Tushare接口文档:指数成分和权重(index_weight)

简介: 本文旨在对Tushare的指数成分和权重`index_weight`数据接口进行介绍,提供更多参考示例和使用说明。本接口用于获取各类指数成分股及其权重数据的核心工具。它提供了指数在特定日期的构成明细,是进行指数追踪、策略基准构建和因子分析的基础数据。
  • 功能描述:获取各类指数成分和权重
  • 返回限量:单次请求最大返回7000行
  • 接口权限:2000积分200次/分钟,5000积分500次/分钟
  • 说明

   1. 数据最早2005/05/01;

   2. 官方和本文作者均推荐使用当月第一天作为开始日期(start_date)和当月最后一天作为结束日期(end_date)来获取某个月的指数成分及权重数据;


输入参数:

名称

类型

必选

描述

index_code

str

Y

指数代码

trade_date

str

N

交易日期(格式YYYYMMDD,下同)

start_date

str

N

开始日期

end_date

None

N

结束日期

  1. 可通过index_basic接口获取指数代码;


输出参数:

名称

类型

默认显示

描述

index_code

str

Y

指数代码

con_code

str

Y

成分代码

trade_date

str

Y

交易日期

weight

float

Y

权重

  1. 本接口的输出参数权重(weight)是百分比数值;


示例:

示例1:获取某指数的成分及权重信息,并筛选出前10大权重股

通过传递index_code可指定获取哪个指数的成分及权重数据,添加start_dateend_date可指定返回哪个时间段的成分数据。

  1. 虽然输入参数中有trade_date,本接口是月度数据,官方和本文作者均推荐使用当月第一天作为开始日期(start_date)和当月最后一天作为结束日期(end_date)来获取某个月的指数成分及权重数据;
  2. 虽然目前该接口数据是每月最后一个交易日进行更新,但没准为了时效性,Tushare团队以后很可能会在指数发生调整公布之后就进行更新。所以为了保险起见,不要使用trade_date而是使用时间区间;
import tushare as ts
pro = ts.pro_api()
df = pro.index_weight(index_code='399300.SZ', start_date='20260601', end_date='20260630')
if not df.empty:
    # 按权重降序排列
    df_sorted = df.sort_values('weight', ascending=False)
df_sorted.head(10)[['con_code', 'weight']]

输出结果:

          con_code        weight
0        300308.SZ        5.008
1        300750.SZ        3.675
2        300502.SZ        2.992
3        600519.SH        2.620
4        603986.SH        1.925
5        601318.SH        1.799
6        688256.SH        1.772
7        600036.SH        1.554
8        601899.SH        1.465
9        002371.SZ        1.354


说明:

本文说明

本文旨在对Tushare的指数成分和权重index_weight数据接口进行介绍,提供更多参考示例和使用说明。

本接口用于获取各类指数成分股及其权重数据的核心工具。它提供了指数在特定日期的构成明细,是进行指数追踪、策略基准构建和因子分析的基础数据。

本文目的是为了让用户和AIGC工具能够更便捷、准确地使用该接口。大家在使用过程中遇到什么问题和建议可在线留言,作者会进行数据探索将结果更新到文章中,并将建议反馈给Tushare团队。本文另一个目的也是为了聚集大家的智慧以创建“我为人人,人人为我”的共创氛围。

相关文章
|
2月前
|
存储
Tushare接口文档:交易日历(trade_cal)
本文旨在对Tushare的交易日历trade_cal数据接口进行介绍,提供更多参考示例和使用说明。交易日历可以用来作为获取其他数据的关键(迭代)参数,也可以进行其他的应用。本文还基于交易日介绍了如何获取每周及每月最后一个交易日。
543 1
Tushare接口文档:交易日历(trade_cal)
|
2月前
|
存储 算法
Tushare接口文档:复权因子(adj_factor)
本文介绍的复权因子是“累计后复权因子”,存储的是每个交易日的快照。本文介绍了如何获取某个交易日全市场股票的复权因子、如何获取单只股票最近6000条复权因子、如何获取某段时间区间里的复权因子以及如何计算前复权和后复权价格。
392 8
|
2月前
|
数据挖掘
Tushare接口文档:个股资金流向(moneyflow)
本文旨在对Tushare的个股资金流向`moneyflow`数据接口进行介绍,提供更多参考示例和使用说明。 本接口可获取沪深A股票资金流向数据,分析大单小单成交情况,用于判别资金动向。本文除了从交易日、个股方面简单介绍如何快速获取数据外,还演示了如何计算主力资金流向及对单支股票主力资金流向绘制趋势图,最后演示了如何筛选主力资金净流入top 10的个股。
579 9
|
2月前
Tushare接口文档:股票历史分钟行情(stk_mins)
本文旨在对Tushare的股票历史分钟行情`stk_mins`数据接口进行介绍,提供更多参考示例和使用说明。股票分钟行情作为中高频数据,在投资中扮演着极其重要的角色。本文介绍了如何如何获取不同频率的分钟行情、常见的参数设置以及简要介绍了统计区间口径。
356 1
|
2月前
|
人工智能 自然语言处理 Linux
Qwen-Audio-3.0-TTS:AI语音从“能说话”到“会带情绪表达”的技术跃迁
在AI语音合成领域,从“清晰发声”到“自然表达”一直是技术突破的核心方向。传统TTS模型往往只能实现文本到语音的机械转换,语调平直、节奏僵硬,缺乏人类说话时的情绪起伏、呼吸细节与场景适配性,难以满足影视配音、有声内容、智能交互等对语音表现力有高要求的场景。而Qwen-Audio-3.0-TTS的正式发布,彻底打破了这一局限,它基于通义千问新一代语音架构深度优化,实现了从“能说话”到“会带情绪表达”的跨越式升级,不仅能精准传递文本内容,更能通过细粒度情绪控制、自由风格指令、多语种方言适配、高保真音质输出,让AI语音拥有媲美真人的情感温度与表达张力,登顶全球语音合成权威榜单,成为下一代语音合成技术
383 1
|
2月前
|
消息中间件 人工智能 运维
2026被称“最难秋招季”?软件测试人,你的机会藏在这3个变化里
2026年秋招“最难”实为结构性洗牌:传统手工测试岗锐减,而测试开发、质量工程等复合型岗位需求激增30%,薪资上浮、一将难求。核心转变有三——从“找Bug”转向“控风险”,从“用工具”升级为“建系统”,从“被动验证”跃迁至“主动驱动质量”。机会仍在,但只属于懂代码、通业务、擅工程的新型质量建设者。
|
2月前
|
人工智能 自然语言处理 测试技术
内部流出:快手质量中台用大模型做“智能冒烟”,提测就打回,研发再也不敢敷衍
快手质量中台将冒烟测试升级为AI智能门禁:基于大模型自动生成/进化用例、多模态视觉判定结果,并与CI深度集成,实现提测自动拦截。半年内提测通过率从43%跃升至91%,人力投入归零,打回次数下降83%,真正把质量门槛“焊死”在代码合入前。
|
2月前
|
Cloud Native Java Spring
ACK + GraalVM Native Image 实战:Spring Boot 3.4 从500ms到50ms启动的云原生 Java
K8s 里 Java 应用启动要 8 秒,HPA 弹性扩容等到流量早过去了——这是我们团队在 ACK 上部署 Spring Boot 微服务时遇到的真实困境。引入 GraalVM Native Image 后,启动时间从 8 秒降到 50ms,内存从 512MB 降到 64MB,镜像体积缩减 70%,Serverless 场景完美适配。本文从 Java 云原生困境出发,详解 GraalVM Native Image 编译原理、Spring Boot 3.4 适配全流程(运行时代理注册、序列化配置、动态代理、资源文件)、ACK 多架构镜像构建与部署实战
|
2月前
|
人工智能 监控 API
阿里云百炼Coding Plan功能介绍:AI编程订阅新选择,固定月费畅用多模型说明
在AI技术深度融入软件开发的当下,开发者对AI编程辅助工具的依赖日益增强,但传统按量计费模式常因Token消耗失控导致成本飙升,多模型切换与工具集成的繁琐流程也大幅降低开发效率。阿里云百炼推出的Coding Plan订阅服务,专为个人开发者打造,以固定月费模式提供月度请求额度,整合多款顶级编程大模型,兼容主流AI编程工具,实现“一份订阅、多模型通用、多工具兼容、成本可控”,彻底解决开发者在AI编程场景中的计费焦虑与工具管理难题,让AI能力高效赋能代码开发全流程。
301 0
|
2月前
|
人工智能 自然语言处理 开发工具
最新版通义千问(Qwen3.8-Max-Preview)功能介绍
通义千问Qwen3.8-Max-Preview是通义千问团队推出的旗舰级预览版大模型,以2.4万亿参数的MoE混合专家架构为核心,实现了原生多模态融合、超长上下文处理、全栈代码工程、多智能体协同等能力的跨越式升级,成为面向复杂生产场景的全域生产力模型。该模型不仅在参数规模上实现突破,更通过架构优化、能力重构,解决了传统大模型在长文本处理、复杂推理、工程落地中的诸多痛点,为开发者、企业用户提供了更强大、更高效、更灵活的AI能力支撑。
12122 4