股东变化趋势数据挖掘：用Python追踪筹码集中度与主力动向
股东变化趋势数据挖掘：用Python追踪筹码集中度与主力动向
股东人数是判断筹码集中度的重要指标。股东人数减少意味着筹码在集中，可能有大户在吸筹；股东人数增加意味着筹码在分散，可能有大户在出货。我之前写了一套股东变化趋势分析工具，把全市场的股东户数数据系统地分析了一遍。
数据用的是股东变化趋势接口time/f10/gdbh/{股票代码}，返回截止日期、股东户数、比上期变化情况。按截止日期倒序排列。配合十大股东接口time/f10/zygd/{股票代码}和十大流通股东接口time/f10/zygdlt/{股票代码}，可以做更深入的分析。
importjsonimportosimportpandasaspdimportnumpyasnp data_dir="D:/stock_data"defread_gdbh(dm):file_path=os.path.join(data_dir,"time","f10","gdbh",dm)ifnotos.path.exists(file_path):returnNonewithopen(file_path,"r",encoding="utf-8")asf:data=json.load(f)df=pd.DataFrame(data)df.columns=["jzrq","gdhs","bsqbh"]df["jzrq"]=pd.to_datetime(df["jzrq"])returndf.sort_values("jzrq")defread_zygd(dm):file_path=os.path.join(data_dir,"time","f10","zygd",dm)ifnotos.path.exists(file_path):returnNonewithopen(file_path,"r",encoding="utf-8")asf:data=json.load(f)returndatadefread_zygdlt(dm):file_path=os.path.join(data_dir,"time","f10","zygdlt",dm)ifnotos.path.exists(file_path):returnNonewithopen(file_path,"r",encoding="utf-8")asf:data=json.load(f)returndata字段用简写，jzrq截止日期gdhs股东户数bsqbh比上期变化情况。十大股东和十大流通股东返回的是嵌套结构，包含截止日期、公告日期、股东总数、平均持股、十大股东列表等信息。
第一个分析：股东人数变化趋势。这是最基础的分析，看股东人数是在减少还是在增加。
defanalyze_gdhs_trend(dm):df=read_gdbh(dm)ifdfisNoneorlen(df)<2:returnNonedf["gdhs"]=pd.to_numeric(df["gdhs"],errors="coerce")latest=df.iloc[-1]prev=df.iloc[-2]change_pct=(latest["gdhs"]-prev["gdhs"])/prev["gdhs"]recent_4=df.tail(4)trend="下降"ifrecent_4["gdhs"].is_monotonic_decreasingelse"上升"ifrecent_4["gdhs"].is_monotonic_increasingelse"波动"result={"dm":dm,"latest_date":latest["jzrq"],"latest_gdhs":latest["gdhs"],"change_pct":change_pct,"trend":trend}ifchange_pct<-0.15:result["signal"]="股东人数大幅减少，筹码集中"result["score"]=70elifchange_pct>0.15:result["signal"]="股东人数大幅增加，筹码分散"result["score"]=35else:result["signal"]="股东人数变化不大"result["score"]=50returnresult第二个分析：全市场筹码集中度扫描。遍历所有股票，找出股东人数连续减少的股票。
defscan_chip_concentration(top_n=30):gplist_path=os.path.join(data_dir,"base","gplist")withopen(gplist_path,"r",encoding="utf-8")asf:gp_list=json.load(f)results=[]forgpingp_list:dm=gp["股票代码"]mc=gp["股票名称"]df=read_gdbh(dm)ifdfisNoneorlen(df)<3:continuedf["gdhs"]=pd.to_numeric(df["gdhs"],errors="coerce")recent_3=df.tail(3)ifrecent_3["gdhs"].is_monotonic_decreasing:change_2q=(recent_3["gdhs"].iloc[-1]-recent_3["gdhs"].iloc[0])/recent_3["gdhs"].iloc[0]results.append({"dm":dm,"mc":mc,"latest_gdhs":recent_3["gdhs"].iloc[-1],"change_2q":change_2q})df_result=pd.DataFrame(results).sort_values("change_2q").head(top_n)print("连续3期股东人数减少TOP{}：".format(top_n))print(df_result.to_string(index=False))returndf_result第三个分析：十大股东变动对比。对比相邻两个季度的十大股东名单，找出新进和退出的股东。
defcompare_top10_change(dm):data=read_zygd(dm)ifnotdataorlen(data)<2:returnNonelatest=data[0]prev=data[1]latest_holders=set()forholderinlatest.get("ZygdSdgd",[]):latest_holders.add(holder.get("股东名称",""))prev_holders=set()forholderinprev.get("ZygdSdgd",[]):prev_holders.add(holder.get("股东名称",""))new_in=latest_holders-prev_holders exited=prev_holders-latest_holders result={"dm":dm,"latest_date":latest.get("截止日期",""),"prev_date":prev.get("截止日期",""),"new_holders":list(new_in),"exited_holders":list(exited)}institution_keywords=["基金","社保","保险","信托","QFII","证金","汇金","资管"]new_institutions=[hforhinnew_inifany(kwinhforkwininstitution_keywords)]ifnew_institutions:result["signal"]="机构新进十大股东：{}".format("、".join(new_institutions))result["score"]=72eliflen(new_in)==0andlen(exited)==0:result["signal"]="十大股东无变动"result["score"]=55else:result["signal"]="十大股东有变动但无机构新进"result["score"]=50returnresult第四个分析：结合股东人数变化和股价走势。股东人数减少+股价还没大涨的股票最值得关注。
defselect_chip_concentration_strategy(top_n=20):gplist_path=os.path.join(data_dir,"base","gplist")withopen(gplist_path,"r",encoding="utf-8")asf:gp_list=json.load(f)candidates=[]forgpingp_list:dm=gp["股票代码"]mc=gp["股票名称"]df_gdbh=read_gdbh(dm)ifdf_gdbhisNoneorlen(df_gdbh)<2:continuedf_gdbh["gdhs"]=pd.to_numeric(df_gdbh["gdhs"],errors="coerce")change_pct=(df_gdbh["gdhs"].iloc[-1]-df_gdbh["gdhs"].iloc[-2])/df_gdbh["gdhs"].iloc[-2]ifchange_pct>-0.10:continuekline=read_kline(dm,"day")ifklineisNoneorlen(kline)<60:continuerecent_60=kline.tail(60)price_change=(recent_60["收盘价"].iloc[-1]-recent_60["收盘价"].iloc[0])/recent_60["收盘价"].iloc[0]ifprice_change>0.10:continuecandidates.append({"dm":dm,"mc":mc,"gdhs_change":change_pct,"price_change_60d":price_change})returnpd.DataFrame(candidates).sort_values("gdhs_change").head(top_n)策略逻辑是：股东人数减少超过10% + 60日涨幅不超过10%。前一个条件说明筹码在集中，后一个条件排除已经大涨的股票。这种"筹码集中但股价没动"的股票，后续上涨概率较高。
几个使用经验。第一，股东人数数据是季度披露的，有滞后性，只能做中长期参考。第二，股东人数减少要配合业绩看，业绩增长的筹码集中才有意义。第三，十大股东的季度变动比静态名单更有价值，要重点看机构新进。第四，基金持股接口time/f10/jjcg也可以配合使用，看基金持仓变化。
我用的数据来源是ig50的本地数据接口，股东变化趋势、十大股东、十大流通股东这些接口配合使用，能构建一个完整的筹码集中度分析系统。
接口说明：
time/f10/gdbh/{股票代码} - 股东变化趋势
本地路径：数据存放目录/time/f10/gdbh/{股票代码}
更新频率：每天15:30（更新完成约12小时）
数据格式：[{}…]，按截止日期倒序
主要字段：截止日期(jzrq, yyyy-MM-dd)、股东户数(gdhs)、比上期变化情况(bsqbh)time/f10/zygd/{股票代码} - 十大股东
本地路径：数据存放目录/time/f10/zygd/{股票代码}
更新频率：每天15:30（更新完成约12小时）
数据格式：[{}…]，按截止日期倒序
主要字段：截止日期、公告日期、股东说明、股东总数、平均持股、十大股东列表（含排名、股东名称、持股数量、持股比例、股本性质）time/f10/zygdlt/{股票代码} - 十大流通股东
本地路径：数据存放目录/time/f10/zygdlt/{股票代码}
更新频率：每天15:30（更新完成约12小时）
数据格式：[{}…]，按公告日期倒序
主要字段：截止日期、公告日期、十大流通股东列表（含排名、股东名称、持股数量、持股比例、股本性质）
资料参考：ig50