Python学习|使用WIND接口监测信用债异常成交-经纬的财新博客-财新网

【风险提示】

本文原始数据来自于WIND信用债板块的收盘价，对于市场成交不活跃的个券，可能与实际市场表现不完全符合。

2020年11月10日，20永煤SCP003违约，对信用债市场的情绪和流动性带来负面冲击，目前冲击仍在继续。我们希望可以及时监测信用债异常成交价格的情况。使用WIND的Python接口监测信用债异常成交的步骤如下：

1 获得所有信用债的收盘价（以MTN为例）

import pandas as pd

import numpy as np

import matplotlib.pyplot as plt

from WindPy import w

plt.rcParams['font.sans-serif'] = ['SimHei'] # 用来正常显示中文标签

plt.rcParams['axes.unicode_minus'] = False # 用来正常显示正负号

我们先通过WIND接口获得MTN的所有wind代码，因为MTN的全部个券有6200多只，所以我们要分开获取收盘价。

w.start()

_code = w.wset("sectorconstituent", "date=2020-11-16;sectorid=1000004570000000")

# 获取MTN的所有代码

_code1 = ','.join(_code.Data[1][0:5000])

_code2 = ','.join(_code.Data[1][5000:])

# 将代码分拆合并

_data1 = w.wsd(_code1, "close", "2020-11-13", "2020-11-16", "")

_data1 = pd.DataFrame(_data1.Data, index=_data1.Codes, columns=[x.strftime('%Y-%m-%d') for x in _data1.Times])

_data2 = w.wsd(_code2, "close", "2020-11-13", "2020-11-16", "")

_data2 = pd.DataFrame(_data2.Data, index=_data2.Codes, columns=[x.strftime('%Y-%m-%d') for x in _data2.Times])

# 获得MTN的所有券在2020-11-13日与2020-11-16日的成交价

_data = pd.concat([_data1, _data2])

最终获得数据大概如下：

2 提取异常成交的个券

比如我们设定，成交价跌幅超过0.5元的，就认为是异常成交，并按照跌幅排序

_data['diff'] = _data['2020-11-16'] - _data['2020-11-13']

_abnormal = _data[_data['diff'] < -0.5]

_abnormal = _abnormal.sort_values('diff')

从下图可以看到，我们从6289只MTN中，筛选出98只跌幅超过0.5元的个券，其中最大的跌幅是-14.5元。

3 获得异常成交个券的详细信息

我们已经获得了异常成交个券，我们需要了解更多的信息，比如个券的名称，存续债券规模，到期日，地区，行业，是否是城投，甚至各种财务指标等。我们就用个券的wind代码，来匹配各项信息。

_data = w.wss(','.join(_abnormal.index), "sec_name,issuerupdated,outstandingbalance,maturitydate,term,repo_lastestdate,abs_industry,abs_industry1,abs_province,municipalbond", "tradeDate=2020-11-16")

_data = pd.DataFrame(np.array(_data.Data).T, columns=_data.Fields, index=_data.Codes)

_data = _abnormal.join(_data)

下图中的信息，可以根据自己需求，进行添加或者删改

我们也可以比较方便的做一个统计分析，比如我们来看看，异常成交的MTN个券的企业性质和地区分布如下。从下图中可以看到，地方国有企业的异常下跌券数，是明显高于其他企业性质的。

代码如下：

fig = plt.figure(figsize=(16,8))

ax1 = fig.add_subplot(121)

_data['ABS_INDUSTRY1'].hist(ax=ax1, grid=False, xrot=90)

ax2 = fig.add_subplot(122)

_data['ABS_PROVINCE'].hist(ax=ax2, grid=False, xrot=90, bins=50)

以上就是我们的案例演示部分，我们可以将短期融资券、超短期融资券、中期票据、交易所公司债等信用债的数据，都按照类似的方法提取，并且可以对价格观测的时间进行灵活设定，我们把完全代码列示如下：

import pandas as pd

import numpy as np

import matplotlib.pyplot as plt

from WindPy import w

plt.rcParams['font.sans-serif'] = ['SimHei'] # 用来正常显示中文标签

plt.rcParams['axes.unicode_minus'] = False # 用来正常显示正负号

def trans_code(code, firsttime, lasttime):

w.start()

_data = w.wsd(code, "close", firsttime, lasttime, "")

_data = pd.DataFrame(_data.Data, index=_data.Codes, columns=[x.strftime('%Y-%m-%d') for x in _data.Times])

return _data

def get_data(sector, firsttime, lasttime):

w.start()

if sector == 'cp':

_code = w.wset("sectorconstituent", "date={};sectorid=1000004566000000".format(lasttime))

# 短期融资券-一般短期融资券，500多只

_code = ','.join(_code.Data[1])

_data = trans_code(_code, firsttime, lasttime)

return _data

elif sector == 'scp':

_code = w.wset("sectorconstituent", "date={};sectorid=1000004194000000".format(lasttime))

# 短期融资券-超短期融资券，2200多只

_code = ','.join(_code.Data[1])

_data = trans_code(_code, firsttime, lasttime)

return _data

elif sector == 'mtn':

_code = w.wset("sectorconstituent", "date={};sectorid=1000004570000000".format(lasttime))

# 中期票据-一般中期票据，6200多只

_code1 = ','.join(_code.Data[1][0:5000])

_code2 = ','.join(_code.Data[1][5000:])

_data1 = trans_code(_code1, firsttime, lasttime)

_data2 = trans_code(_code2, firsttime, lasttime)

_data = pd.concat([_data1, _data2])

return _data

elif sector == 'cb':

# 一般公司债，3700多只

_code = w.wset("sectorconstituent", "date={};sectorid=1000009966000000".format(lasttime))

_code = ','.join(_code.Data[1])

_data = trans_code(_code, firsttime, lasttime)

return _data

elif sector == 'pcb':

# 公司债-私募债，5100多只

_code = w.wset("sectorconstituent", "date={};sectorid=1000009967000000".format(lasttime))

_code1 = ','.join(_code.Data[1][0:5000])

_code2 = ','.join(_code.Data[1][5000:])

_data1 = trans_code(_code1, firsttime, lasttime)

_data2 = trans_code(_code2, firsttime, lasttime)

_data = pd.concat([_data1, _data2])

return _data

else:

print("You may input wrong arguments.")

def abnormal(sector, firsttime, lasttime, threshold):

_data = get_data(sector, firsttime, lasttime)

_data['diff'] = _data[lasttime] - _data[firsttime]

_abnormal = _data[_data['diff'] < threshold]

return _abnormal

def get_abnormal(sector, firsttime, lasttime, threshold):

w.start()

_abnormal = abnormal(sector, firsttime, lasttime, threshold)

_data = w.wss(','.join(_abnormal.index),

"sec_name,issuerupdated,outstandingbalance,maturitydate,term,repo_lastestdate,"

"abs_industry,abs_industry1,abs_province,municipalbond",

"tradeDate={}".format(lasttime))

_data = pd.DataFrame(np.array(_data.Data).T, columns=_data.Fields, index=_data.Codes)

_data = _abnormal.join(_data)

print(_data)

return _data

data_cp = get_abnormal('cp', '2020-11-13', '2020-11-16', -0.5)

data_scp = get_abnormal('scp', '2020-11-13', '2020-11-16', -0.5)

data_mtn = get_abnormal('mtn', '2020-11-13', '2020-11-16', -0.5)

data_cb = get_abnormal('cb', '2020-11-13', '2020-11-16', -0.5)

data_pcb = get_abnormal('pcb', '2020-11-13', '2020-11-16', -0.5)

话题：