神奇的月份效应
我知道你在想什么
这是个很疯狂的注意，股票市场又不是结婚新人，怎么会选日子来起落呢？
请继续读下去，我为你解答
在马股浸淫了5年，时常都会听到网友的流言，
关于哪一个月份赚钱是最容易的，
其中一个例子就是12月份的”橱窗粉饰”，
这个现象背后的原理大概就是基金经理们会开始买进所拥有的股票，
把基金表现”推”上去，所以年尾投资者们才会满意自己所投资的基金
我很好奇，这到底是真的吗？
身为码农的小编，做什么事情决定都会以数据为基础
所以那么有趣的现象当然要用数据找出来！
读取数据
首先我们必须获得马来西亚综合指数KLSE的月数据
我手上已经有一份了，是从Yahoo Finance下载的，
先看看数据长得如何。。
import pandas as pd
KLSE_data = pd.read_csv('MKLSE.csv',parse_dates=['Datetime'])
KLSE_data.head(5)| Datetime | Open | High | Low | Close | Adj Close | Volume | |
|---|---|---|---|---|---|---|---|
| 0 | 2010-10-31 | 1468.45 | 1505.66 | 1462.27 | 1505.66 | 1,505.66 | 123,952,000,118,754,000,000,000,000,000,000,00… |
| 1 | 2010-11-30 | 1510.69 | 1531.99 | 1474.02 | 1485.23 | 1,485.23 | 89,809,800,125,250,500,000,000,000,000,000,000… |
| 2 | 2010-12-31 | 1482.69 | 1529.95 | 1477.57 | 1518.91 | 1,518.91 | 153,042,000,150,431,000,000,000,000,000,000,00… |
| 3 | 2011-01-31 | 1524.53 | 1576.95 | 1505.36 | 1519.94 | 1,519.94 | 142,815,000,204,667,000,000,000,000,000,000,00… |
| 4 | 2011-02-28 | 1524.74 | 1544.35 | 1474.38 | 1491.25 | 1,491.25 | 122,139,600,155,642,000,000,000,000,000,000,00… |
这是很典型的股票数据，有开市，高点，低点，收市价，交易量的月数据
看着也没什么意思，不如看看波动率。。
马股月波动率
先来看看马股的月波动率，首先我们得计算出每月的波动率
KLSE_data['Change'] = (KLSE_data['Close'] - KLSE_data['Open'])/KLSE_data['Open']
KLSE_data.plot.line(x = 'Datetime', y = 'Change')
可以观察出马股的月波动率都是围绕在0左右，也符合常理
以波动率来看其实没有什么有用的信息，试试看其他分析法
月平均回酬
试试看可视化每个月的平均回酬
# We need calendar module to parse into months in words
import calendar
KLSE_data['month'] = KLSE_data['Datetime'].dt.month
temp_data = KLSE_data.groupby(['month'])
month = pd.DataFrame(columns = ['Month','Change'])
for index,m in temp_data:
temp_month = m['month'].iloc[0]
mm = calendar.month_abbr[temp_month]
temp_change = m['Change'].mean()
month = month.append({'Month': temp_month,
'Change': temp_change}, ignore_index=True)
month.plot(x = 'Month', y = 'Change', kind = 'bar')
我把每个月的回酬率取得平均，
再用bar chart来可视化，
看起来12月的回酬率真的比较高
更仔细的月均回酬
其实Bar chart并不会告诉你整个故事，
如果有过高的数值会把平均值拉远，就会有过高或过低的假象
接下来用boxplot来更仔细的可视化这个数据集
(什么是 Boxplot?）?
import matplotlib.pyplot as plt
KLSE_data.boxplot(column = ['Change'], by = 'month',
showfliers = True, grid = False)
plt.axhline(y = 0, color = 'green', linestyle = 'dotted')
这时我们就可以看到更完整的细节
12月的确比其他月份来得好（至少10年的数据是这样显示）
惊喜的是，除了12月，有些月份也看起来不错，
其中3，7，10，12月的回酬率都看起来不错
这些信息可以拿来交易吗？
从以上分析看来，小编闻到一个可能获利的交易机会
如果我们每7，10，12月（前3名）买入KLSE，不知结果会如何？
来回测看看！
KLSE_data['signal'] = KLSE_data['month'].apply(lambda x: 1 if (x==7 or x == 10 or x == 12) else 0)
KLSE_data['return'] = KLSE_data['Change']*KLSE_data['signal']
KLSE_data['Capital'] = 0
InitialCapital = KLSE_data['Close'].loc[0]
for i in range(0,len(KLSE_data)):
if i == 0:
KLSE_data.loc[i, 'Capital'] = InitialCapital
else:
KLSE_data.loc[i, 'Capital'] = ((KLSE_data['return'].loc[i] + 1.0)
* KLSE_data['Capital'].loc[i - 1])
KLSE_data.plot.line(x='Datetime',y=['Capital','Close'])
看起来真的不错哟，我们”成功”的抓住了上涨的月份，逃过了下跌的月份
小编终于不用当码农了，要发财了吗？？
其实不是的
- 第一，过去的回酬不代表未来的回酬
- 第二，以统计学的角度来看，这数据集太小，而且很可能发生了过度拟合(overfitting)
最后，这好像是给出自己过去中TOTO的号码，
然后开课程教人如何发财，哈哈哈
从未来看过去，一切都看起来理所当然
可是准确地预测未来却没那么简单
结语
从过去10年的数据来看，12月的确是比较容易赚钱的，
这也无形中验证了12月的”橱窗粉饰”效应？
也不好说，就算该效应真的存在，
谁也不敢打包单说未来每个12月都会有”橱窗粉饰”效应
当作是个都市传说吧
最后留个我很喜欢的一句话
History doesn’t repeat itself, but it does rhyme.
Mark Twain
歷史不會重演，但是就像文章的押韻一樣，類似的事件還是會再度發生
纯属分享，无买卖建议
