블로그

대신증권 크레온에서 투자자별 매매동향 수집하기

Nov 24, 2021

이번 포스트에서는 크레온 플러스 API를 이용하여 개인, 기관, 외국인의 매매동향 데이터를 수집하는 방법을 다루겠습니다.

퀀티랩 SysTrader 패키지를 다운받아 설치하시면 다음과 같이 쉽게 기능을 사용할 수 있습니다.

from quantylab.systrader.creon import Creon

c = Creon()
data = c.get_investorbuysell('005930', n=60)

지금부터는 SysTrader 설치 없이 위 기능을 직접 구현해 보실 수 있도록 풀어서 설명하겠습니다.

퀀티랩 YouTube 채널의 이 영상을 보셔도 됩니다.

투자자별 매매동향 데이터는 크레온의 매매입체분석 CpSysDib.CpSvr7254 모듈을 사용해서 가져올 수 있습니다.

크레온 플러스 API 사용을 위해서는 win32com 패키지가 필요한데 pip install pywinauto로 설치할 수 있습니다.

먼저 win32com.client를 임포트하여 CpSysDib.CpSvr7254 모듈을 Dispatch 합니다.

import win32com.client
obj = win32com.client.Dispatch('CpSysDib.CpSvr7254')

이제 파라미터를 입력해야 합니다. 문서를 보면 다양한 파라미터들이 있는데 여기서는 하나의 예시를 들겠습니다. 이 문서에서 확인하시어 아래 예제처럼 원하시는 값으로 입력해 주시면 됩니다.

obj.SetInputValue(0, 'A005930')  # 종목코드
obj.SetInputValue(1, 6)  # 기간선택구분 - 6:일별
obj.SetInputValue(4, ord('0'))  # 매매비중구분 - '0':순매수
obj.SetInputValue(5, 0)  # 투자자 - 0:전체
obj.SetInputValue(6, ord('1'))  # 데이터 구분 - '1':순매수량

이렇게 삼성전자에 대해 투자자들의 일별 매매동향을 가져오도록 파라미터를 채웠습니다. 이제 요청을 다음과 같이 보내면 됩니다.

obj.BlockRequest()

이제 요청 결과를 가져올 수 있는데, 먼저 결과 데이터 개수를 확인해 보겠습니다. 이건 GetHeaderValue(type) 메소드로 가져올 수 있는데 type은 모듈마다 달라서 문서를 확인해야 합니다. 이 모듈에서 결과의 데이터 개수에 대한 type 값은 1 입니다.

cnt = obj.GetHeaderValue(1)

아마 cnt는 17개로 나올 것입니다. 이건 이 모듈이 한번 조회할 때 최대 17개까지만 반환해주기 때문입니다. 더 많은 과거 데이터를 원할 경우 연속조회 하면 됩니다. 이건 뒤에서 확인하겠습니다.

먼저 현재 요청 결과를 dict로 구성해 보겠습니다. 결과는 GetDataValue(type, index) 메소드로 가져옵니다. type은 문서를 확인하면 되고 index는 17개 아이템에 대한 인덱스 입니다.

이렇게 결과를 dict 형태로 만들 수 있습니다.

keys = [
    '일자',
    '개인',
    '외국인',
    '기관계',
    '금융투자',
    '보험',
    '투신',
    '은행',
    '기타금융',
    '연기금 등',
    '기타법인',
    '기타외인',
    '사모펀드',
    '국가지자체',
    '종가',
    '대비',
    '대비율',
    '거래량',
    '확정치여부',
]
data = []
for i in range(cnt):
    item = {k: obj.GetDataValue(j, i) for j, k in enumerate(keys)}
    data.append(item)

이제 연속조회로 더 많은 데이터를 가져와 보겠습니다.

if obj.Continue:
    obj.BlockRequest()

그리고 위와 똑같이 dict 형태로 만들어서 data에 추가하면 됩니다.

cnt = obj.GetHeaderValue(1)
for i in range(cnt):
    item = {k: obj.GetDataValue(j, i) for j, k in enumerate(keys)}
    data.append(item)

이 데이터를 pandas DataFrame으로 변환하여 출력해보면 다음처럼 테이블로 결과를 볼 수 있습니다.

import pandas as pd
df = pd.DataFrame(data)

index	일자	개인	외국인	기관계	금융투자	보험	투신	은행	기타금융	연기금 등	기타법인	기타외인	사모펀드	국가지자체	종가	대비	대비율	거래량	확정치여부
0	20211122	-8689002	5766721	3033799	1879919	20352	738060	-36395	27387	85824	-82117	-29401	318652	0	74900	3700	5.20	27239836	49
1	20211119	-742078	313970	432827	283202	12079	-23332	-3478	-24859	179418	-8721	4002	9797	0	71200	1000	1.42	11954728	49
2	20211118	1314434	-738137	-576566	-103191	-3195	-10927	0	1	-456299	-5413	5682	-2955	0	70200	-500	-0.71	10144957	49
3	20211117	1234537	1519353	-2816912	-2557894	27969	122759	105367	-114917	-491388	57393	5629	91192	0	70700	-600	-0.84	11027606	49
4	20211116	-753052	1025989	-202007	148871	-48992	122148	46961	-116	-551871	-73698	2768	80992	0	71300	-100	-0.14	10919239	49
5	20211115	-3174454	976207	2301384	1708103	27375	63674	-6560	2705	369771	-86615	-16522	136316	0	71400	800	1.13	12420710	49
6	20211112	-2411322	384228	2046949	2015464	-10560	196819	-761	405	-152781	-16190	-3665	-1637	0	70600	700	1.00	10087450	49
7	20211111	2266214	-2179760	-116698	655621	67711	-133062	2502	-234	-389250	27906	2338	-319986	0	69900	-300	-0.43	11489122	49
8	20211110	-722793	1435001	-724133	-268435	-14154	32610	0	-5246	-475829	9024	2901	6921	0	70200	-300	-0.43	9422009	49
9	20211109	-454505	-725539	1193368	1695062	-18889	-35616	0	1624	-478674	-10796	-2528	29861	0	70500	-100	-0.14	11159589	49
10	20211108	714776	-628399	-89168	233239	23127	38912	7130	103	-384412	855	1936	-7267	0	70600	400	0.57	11121981	49
11	20211105	2087811	-1174569	-905068	-452144	158763	28084	2288	-682	-633973	-11957	3783	-7404	0	70200	-400	-0.57	12667743	49
12	20211104	-1743969	-80764	1947030	1874492	201770	-16178	3000	-196	-190245	-119787	-2510	74387	0	70600	200	0.28	11818987	49
13	20211103	3748000	-1032459	-2789497	-2145003	-97809	-8839	3000	4247	-300074	72239	1717	-245019	0	70400	-1100	-1.54	12770428	49
14	20211102	-5644694	2043624	3621076	3253414	-151433	150916	223	348	113959	-2851	-17155	253649	0	71500	1600	2.29	16812570	49
15	20211101	-1367521	-1651736	3003169	2827678	65072	38774	2	-7314	-75387	13386	2702	154344	0	69900	100	0.14	11503729	49
16	20211029	4050479	-1812320	-2365662	-1496831	66131	124596	18242	5201	-1103470	111608	15895	20469	0	69800	-900	-1.27	17016151	49
17	20211028	899791	-2432885	1281744	98960	17371	446463	-5311	2738	200349	253867	-2517	521174	0	70700	600	0.86	20644902	49
18	20211027	3080455	-2124585	-1005822	-622428	-28520	-4796	3894	-436	-354458	34143	15809	922	0	70100	-1000	-1.41	10295316	49
19	20211026	-1247398	-551563	1812123	1501865	-3643	78012	7236	757	96060	-16422	3260	131836	0	71100	900	1.28	10528252	49
20	20211025	582794	-1599446	988462	1110489	17838	8699	-1410	547	-182522	30985	-2795	34821	0	70200	-200	-0.28	10029621	49
21	20211022	-644269	-128538	762404	1215268	2445	-40105	-682	-167	-452150	12542	-2139	37795	0	70400	200	0.28	8395448	49
22	20211021	203876	109754	-197734	242202	-125548	-30478	0	-13079	-275758	-116542	646	4927	0	70200	-100	-0.14	10891094	49
23	20211020	556532	256311	-829527	-125516	-131592	-86437	200	-558	-486593	8664	8020	969	0	70300	-300	-0.42	10151638	49
24	20211019	-504814	-431790	910091	1429098	16262	-61830	1361	167	-432527	33963	-7450	-42440	0	70600	400	0.57	9507991	49
25	20211018	771890	1303614	-2117009	-1564134	-42320	-17082	-329	833	-477196	30584	10921	-16781	0	70200	100	0.14	13486391	49
26	20211015	822742	-1376104	456288	626433	-60458	99645	21339	242	-312400	84238	12836	81487	0	70100	700	1.01	18051612	49
27	20211014	2011163	-3787173	1696662	1993635	-93476	76957	-20	10524	-236463	62704	16644	-54495	0	69400	600	0.87	19520641	49
28	20211013	2224620	-5271845	2725596	2539887	-100166	33871	16584	-7544	20055	311767	9862	222909	0	68800	-200	-0.29	24172015	49
29	20211012	12155071	-11004329	-1421202	-907809	-230050	-178155	15394	-60991	12399	248713	21747	-71990	0	69000	-2500	-3.50	31001484	49
30	20211008	2612855	319900	-2923031	-1565044	-88549	42805	3341	-8642	-1269657	-10175	451	-37285	0	71500	-100	-0.14	14043287	49
31	20211007	1266151	-2661506	1391358	1821608	-90182	69692	-1689	5770	-407085	-2507	6504	-6756	0	71600	300	0.42	13683532	49
32	20211006	1374960	-1070439	-342467	244117	-24935	102550	1669	924	-599759	41544	-3598	-67033	0	71300	-900	-1.25	18956962	49
33	20211005	1783237	-3025584	1255911	1173732	-5740	62289	-47544	-9339	104473	-18889	5325	-21960	0	72200	-1000	-1.37	24013921	49

Tags:

• 퀀티랩
• 대신증권
• 크레온
• 투자자
• 매매동향
• 수급

KRX에서 공매도 데이터 수집하기

Nov 5, 2021

이번 포스트에서는 KRX에서 개별종목 공매도 거래 및 개별종목 공매도 잔고 데이터를 파이썬으로 수집하는 방법을 다룹니다.

필요한 파이썬 라이브러리는 다음과 같습니다.

• pip install requests
• pip install numpy
• pip install pandas

먼저 KRX 정보데이터시스템에서 다음 두 메뉴를 확인해 주세요.

• 통계 / 공매도 통계 / 공매도 거래 / 개별종목 공매도 거래
• 통계 / 공매도 통계 / 공매도 잔고 / 개별종목 공매도 잔고

개별종목 공매도 거래 데이터 수집하기

먼저 개별종목 공매도 거래 데이터를 받아오겠습니다. 크롬이나 웨일 브라우저에서 F12 키를 눌러 개발자 도구를 열어줍니다. 그리고 다음과 같이 Network 탭에서 Fetch/XHR 하위 탭을 확인합니다. 그리고 조회 버튼을 다시 누르면 아래에 getJsonData.cmd 내역이 뜨고 여기서 요청 정보를 확인할 수 있습니다.

여기서 Request URL, Request Headers, Form Data를 확인합니다. 다음과 같이 확인한 정보로 요청 준비를 합니다.

url = 'http://data.krx.co.kr/comm/bldAttendant/getJsonData.cmd'
headers = {
    'Accept': 'application/json, text/javascript, */*; q=0.01',
    'Accept-Encoding': 'gzip, deflate',
    'Accept-Language': 'ko-KR,ko;q=0.9,en-US;q=0.8,en;q=0.7',
    'Connection': 'keep-alive',
    'Content-Type': 'application/x-www-form-urlencoded; charset=UTF-8',
    'Host': 'data.krx.co.kr',
    'Origin': 'http://data.krx.co.kr',
    'Referer': 'http://data.krx.co.kr/contents/MDC/MDI/mdiLoader/index.cmd?menuId=MDC0203',
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/94.0.4606.118 Whale/2.11.126.23 Safari/537.36',
    'X-Requested-With': 'XMLHttpRequest',
}
data = [
    ('bld', 'dbms/MDC/STAT/srt/MDCSTAT30101'),
    ('searchType', '1'),
    ('mktId', 'STK'),
    ('secugrpId', 'STMFRTSCIFDRFS'),
    ('secugrpId', 'SRSW'),
    ('secugrpId', 'BC'),
    ('inqCond', 'STMFRTSCIFDRFSSRSWBC'),
    ('trdDd', '20211105'),
    ('share', '1'),
    ('money', '1'),
    ('csvxls_isNo', 'false'),
]

이렇게 준비한 url, headers, data로 requests 요청을 보냅니다. Request Method를 보면 POST를 확인할 수 있습니다.

import requests
res = requests.post(url, headers=headers, data=data)
res

Output: <Response [200]>

Status Code가 200으로 요청이 성공했음을 확인했습니다. 다음으로 받아온 데이터를 DataFrame으로 저장합니다.

import json
short_list = json.loads(res.text)['OutBlock_1']

import pandas as pd
df = pd.DataFrame(short_list)
df.columns = ['종목코드', '종목명', '증권구분', '공매도거래량', '공매도거래량업틱룰', '공매도거래량업틱룰예외', '거래량', '거래량비중', '공매도거래대금', '공매도거래대금업틱룰', '공매도거래대금업틱룰예외', '거래대금', '거래대금비중']

df

index	종목코드	종목명	증권구분	공매도거래량	공매도거래량업틱룰	공매도거래량업틱룰예외	거래량	거래량비중	공매도거래대금	공매도거래대금업틱룰	공매도거래대금업틱룰예외	거래대금	거래대금비중
0	095570	AJ네트웍스	주권	0	0	0	59,739	0.00	0	0	0	335,609,280	0.00
1	006840	AK홀딩스	주권	0	0	0	20,225	0.00	0	0	0	508,366,000	0.00
2	027410	BGF	주권	147,290	0	147,290	8,276,904	1.78	959,076,130	0	959,076,130	54,013,149,770	1.78
3	282330	BGF리테일	주권	1,480	1,402	78	22,489	6.58	244,731,000	231,828,500	12,902,500	3,734,658,000	6.55
4	138930	BNK금융지주	주권	54,962	54,962	0	2,228,770	2.47	463,644,520	463,644,520	0	18,819,972,080	2.46
…	…	…	…	…	…	…	…	…	…	…	…	…	…
1028	069260	휴켐스	주권	72,498	72,073	425	1,137,325	6.37	1,919,680,550	1,908,522,050	11,158,500	30,290,522,850	6.34
1029	000540	흥국화재	주권	0	0	0	83,281	0.00	0	0	0	318,332,140	0.00
1030	000547	흥국화재2우B	주권	0	0	0	192	0.00	0	0	0	5,323,000	0.00
1031	000545	흥국화재우	주권	0	0	0	988	0.00	0	0	0	8,514,770	0.00
1032	003280	흥아해운	주권	0	0	0	1,114,059	0.00	0	0	0	3,560,429,545	0.00

거래량비중으로 내림차순 정렬을 해보면 공매도 비중이 높은 종목 순위를 확인할 수 있습니다.

df.sort_values('거래량비중', ascending=False)

index	종목코드	종목명	증권구분	공매도거래량	공매도거래량업틱룰	공매도거래량업틱룰예외	거래량	거래량비중	공매도거래대금	공매도거래대금업틱룰	공매도거래대금업틱룰예외	거래대금	거래대금비중
51	294870	HDC현대산업개발	주권	54,935	54,935	0	562,433	9.77	1,353,057,750	1,353,057,750	0	13,880,230,400	9.75
1004	008770	호텔신라	주권	66,040	56,388	9,652	684,458	9.65	5,269,414,800	4,501,247,500	768,167,300	54,557,366,500	9.66
800	039490	키움증권	주권	4,561	4,071	490	47,299	9.64	484,180,000	432,296,500	51,883,500	5,018,881,500	9.65
813	003240	태광산업	주권	67	67	0	697	9.61	66,460,000	66,460,000	0	692,149,000	9.60
940	180640	한진칼	주권	5,587	4,961	626	58,832	9.50	315,127,600	279,921,100	35,206,500	3,317,193,800	9.50
…	…	…	…	…	…	…	…	…	…	…	…	…	…
433	007210	벽산	주권	2	0	2	3,489,885	0.00	8,060	0	8,060	14,442,649,335	0.00
434	002760	보락	주권	0	0	0	230,608	0.00	0	0	0	490,745,865	0.00
436	000890	보해양조	주권	0	0	0	1,282,073	0.00	0	0	0	1,233,822,775	0.00
438	001270	부국증권	주권	0	0	0	6,828	0.00	0	0	0	166,036,950	0.00
1032	003280	흥아해운	주권	0	0	0	1,114,059	0.00	0	0	0	3,560,429,545	0.00

그런데 조금 이상합니다. 거래량비중이 생각보다 적고 9.XX 값이 상위에 랭크됩니다. 이는 데이터 형식이 문자열(str)로 되어 있을 때 자주 겪는 문제입니다. 다음과 같이 거래량비중 컬럼의 데이터 형식을 float로 변경합니다.

df['거래량비중'] = df['거래량비중'].astype(float)

다시 정렬 결과를 확인하면 다음과 같이 제대로된 랭킹이 된 것을 확인할 수 있습니다.

df.sort_values('거래량비중', ascending=False)

index	종목코드	종목명	증권구분	공매도거래량	공매도거래량업틱룰	공매도거래량업틱룰예외	거래량	거래량비중	공매도거래대금	공매도거래대금업틱룰	공매도거래대금업틱룰예외	거래대금	거래대금비중
539	068270	셀트리온	주권	150,827	133,030	17,797	488,779	30.86	31,363,423,000	27,715,592,500	3,647,830,500	101,280,970,500	30.97
1024	081660	휠라홀딩스	주권	161,370	160,878	492	665,890	24.23	5,958,633,450	5,940,402,900	18,230,550	24,692,808,600	24.13
673	214320	이노션	주권	6,994	6,856	138	30,810	22.70	403,284,700	395,322,100	7,962,600	1,776,867,000	22.70
382	011170	롯데케미칼	주권	45,956	34,176	11,780	206,116	22.30	10,110,596,000	7,520,623,000	2,589,973,000	45,414,691,500	22.26
240	002350	넥센타이어	주권	27,712	25,176	2,536	125,204	22.13	208,348,430	189,322,060	19,026,370	941,065,640	22.14
…	…	…	…	…	…	…	…	…	…	…	…	…	…
433	007210	벽산	주권	2	0	2	3,489,885	0.00	8,060	0	8,060	14,442,649,335	0.00
434	002760	보락	주권	0	0	0	230,608	0.00	0	0	0	490,745,865	0.00
436	000890	보해양조	주권	0	0	0	1,282,073	0.00	0	0	0	1,233,822,775	0.00
438	001270	부국증권	주권	0	0	0	6,828	0.00	0	0	0	166,036,950	0.00
1032	003280	흥아해운	주권	0	0	0	1,114,059	0.00	0	0	0	3,560,429,545	0.00

개별종목 공매도 잔고 데이터 수집하기

이제 개별종목 공매도 잔고 데이터를 받아 보겠습니다. 비슷하게 요청 준비를 합니다.

url = 'http://data.krx.co.kr/comm/bldAttendant/getJsonData.cmd'
headers = {
    'Accept': 'application/json, text/javascript, */*; q=0.01',
    'Accept-Language': 'ko-KR,ko;q=0.9,en-US;q=0.8,en;q=0.7',
    'Content-Type': 'application/x-www-form-urlencoded; charset=UTF-8',
    'Origin': 'http://data.krx.co.kr',
    'Referer': 'http://data.krx.co.kr/contents/MDC/MDI/mdiLoader/index.cmd?menuId=MDC0201',
}
data = [
    ('bld', 'dbms/MDC/STAT/srt/MDCSTAT30501'),
    ('searchType', '1'),
    ('mktTpCd', '1'),
    ('trdDd', '20211102'),
    ('share', '1'),
    ('money', '1'),
    ('csvxls_isNo', 'false'),
]

res = requests.post(url, headers=headers, data=data)
res

Output: <Response [200]>

다음과 같이 받아온 데이터를 DataFrame으로 변환합니다.

df_shortbalance = pd.DataFrame(json.loads(res.text)['OutBlock_1'])
df_shortbalance

index	ISU_CD	ISU_ABBRV	BAL_QTY	LIST_SHRS	BAL_AMT	MKTCAP	BAL_RTO
0	095570	AJ네트웍스	34,255	46,822,295	190,115,250	259,863,737,250	0.07
1	006840	AK홀딩스	4,593	13,247,561	121,484,850	350,397,988,450	0.03
2	027410	BGF	48,440	95,716,791	279,014,400	551,328,716,160	0.05
3	282330	BGF리테일	5,016	17,283,906	825,132,000	2,843,202,537,000	0.03
4	138930	BNK금융지주	524,715	325,935,246	4,601,750,550	2,858,452,107,420	0.16
…	…	…	…	…	…	…	…
934	069260	휴켐스	953,658	40,878,588	26,320,960,800	1,128,249,028,800	2.33
935	000540	흥국화재	33,301	64,242,645	129,540,890	249,903,889,050	0.05
936	000547	흥국화재2우B	0	153,600	0	4,331,520,000	0.00
937	000545	흥국화재우	0	768,000	0	6,673,920,000	0.00
938	003280	흥아해운	84,187	240,424,899	311,070,965	888,370,001,805	0.04

df_shortbalance.columns = ['종목코드', '종목명', '공매도잔고수량', '상장주식수', '공매도잔고금액', '시가총액', '비중']
df_shortbalance

index	종목코드	종목명	공매도잔고수량	상장주식수	공매도잔고금액	시가총액	비중
0	095570	AJ네트웍스	34,255	46,822,295	190,115,250	259,863,737,250	0.07
1	006840	AK홀딩스	4,593	13,247,561	121,484,850	350,397,988,450	0.03
2	027410	BGF	48,440	95,716,791	279,014,400	551,328,716,160	0.05
3	282330	BGF리테일	5,016	17,283,906	825,132,000	2,843,202,537,000	0.03
4	138930	BNK금융지주	524,715	325,935,246	4,601,750,550	2,858,452,107,420	0.16
…	…	…	…	…	…	…	…
934	069260	휴켐스	953,658	40,878,588	26,320,960,800	1,128,249,028,800	2.33
935	000540	흥국화재	33,301	64,242,645	129,540,890	249,903,889,050	0.05
936	000547	흥국화재2우B	0	153,600	0	4,331,520,000	0.00
937	000545	흥국화재우	0	768,000	0	6,673,920,000	0.00
938	003280	흥아해운	84,187	240,424,899	311,070,965	888,370,001,805	0.04

이번에는 비중 컬럼으로 내림차순 정렬을 해봅니다. 마찬가지로 문자열 정렬 문제가 있을 수 있으므로 이 컬럼을 float으로 변환하고 정렬합니다.

df_shortbalance['비중'] = df_shortbalance['비중'].astype(float)
df_shortbalance.sort_values('비중', ascending=False)

index	종목코드	종목명	공매도잔고수량	상장주식수	공매도잔고금액	시가총액	비중
78	034220	LG디스플레이	28,935,291	357,815,700	568,578,468,150	7,031,078,505,000	8.09
339	032350	롯데관광개발	4,726,867	69,275,662	94,300,996,650	1,382,049,456,900	6.82
910	008770	호텔신라	2,462,557	39,248,121	198,974,605,600	3,171,248,176,800	6.27
46	011200	HMM	20,968,085	405,392,487	574,525,529,000	11,107,754,143,800	5.17
523	019170	신풍제약	2,499,527	52,984,990	128,225,735,100	2,718,129,987,000	4.72
…	…	…	…	…	…	…	…
313	030720	동원수산	0	4,653,805	0	45,886,517,300	0.00
315	014825	동원시스템즈우	0	265,358	0	8,809,885,600	0.00
644	000230	일동홀딩스	0	11,540,400	0	156,949,440,000	0.00
316	163560	동일고무벨트	0	13,900,000	0	116,760,000,000	0.00
261	006340	대원전선	0	71,016,967	0	142,033,934,000	0.00

공매도 거래와 공매도 잔고 데이터 합치기

이제 두 데이터를 합쳐서 확인해 보겠습니다. df는 공매도 거래 데이터이고 df_shortbalance는 공매도 잔고 데이터입니다. 이들 둘을 pandas merge() 메소드로 합치겠습니다.

_df = df.merge(df_shortbalance, how='outer', on='종목코드', suffixes=('', '_dup'))

이 데이터로 다양한 분석을 해볼 수 있겠습니다. 여기서는 공매도 잔고는 많으면서 공매도 거래는 적은 순으로 정렬해 봅니다.

_df['score'] = _df['비중'] / (_df['거래량비중'] + 1)
_df.sort_values('score', ascending=False)

index	종목코드	종목명	증권구분	공매도거래량	공매도거래량업틱룰	공매도거래량업틱룰예외	거래량	거래량비중	공매도거래대금	공매도거래대금업틱룰	공매도거래대금업틱룰예외	거래대금	거래대금비중	종목명_dup	공매도잔고수량	상장주식수	공매도잔고금액	시가총액	비중	score
97	034220	LG디스플레이	주권	4,420	2,290	2,130	1,949,194	0.23	89,668,950	46,585,150	43,083,800	39,626,663,800	0.23	LG디스플레이	28,935,291	357,815,700	568,578,468,150	7,031,078,505,000	8.09	6.577236
620	097520	엠씨넥스	주권	30	0	30	83,676	0.04	1,333,050	0	1,333,050	3,713,085,850	0.04	엠씨넥스	435,409	17,963,282	19,332,159,600	797,569,720,800	2.42	2.326923
370	032350	롯데관광개발	주권	17,567	16,928	639	882,332	1.99	324,702,700	312,941,650	11,761,050	16,281,919,250	1.99	롯데관광개발	4,726,867	69,275,662	94,300,996,650	1,382,049,456,900	6.82	2.280936
699	006490	인스코비	주권	675	0	675	1,384,422	0.05	2,285,320	0	2,285,320	4,702,224,255	0.05	인스코비	1,824,640	109,848,100	6,541,334,400	393,805,438,500	1.66	1.580952
578	003620	쌍용차	주권	0	0	0	0	0.00	0	0	0	0	0.00	쌍용차	2,180,965	149,840,002	6,041,273,050	415,056,805,540	1.46	1.460000
…	…	…	…	…	…	…	…	…	…	…	…	…	…	…	…	…	…	…	…	…
983	75701B93	현대유퍼스트부동산25호 A	수익증권	0	0	0	0	0.00	0	0	0	0	0.00	NaN	NaN	NaN	NaN	NaN	NaN	NaN
984	75702B93	현대유퍼스트부동산25호 C-i	수익증권	0	0	0	0	0.00	0	0	0	0	0.00	NaN	NaN	NaN	NaN	NaN	NaN	NaN
985	75701BA7	현대유퍼스트부동산30호[파생형] A	수익증권	0	0	0	0	0.00	0	0	0	0	0.00	NaN	NaN	NaN	NaN	NaN	NaN	NaN
986	75702BA7	현대유퍼스트부동산30호[파생형] C-i	수익증권	0	0	0	0	0.00	0	0	0	0	0.00	NaN	NaN	NaN	NaN

공매도 잔고가 많다는 것은 다시 상환해야 할 물량이 많다는 것이고 동시에 공매도 거래 비중이 적다면 주가가 바닥에 가까워 졌다고 추측해 볼 여지가 있습니다. 주식 거래에서 확실한 것은 없습니다. 다양한 금융데이터 분석을 통해 성공적인 투자에 한걸음씩 다가가는 것이 중요하다고 봅니다.

Tags:

• 금융데이터수집
• krx
• 공매도

퀀티랩 종목분석 기능 소개 (feat. 삼성전자 종목분석)

Sep 25, 2021

이번 포스트에서는 퀀티랩 종목분석에서 제공하는 데이터들을 소개하고자 합니다.

현재 퀀티랩 종목분석에서는 회사 기본정보, 퀀티랩 모델로 판단한 종목랭킹 추이, 일봉차트, MACD, RSI, 재무제표, PER, PBR, ROE, 공매도, 투자 주체별 수급 분석, 일봉수급점수를 제공합니다.

삼성전자 종목분석 페이지를 예로 각 항목을 살펴보겠습니다.

우선 삼성전자의 기본정보를 보여줍니다.

코스피인지 코스닥인지, 업종과 주요제품은 무엇인지 등을 보여줍니다.

QL 모델(퀀티랩 중장기 모델)의 종목랭킹 변화를 확인할 수 있습니다. 8월초 주가 급락에 따라 순위가 하락했다가 최근 다시 상위권으로 회복한 모습입니다.

기술적분석에서는 일봉 차트와 이동평균선, 볼린저밴드를 함께 보여주고 그 아래에 MACD, RSI 차트도 보여줍니다. MACD 상으로는 주가 급락 이후 8월 중순쯤 MACD 신호를 돌파하면서 매수타이밍으로 판단할 수 있고 RSI 상으로도 비슷한 시점을 과냉 상태로 볼 수 있어서 매수를 고려해볼 수 있습니다. 다만 기술적분석만으로 투자에 임하는 것은 매우 위험함을 말씀드립니다.

기본적분석은 재무제표와 PER, PBR, ROE 지표를 주로 봅니다.

재무제표의 재무상태표, 손익계산서, 현금흐름표에서 주요 계정들을 뽑아서 다음과 같이 차트로 보여줍니다.

삼성전자의 재무 상태는 매우 좋습니다. 300조에 육박하는 자본을 가지고 있다는 것에 놀라울 따름입니다. 당기순이익을 보면 성장이 약간 둔화된 듯 보여서 아쉬움은 있습니다. 현금흐름도 아주 안정적입니다. 재무제표 보는 법에 대해서는 이 포스트를 참고해 주세요.

수익성, 안정성, 성장성 지표로 주로 사용되는 PER, PBR, ROE를 차트로 보여줍니다.

성장주들에 비한다면야 PER도 그렇게 높지 않고 물리적인 자산이 많은걸 감안해도 PBR은 상당히 낮아서 상승여력은 충분해 보입니다.

그리고 수급분석에서는 공매도 현황과 기관/외국인/개인들의 순매수/순매도량을 보여주고 일봉에서 계산한 수급 점수인 일봉수급점수를 보여줍니다.

다음은 공매도 현황을 보여줍니다. 공매도는 주식을 빌려서 파는 행위를 말합니다. 공매도자는 주가가 하락하면 수익이 생깁니다.

• 공매도 잔고(위 차트)는 주식을 빌려서 판 후에 아직 갚지 않은 주식수 입니다.
• 공매도량(아래 차트)은 빌려서 판 주식 수 입니다.

삼성전자의 경우 공매도가 많은 상황은 아닌 것으로 보입니다.

다음 차트는 투자 주체(기관/외국인/개인)들의 순매수/순매도량은 보여줍니다.

삼성전자를 외국인이 8월초에 대량 매도하고 그걸 개인이 대부분 받은 것을 볼 수 있습니다.

다음은 일봉수급점수 차트입니다.

일봉수급점수는 240일, 120일, 60일, 20일, 10일, 5일 동안의 거래 강도를 나타냅니다. 1에 가까울수록 매수세가, -1에 가까울수록 매도세가 강했음을 의미합니다.

삼성전자의 일봉수급점수는 매도세가 약간 강한 상태로 유지 중입니다.

그럼 여기까지 퀀티랩 종목분석 기능소개를 마치겠습니다.

앞으로도 유익한 데이터를 많이 생성해서 제공할 것이니 퀀티랩에 많은 관심 부탁드립니다.

Tags:

• 퀀티랩
• 종목분석
• 기본적분석
• 기술적분석
• 수급분석

퀀티랩 Long-Term Trading (QL) 모델 개선 작업

Sep 19, 2021

퀀티랩 주식투자 대표 모델인 Quantylab Long-Term Trading (QL) 모델을 업데이트 했습니다. 기존 모델에 비해 다양한 시장지표 및 종목지표를 추가하고 레이블링을 조정하는 작업이었습니다.

Feature 수는 412개로 326개 시장지표 자질과 86개 종목지표 자질로 구성했습니다. 각종 지표에 Moving Average 등을 적용하여 자질 수는 부풀려진 면이 있습니다.

시장지표는 코스피/코스닥 지수, 해외 주식 시장 지수, 환율, 채권, 금리, 원자재, GSCI, 달러 지수, BDI, 필라델피아 반도체 지수, 미국시장 변동성 지수, MSCI 지수 등을 포함합니다. 종목지표는 종목 주가, 거래량, 시가총액, Bollinger Band, MACD, RSI, 수급, PER, PBR, ROE, 배당수익률, 기관/외국인/개인 수급, 공매도 비율, 대차잔고액 등을 포함합니다. 이들 시장지표 및 종목지표 자질들을 모아서 표준화 (Standardization) 했습니다.

레이블링은 수익성, 변동성, 거래규모 지표를 만들어 조합했습니다. 수익성 지표는 중장기 기간에서 종가의 변곡점을 찾아서 현재 종가와 다음 변곡점과의 차이를 기대 수익률로 삼았습니다. 변동성 지표는 변곡점 사이에서의 표준편차로 구했습니다. 거래규모 지표는 종목의 거래대금에 log를 취해 사용했습니다.

이렇게 자질과 레이블링을 마치고 적당히 심층신경망 레이어를 구성하여 학습했습니다. 중간에 이런저런 실수로 시행착오를 겪었지만 다 생략하고 결과를 바로 공유하려 합니다.

학습에는 2015~2019년 기간내의 데이터를 사용했습니다. 이렇게 학습한 모델로 2020년부터 현재까지 일단위로 종목 점수를 구하여 매수/매도를 판단해서 종가매매 백테스팅을 수행했습니다. 즉, 학습과 백테스팅 데이터가 겹쳐지지 않게하여 의미있는 백테스팅이 되도록 했습니다.

백테스팅 결과 2020년 부터 2021-09-17 까지의 평가 수익률은 +73.07%로 동기간 코스피 대비 30% 정도 높았습니다. QL 모델로 매수/매도를 판단한 내역은 다음과 같습니다.

날짜	매매	종목명	단가	수량	수익률	평가총액
2021-08-19	매도	현대자동차	206,500	58	+20.41%	173,831,949
2021-05-06	매수	LG전자	151,500	66		177,219,388
2021-05-06	매수	SK케미칼	256,000	39		177,220,888
2021-05-06	매수	LG화학	938,000	10		177,222,386
2021-05-06	매도	포스코	395,500	51	+103.87%	177,223,793
2021-03-23	매도	현대모비스	286,500	49	+40.79%	172,520,635
2021-03-23	매수	셀트리온	292,500	34		172,517,645
2021-03-23	매수	삼성전기	185,000	54		172,519,136
2021-01-13	매도	삼성SDI	754,000	26	+100.80%	178,728,737
2021-01-08	매도	삼성전기	193,000	112	+116.37%	179,837,188
2020-11-16	매도	NAVER	278,000	55	+53.17%	148,783,070
2020-09-24	매수	SK텔레콤	230,500	43		136,101,988
2020-09-24	매수	현대자동차	171,500	58		136,103,475
2020-09-24	매수	케이티앤지	80,400	124		136,104,967
2020-09-24	매도	셀트리온	245,502	61	+51.06%	136,106,463
2020-08-03	매도	LG화학	635,000	31	+102.23%	137,605,846
2020-07-24	매수	현대모비스	203,500	49		131,218,600
2020-07-24	매수	포스코	194,000	51		131,215,651
2020-07-24	매수	삼성SDI	375,500	26		131,217,135
2020-07-24	매도	엔씨소프트	802,000	17	+41.95%	131,220,096
2020-06-29	매도	SK케미칼	134,500	163	+120.49%	128,438,310
2020-03-23	매수	삼성전기	89,200	112		81,295,074
2020-03-23	매도	케이티앤지	63,600	108	-31.24%	81,296,573
2020-03-17	매수	SK케미칼	61,000	163		85,736,761
2020-03-17	매도	현대자동차	80,100	84	-32.12%	85,738,252
2020-03-16	매도	삼성SDI	253,000	43	+10.48%	86,948,811
2020-03-16	매도	포스코	162,000	42	-31.36%	86,977,640
2020-03-16	매수	삼성전자	48,900	204		86,945,828
2020-03-16	매수	셀트리온	162,522	61		86,947,324
2020-03-13	매도	현대모비스	171,500	40	-30.71%	91,169,271
2020-01-03	매수	이마트	122,500	81		99,845,350
2020-01-03	매수	NAVER	181,500	55		99,846,838
2020-01-03	매수	케이티앤지	92,500	108		99,848,336
2020-01-03	매수	삼성SDI	229,000	43		99,849,834
2020-01-03	매수	엔씨소프트	565,000	17		99,851,311
2020-01-02	매수	LG화학	314,000	31		99,994,081
2020-01-02	매수	현대모비스	247,500	40		99,995,541
2020-01-02	매수	현대자동차	118,000	84		99,997,026
2020-01-02	매수	LG생활건강	1,266,000	7		99,992,752
2020-01-02	매수	포스코	236,000	42		99,998,513

퀀티랩에서 매일 올라오는 QL 모델의 매매내역과 보유종목을 확인해 보세요.

Tags:

• 딥러닝
• 중장기
• 주식투자
• 모델
• Long-Term

[2021-08-13] 공매도 상위 종목 살펴보기

Aug 15, 2021

공매도는 주식을 빌려서 파는 행위를 말합니다. 주가가 하락한다는 쪽에 베팅하는 것입니다. 이러한 베팅을 숏(Short) 포지션 취한다고 합니다. 주가가 하락할 것이라고 예상하고 주식을 빌려서 현재 가격에 매도하고 주가가 떨어졌을 때 다시 매수해서 빌린 주식을 갚는 것입니다.

공매도는 2020년 3월에 주가 급락을 막기 위해 금지됐었습니다. 그렇게 1년 2개월간 금지된 공매도가 2021년 5월에 재개됐습니다. 공매도는 개인투자자들이 하기 어렵고 그만큼 개인투자자들의 공매도에 대한 부정적인 인식이 강합니다.

공매도가 많다고 해서 주가가 꼭 하락한다는 보장은 없지만 공매도의 현황을 파악해 놓는 것은 중요하다고 생각합니다. 공매도의 추세가 증가하면 가급적 매수를 자제하는 것이 좋다고 생각합니다. 다만 공매도가 많다가 줄어드는 추세이고 대차잔고가 많은 상태면 주가가 바닥권이라는 예측을 해볼 수도 있습니다. 대차잔고는 주식을 빌리고 아직 갚지 않은 주식 수를 의미합니다. 즉, 대차잔고만큼 앞으로 매수가 이뤄질 것이란 의미입니다.

퀀티랩 종목지표/공매도 메뉴에서 종목별 공매도 현황을 표로 확인할 수 있습니다.

이 포스트에서는 2021-08-13 기준으로 공매도율, 대차잔고율, 대차잔고액 순위를 살펴보겠습니다.

공매도율 Top 20

종목명	주가	등락율(%)	공매도액(만원)	공매도율(%)	대차잔고액(만원)	대차잔고율(%)
티씨케이	173,400	-1.64	137,556	25.57
넷마블	127,000	-3.79	1,398,730	25.51	9,808,533	0.85
하림지주	9,580	-1.54	65,510	22.83
SK머티리얼즈	432,000	-1.5	508,959	21.26
휴온스	61,400	-1.76	76,527	19.85
금호석유화학	192,500	-2.53	1,408,193	18.88	14,948,029	2.48
엔씨소프트	786,000	-2.48	1,563,723	18.7	7,751,709	0.43
리노공업	172,400	0.17	151,018	18.69
CJ대한통운	165,500	-2.07	189,097	18.43	845,591	0.22
GS리테일	33,200	-1.92	443,432	18.12	711,763	0.2
고영	23,450	-2.09	84,659	17.43
주성엔지니어링	13,050	-1.14	326,588	17.19
SK텔레콤	306,000	-2.08	1,344,422	17.12	8,681,719	0.4
동국제약	24,700	-1.79	71,298	17.11
팬오션	7,410	-4.39	1,044,217	16.94	4,016,525	1.03
하나투어	75,600	-2.45	265,633	16.83	1,204,780	1.09
S-Oil	93,800	-1.37	360,719	16.51	2,908,925	0.28
제일기획	23,200	-0.22	108,406	15.71	429,828	0.16
이오테크닉스	112,700	-3.1	153,843	15.5
한화솔루션	38,700	-2.27	564,867	15.41	12,955,934	1.7

대차잔고율 Top 20

종목명	주가	등락율(%)	공매도액(만원)	공매도율(%)	대차잔고액(만원)	대차잔고율(%)
롯데관광개발	18,900	-2.07	56,884	6.66	9,874,871	7.25
LG디스플레이	20,800	-3.48	971,078	11.97	50,027,642	6.31
신풍제약	66,800	-6.96	867,669	3.59	14,668,319	4.31
HMM	39,150	-3.69	100,346	0.45	64,919,667	4.13
엠씨넥스	45,500	-1.62	27	0.00	3,234,984	3.81
삼성중공업	6,170	-2.68	179,177	5.73	15,810,589	3.73
OCI	107,000	-3.60	178,287	2.69	8,522,111	3.18
셀트리온	275,500	-2.13	960,199	4.45	112,924,125	3.03
부광약품	20,400	-2.86	65,716	3.80	4,234,188	2.84
일양약품	34,150	-1.73	31,317	7.04	1,721,090	2.58
호텔신라	90,000	-2.39	313,553	6.93	9,290,901	2.57
금호석유화학	192,500	-2.53	1,408,193	18.88	14,948,029	2.48
두산퓨얼셀	48,400	-2.22	38,571	1.53	8,021,749	2.43
한전기술	48,150	-3.89	42,456	2.39	3,857,609	1.99
GKL	15,700	-1.26	43,621	8.02	1,931,880	1.93
삼양식품	87,800	-0.79	19,858	6.28	1,279,720	1.90
인스코비	4,325	14.57	880	0.01	686,171	1.79
씨에스윈드	80,100	-2.44	300,555	8.81	5,912,298	1.77
CJ CGV	28,750	-2.87	46,465	2.57	1,942,759	1.72
한화솔루션	38,700	-2.27	564,867	15.41	12,955,934	1.70

대차잔고액 Top 20

종목명	주가	등락율(%)	공매도액(만원)	공매도율(%)	대차잔고액(만원)	대차잔고율(%)
셀트리온	275,500	-2.13	960,199	4.45	112,924,125	3.03
HMM	39,150	-3.69	100,346	0.45	64,919,667	4.13
LG디스플레이	20,800	-3.48	971,078	11.97	50,027,642	6.31
현대자동차	217,000	-0.91	654,372	3.51	32,678,479	0.70
삼성바이오로직스	983,000	1.13	683,405	4.81	20,547,059	0.33
아모레퍼시픽	220,500	-1.78	388,536	10.83	17,527,987	1.32
삼성중공업	6,170	-2.68	179,177	5.73	15,810,589	3.73
금호석유화학	192,500	-2.53	1,408,193	18.88	14,948,029	2.48
LG생활건강	1,444,000	1.62	498,012	7.06	14,773,656	0.66
신풍제약	66,800	-6.96	867,669	3.59	14,668,319	4.31
SK이노베이션	248,500	2.69	1,440,198	5.32	14,506,495	0.65
LG화학	896,000	2.05	1,345,033	3.79	14,318,371	0.24
한화솔루션	38,700	-2.27	564,867	15.41	12,955,934	1.70
카카오	146,000	-1.02	2,591,342	8.29	12,739,610	0.20
포스코케미칼	155,000	1.31	1,070,661	14.55	12,592,228	1.05
한국조선해양	119,000	-0.83	93,640	2.25	10,713,972	1.22
롯데관광개발	18,900	-2.07	56,884	6.66	9,874,871	7.25
두산중공업	20,800	-4.15	215,178	1.67	9,809,839	0.89
넷마블	127,000	-3.79	1,398,730	25.51	9,808,533	0.85
삼성전자	74,400	-3.38	13,590,049	3.00	9,771,279	0.02

여기서 대차잔고액은 높은데 공매도율은 낮은 종목으로는 HMM이 있습니다. HMM의 공매도 흐름을 살펴보면 다음과 같습니다.

7월달을 보면 공매도율이 무려 25% 가까이 있었다는 것을 알 수 있습니다. 이 공매도 물량을 언제 상환할 지는 모르겠지만 최근 공매도율은 낮아진 것으로 보입니다.

여기에 BDI 역시 높은 상황이라 HMM이 다시 올라갈 여지도 있어 보입니다.

Tags:

• 공매도
• 대차잔고
• 숏커버링

Newer posts

Older posts