中，初始条件下微小的变化能带动整个系统的长期的巨大的连锁反应。\n",
45 | "\n",
46 | "证券价格沿时间线的变化构成时间序列，时间序列分布遵循分形分布（【资本市场的混沌和秩序：一种关于周期、价格和市场波动的新观点 】，Peters等，1996年）。在处于平衡态的时间序列上，小级别的分形形态改变，将可能引发大级别的趋势改变，也即混沌效应。\n",
47 | "\n",
48 | "在量化交易策略中，要特别注意小级别的分形形态的改变对大级别趋势的引领作用。比如，日线级别的下跌，可能是由30分钟级别的滞涨和拐头引起的；老股民所熟知的长上影线出现后，可能导致激烈的洗盘，其实就是在更小的级别上，出现了向下的趋势。及时捕捉到小级别上的变化并退出市场，就可以避免更大的损失。\n",
49 | "\n",
50 | "混沌效应也许是量化交易中我们惟一可以做“预测”的地方。小级别周期上的趋势一旦形成，系统会越来越远离平衡态，进而带动大级别周期上趋势的形成。直到周期定律将趋势扭转。而这种扭转，毫无疑问仍然是率先从小级别周期上发生的。\n",
51 | "\n",
52 | "- 测不准原理\n",
53 | "\n",
54 | "{: style=\"width:200px\" align=right}\n",
55 | "\n",
56 | "在量子力学里，测不准原理是指粒子的位置与动量不可同时被确定，位置的不确定性越小，则动量的不确定性越大，反之亦然。之所以会出现测不准的现象，是因为当我们进行观测时，必然要通过与被观测者的交互和交换才能获得信息，而在这个交换的过程中，也就改变了被观测对象。很多低等生物没有眼睛，不能靠光来观测周围的世界。他们依靠气味等等来观察世界。气味的感知实质上是一种不可逆的化学反应。\n",
57 | "\n",
58 | "在股市中，交易者也就是观测者。他们投入或者取出资金，价格是被观测对象，赚或者赔是他们得到的观测结果。然而，每一次观测，都在影响着市场。比如，对一支流动性不足的证券品种，即使只花很少的钱来买入，也足以拉高股价（改变了被观测对象），从而失去了继续买入的前提条件。\n",
59 | "\n",
60 | "- 羊群效应\n",
61 | "\n",
62 | "在市场中，改变惯性运动的外力从何而来？趋势究竟是如何形成的？\n",
63 | "\n",
64 | "在投资市场中，大众的资金总是被少数有领导力的资金带动。这些有领导力的资金有更好的消息渠道（合法或者不合法)。他们得到消息后，进行预判，并通过操作来影响市场大众的判断，从而最终影响股价的波动。这就象头羊带动羊群一样。因此，改变惯性运动的外力就是这些资金。比如在2021年初，A股的下跌，正是由于海外第一大资金抛售茅台和新能源车带动的。\n",
65 | "\n",
66 | "到此为止，左右股价运行的基本原理就介绍完毕。\n",
67 | "\n",
68 | "如果左右股价的基本原理都已发现，为什么到目前为止，仍然不能象欧几里德建立他的几何王国，牛顿预言行星的运动一样，预测股价的波动呢？原因也正在这些原理本身。\n",
69 | "\n",
70 | "首先，测不准原理告诉我们，一个好的策略一定是不为大众所知的。所以，即使有一个好的数学方法，一旦它得以公开，就基本失去了作用。一些经典的技术指标现在之所以用得越来越少，这是原因之一。\n",
71 | "\n",
72 | "第二，当新的消息（外力）出现时，股价会出现突变，从而构成数学上的不连续性。一个不连续的系统是不可微的，也难以使用经典的数学分析方法来分析。一个例外是近来比较流行的策略是动量策略，它本质上是对惯性定律的使用，也只在短时间内有效，需要根据行情的演进不断地修正预测。\n",
73 | "\n",
74 | "第三，在大数据和人工智能出现之前，预测股价还存在算力上的不可行。由于机器学习可以从数据中学习特征，因此可以及时跟上市场的变化。而传统的分析方式需要依靠人工观察市场变化，提取市场特征。一旦某种市场特征被观察到进入应用，很快又会因为测不准原理而失效，所以量化方法就难以大规模使用。牛顿曾经在投资南海公司失败后喟叹，我能计算出行星的轨迹，却无法计算出人心的疯狂。牛顿是微积分大师，他在投资上的失败，也说明经典的数学分析方法在股市上难以有所作用。但如果当年他就拥有大数据和人工智能加持，或许这位人类最伟大的科学家，造币厂的厂长，还会成为投资界的一个传奇吧？\n",
75 | "\n",
76 | "进入2021年，无论是A股的专业投资者，还是准专业投资者，都需要接触量化交易。因为A股正在放开涨跌停限制，交易制度也即将由T+1改为T+0。在新的交易制度下，留给投资者思考的时间更短，而程序交易将有先天优势。甚至对于业余投资者，也可能需要了解一些量化交易，因为量化交易平台将会越来越多，最先上车的投资者必将从中受益。\n",
77 | "\n",
78 | "在这部教程里，我们不光讲量化交易，而且讲如何通过最先进的人工智能来学习和理解市场变化，寻找适应于当下市场的最佳交易策略和模型。\n",
79 | "\n",
80 | "全部教程共分两个部分，第一部分是数据预处理，包括如何获得使用大富翁获得行情数据，如何使用基础的技术分析函数，如何将行情数据可视化。这一部分是所有的量化交易，无论是否基于人工智能，都需要掌握的基础。\n",
81 | "\n",
82 | "第二部分的重点是如何通过人工智能来学习交易策略。我们将首先介绍一些量化因子，然后是基础的机器学习算法：我们将使用sklearn机器学习算法库，并且给出一些经验证有效的模型。然后我们将进入深度学习的领域。我们将使用Pytorch和FastAI来构建算法模型，目前已安排的有基于CNN和Transformer两种架构的神经网络模型。\n",
83 | "\n",
84 | "作者正在构建自己的人工智能交易系统，所以用到的代码示例都来自于实战代码，因此这个教程的干货很多。这个教程另一个独特的地方是，作者除了会写代码之外，还有十多年的证券投资经验，所以在本教程中，你也会看到不少证券交易的经验之谈。离开领域知识谈技术，最终都是隔靴搔痒。\n",
85 | "\n",
86 | "现在，就请跟随我们一起去探索吧！"
87 | ]
88 | },
89 | {
90 | "cell_type": "code",
91 | "execution_count": null,
92 | "id": "elect-current",
93 | "metadata": {},
94 | "outputs": [],
95 | "source": []
96 | }
97 | ],
98 | "metadata": {
99 | "kernelspec": {
100 | "display_name": "zillionare",
101 | "language": "python",
102 | "name": "zillionare"
103 | },
104 | "language_info": {
105 | "codemirror_mode": {
106 | "name": "ipython",
107 | "version": 3
108 | },
109 | "file_extension": ".py",
110 | "mimetype": "text/x-python",
111 | "name": "python",
112 | "nbconvert_exporter": "python",
113 | "pygments_lexer": "ipython3",
114 | "version": "3.8.8"
115 | },
116 | "toc": {
117 | "base_numbering": 1,
118 | "nav_menu": {},
119 | "number_sections": true,
120 | "sideBar": true,
121 | "skip_h1_title": false,
122 | "title_cell": "Table of Contents",
123 | "title_sidebar": "Contents",
124 | "toc_cell": false,
125 | "toc_position": {},
126 | "toc_section_display": true,
127 | "toc_window_display": true
128 | }
129 | },
130 | "nbformat": 4,
131 | "nbformat_minor": 5
132 | }
133 |
--------------------------------------------------------------------------------
/chap1.ipynb:
--------------------------------------------------------------------------------
1 | {
2 | "cells": [
3 | {
4 | "cell_type": "markdown",
5 | "metadata": {},
6 | "source": [
7 | "# 证券列表、板块和K线数据"
8 | ]
9 | },
10 | {
11 | "cell_type": "markdown",
12 | "metadata": {},
13 | "source": [
14 | "欢迎来到大富翁量化教程第一章。在这一章里，我们将学习如何获取市场证券列表和概念板块，以及获取某一支证券的K线数据。在文章最后部分，我们还将介绍一个有一定实用价值的交易策略。\n",
15 | "\n",
16 | "这些功能是编写交易系统的起点。如果您想要制定一个覆盖全市场的交易策略，您就需要知道如何获取所有的证券列表，并且一一获取它们的k线数据，进行运算，最后发出交易信号。\n",
17 | "\n",
18 | "此外，如果您觉得最近有值得关注的概念板块，您也可能只想关注这些概念板块里的证券品种，这是一种手工化的、但行之有效的优化。"
19 | ]
20 | },
21 | {
22 | "cell_type": "markdown",
23 | "metadata": {},
24 | "source": [
25 | "## 初始化Omicron"
26 | ]
27 | },
28 | {
29 | "cell_type": "code",
30 | "execution_count": 95,
31 | "metadata": {},
32 | "outputs": [],
33 | "source": [
34 | "from IPython.display import clear_output\n",
35 | "from omicron.core.types import FrameType\n",
36 | "from omicron.core.timeframe import tf\n",
37 | "import cfg4py\n",
38 | "from omega.config import get_config_dir\n",
39 | "\n",
40 | "cfg4py.init(get_config_dir())\n",
41 | "import omicron\n",
42 | "await omicron.init()\n",
43 | "clear_output()"
44 | ]
45 | },
46 | {
47 | "cell_type": "markdown",
48 | "metadata": {},
49 | "source": [
50 | "首先，这段代码引入了omicron这个核心库。Omicron主要负责数据的读写，基础量化因子的计算，还提供了大富翁中的一些核心类型的定义，比如帧类型(FrameType)，时间帧的相关计算(timeframe)等等。\n",
51 | "\n",
52 | "这里还出现了[cfg4py](https://pypi.org/project/cfg4py/)。Cfg4Py是一个非常好用的配置管理工具，提供了配置热更新、代码提示和自动完成、环境变量替换、多部署环境自适应、层级式配置管理(cascading)、配置模版等功能。\n",
53 | "\n",
54 | "Zillionare使用了Cfg4Py来管理配置。上面的第6行中，我们先对配置模块进行初始化。这让Omicron可以知道数据库和缓存的连接信息。关于这部分是如何工作的，请参见[TODO://diveintozillionare/configure](404.md)。如果您是使用我们提供的docker运行环境，那么您完全不用在意这些配置信息。只需要知道要使用Omicron，必须先进行配置初始化就可以了。"
55 | ]
56 | },
57 | {
58 | "cell_type": "markdown",
59 | "metadata": {},
60 | "source": [
61 | "然后我们通过`omicron.init()`来对omicron进行初始化。初始化完成以后，证券列表就加载到程序中，数据库、缓存的连接也就都建立好了。\n",
62 | "\n",
63 | "??? Tips\n",
64 | " 注意大富翁里很多函数都是异步的，您需要通过`await`关键字来进行调用 。"
65 | ]
66 | },
67 | {
68 | "cell_type": "markdown",
69 | "metadata": {},
70 | "source": [
71 | "## 证券列表\n",
72 | "现在，让我们看看都有哪些证券品种。"
73 | ]
74 | },
75 | {
76 | "cell_type": "code",
77 | "execution_count": 96,
78 | "metadata": {},
79 | "outputs": [
80 | {
81 | "data": {
82 | "text/html": [
83 | "\n",
84 | "\n",
97 | "
\n",
98 | " \n",
99 | " \n",
100 | " | \n",
101 | " 0 | \n",
102 | " 1 | \n",
103 | " 2 | \n",
104 | " 3 | \n",
105 | " 4 | \n",
106 | " 5 | \n",
107 | "
\n",
108 | " \n",
109 | " \n",
110 | " \n",
111 | " | 0 | \n",
112 | " 000001.XSHE | \n",
113 | " 平安银行 | \n",
114 | " PAYH | \n",
115 | " 1991-04-03 | \n",
116 | " 2200-01-01 | \n",
117 | " stock | \n",
118 | "
\n",
119 | " \n",
120 | " | 1 | \n",
121 | " 000001.XSHG | \n",
122 | " 上证指数 | \n",
123 | " SZZS | \n",
124 | " 1991-07-15 | \n",
125 | " 2200-01-01 | \n",
126 | " index | \n",
127 | "
\n",
128 | " \n",
129 | " | 2 | \n",
130 | " 000002.XSHE | \n",
131 | " 万科A | \n",
132 | " WKA | \n",
133 | " 1991-01-29 | \n",
134 | " 2200-01-01 | \n",
135 | " stock | \n",
136 | "
\n",
137 | " \n",
138 | " | 3 | \n",
139 | " 000002.XSHG | \n",
140 | " A股指数 | \n",
141 | " AGZS | \n",
142 | " 1992-02-21 | \n",
143 | " 2200-01-01 | \n",
144 | " index | \n",
145 | "
\n",
146 | " \n",
147 | " | 4 | \n",
148 | " 000003.XSHG | \n",
149 | " B股指数 | \n",
150 | " BGZS | \n",
151 | " 1992-02-21 | \n",
152 | " 2200-01-01 | \n",
153 | " index | \n",
154 | "
\n",
155 | " \n",
156 | "
\n",
157 | "
\n",
336 | "\n",
349 | "
\n",
350 | " \n",
351 | " \n",
352 | " | \n",
353 | " display_name | \n",
354 | " name | \n",
355 | " start_date | \n",
356 | " end_date | \n",
357 | " type | \n",
358 | " province | \n",
359 | " city | \n",
360 | "
\n",
361 | " \n",
362 | " \n",
363 | " \n",
364 | " | 000001.XSHE | \n",
365 | " 平安银行 | \n",
366 | " PAYH | \n",
367 | " 1991-04-03 | \n",
368 | " 2200-01-01 | \n",
369 | " stock | \n",
370 | " 广东 | \n",
371 | " 深圳市 | \n",
372 | "
\n",
373 | " \n",
374 | " | 000002.XSHE | \n",
375 | " 万科A | \n",
376 | " WKA | \n",
377 | " 1991-01-29 | \n",
378 | " 2200-01-01 | \n",
379 | " stock | \n",
380 | " 广东 | \n",
381 | " 深圳市 | \n",
382 | "
\n",
383 | " \n",
384 | " | 000004.XSHE | \n",
385 | " 国华网安 | \n",
386 | " GHWA | \n",
387 | " 1990-12-01 | \n",
388 | " 2200-01-01 | \n",
389 | " stock | \n",
390 | " 广东 | \n",
391 | " 深圳市 | \n",
392 | "
\n",
393 | " \n",
394 | "
\n",
395 | "