如何使用SQL Server基于特定时段股价波动筛选股票代码

嘿，我来帮你搞定这个股票筛选的需求！针对你手头那包含8000只股票、约一年时间跨度的时间序列数据库，要基于5个日历日（连周末都算上）的相对SPY跌幅来选股，咱们一步步来实现：

首先得把“跌幅比SPY多15%”这个模糊的描述转成可计算的逻辑，避免歧义：

• 先算每只股票过去5个日历日的收盘价涨跌幅：(最新收盘价 - 5日前收盘价)/5日前收盘价 * 100%（涨为正，跌为负）
• 再算基准股SPY同期的涨跌幅，记为SPY_Return
• 筛选条件：当(股票涨跌幅 - SPY_Return) ≤ -15%时，选中该股票。举个你提到的例子：

  若SPY过去5日涨幅为7%（即SPY_Return=7%），那股票的涨跌幅得≤7%-15%=-8%（也就是至少跌8%），才算比SPY多跌了15%

处理时间序列数据，Pandas是最顺手的工具。假设你的数据库是长格式（每一行是单只股票的单日数据，包含股票代码、日期、收盘价）：

1. 数据预处理 #

先把日期格式捋顺，方便后续时间计算：

import pandas as pd

# 确保日期列是datetime类型
df['日期'] = pd.to_datetime(df['日期'])

# 锁定最近5个日历日的时间范围
latest_date = df['日期'].max()
five_days_ago = latest_date - pd.Timedelta(days=5)
recent_data = df[(df['日期'] >= five_days_ago) & (df['日期'] <= latest_date)]

2. 计算每只股票和SPY的5日涨跌幅 #

提取每只股票在时间窗口内的首尾收盘价，算出涨跌幅：

# 按股票分组，取每组的第一个（5日前）和最后一个（最新）收盘价
stock_returns = recent_data.groupby('股票代码').agg(
    首日收盘价=('收盘价', 'first'),
    最新收盘价=('收盘价', 'last')
).reset_index()

# 计算涨跌幅（百分比）
stock_returns['涨跌幅(%)'] = (stock_returns['最新收盘价'] - stock_returns['首日收盘价']) / stock_returns['首日收盘价'] * 100

# 单独提取SPY的涨跌幅
spy_return = stock_returns[stock_returns['股票代码'] == 'SPY']['涨跌幅(%)'].values[0]

3. 应用筛选条件，选出目标股票 #

# 筛选出满足“比SPY多跌15%”的股票
selected_stocks = stock_returns[
    (stock_returns['涨跌幅(%)'] - spy_return) <= -15
][['股票代码', '涨跌幅(%)']]

# 可选：新增列显示相对SPY的跌幅差，更直观
selected_stocks['相对SPY跌幅差(%)'] = selected_stocks['涨跌幅(%)'] - spy_return

• 如果某些股票在这5天里有停牌、缺失数据的情况，你得提前想好处理方式：要么直接排除这类股票，要么用停牌前的收盘价来补全计算
• 一定要用日历日计算时间窗口，别用交易日，这是你明确要求的
• 如果你的数据库是宽格式（每列对应一只股票的收盘价，每行是日期），只需要调整分组和取数的逻辑，核心的涨跌幅对比规则是完全一样的

内容的提问来源于stack exchange，提问作者Parting