【Python量化分析100例】Day2-星期几最容易被割韭菜

1 背景

在进行基金定投时，通常都会有一个疑问：设置星期几进行定投才能捡到最便宜的筹码呢？

本节内容通过统计沪深300最近16年的数据（2005年1月4日到2021年10月22日）带你解开疑惑，

2 获取数据

2.1 登陆Tushare

通过以下url，用户可以注册到自己的tushare账号，登陆账号之后，在账号的个人首页->接口Token中获取对应的Token进行数据获取的钥匙。

url = "https://tushare.pro/register?reg=399376"

2.2 用pyhton连接tushare

首先，需要安装tushare模块

pip install tushare

连接tushare

import tushare as ts
ts.set_token('your token here')#这里填入自己获取的token
pro = ts.pro_api()

2.3 用pyhton获取数据

以沪深300为例，获取2005年01月04日到2021年10月22日的所有日线数据：

df = pro.index_daily(ts_code='399300.SZ')#沪深300

或者按日期取

df = pro.index_daily(ts_code='399300.SZ', start_date='20050104', end_date='20211022')

接口：index_daily
描述：获取指数每日行情，还可以通过bar接口获取。由于服务器压力，目前规则是单次调取最多取8000行记录，可以设置start和end日期补全。

输入参数

名称	类型	必选	描述
ts_code	str	Y	指数代码
trade_date	str	N	交易日期 （日期格式：YYYYMMDD，下同）
start_date	str	N	开始日期
end_date	str	N	结束日期

输出参数

名称	类型	描述
ts_code	str	TS指数代码
trade_date	str	交易日
close	float	收盘点位
open	float	开盘点位
high	float	最高点位
low	float	最低点位
pre_close	float	昨日收盘点
change	float	涨跌点
pct_chg	float	涨跌幅（%）
vol	float	成交量（手）
amount	float	成交额（千元）

将数据进行倒序

df = df[::-1].reset_index()

查看数据

df

ts_code	trade_date	close	open	high	low	pre_close	change	pct_chg
399300.SZ	20050104	982.7940	994.7690	994.7690	980.6580	1000.0000	-17.2060	-1.7206
399300.SZ	20050105	992.5640	981.5770	997.3230	979.8770	982.7940	9.7700	0.9941
399300.SZ	20050106	983.1740	993.3310	993.7880	980.3300	992.5640	-9.3900	-0.9460
399300.SZ	20050107	983.9580	983.0450	995.7110	979.8120	983.1740	0.7840	0.0797
399300.SZ	20050110	993.8790	983.7600	993.9590	979.7890	983.9580	9.9210	1.0083
...	...	...	...	...	...	...	...	...
399300.SZ	20211018	4874.7753	4922.5137	4922.5137	4844.9383	4932.1084	-57.3331	-1.1624
399300.SZ	20211019	4922.7232	4869.3907	4928.1433	4868.8106	4874.7753	47.9479	0.9836
399300.SZ	20211020	4910.1846	4926.7727	4944.0216	4898.3651	4922.7232	-12.5386	-0.2547
399300.SZ	20211021	4928.0156	4914.7378	4946.1764	4893.8525	4910.1846	17.8310	0.3631
399300.SZ	20211022	4959.7254	4934.8698	4989.8870	4934.8698	4928.0156	31.7098	0.6435

2.4 用pyhton进行数据分析

将数据日期trade_date转换成日期格式

import pandas as pd
df["Date"] = pd.to_datetime(df["trade_date"])#将字符串转换成日期

输出转换后的日期

df["Date"]

0      2005-01-04
1      2005-01-05
2      2005-01-06
3      2005-01-07
4      2005-01-10
          ...    
4077   2021-10-18
4078   2021-10-19
4079   2021-10-20
4080   2021-10-21
4081   2021-10-22
Name: Date, Length: 4082, dtype: datetime64[ns]

将日期转换成星期，用0-4表示星期一到星期五

df["weekday"] = df["Date"].dt.dayofweek#日期转换成星期

查看星期去重数据

set(df["weekday"])

{0, 1, 2, 3, 4}

统计‍各个工作日的均值与涨跌特征

result = df.groupby("weekday")["pct_chg"].describe()
tmp1 = df.groupby("weekday")["pct_chg"].size()#星期个数统计
tmp2 = df[df["pct_chg"]>0].groupby("weekday")["pct_chg"].size()#上涨星期统计
result["success_rate"] = tmp2/tmp1
result.T

weekday	0	1	2	3	4
count	797.000000	821.000000	829.000000	822.000000	813.000000
mean	0.180544	0.013758	0.085892	-0.107176	0.098623
std	2.048196	1.570551	1.593049	1.607178	1.558436
min	-8.747700	-9.239800	-6.761300	-7.294500	-7.868300
25%	-0.755200	-0.628800	-0.688100	-0.873975	-0.644600
50%	0.272300	0.134300	0.027400	-0.086750	0.124400
75%	1.287600	0.814900	0.808500	0.684750	0.848200
max	8.271700	6.714700	8.180200	9.287900	9.342000
success_rate	0.584693	0.563946	0.512666	0.457421	0.555966

得到最近16年沪深300在周一到周五的上涨概率分别为为：

周一上涨概率：58.4%

周二上涨概率：56.3%

周三上涨概率：51.2%

周四上涨概率：45.7%

周五上涨概率：55.5%

可以看出周一上涨概率最大，周四下跌概率最大

分别将周一到周五的数据抽取出来，然后进行相乘

mon_df = df[df["weekday"]==0].copy()
tue_df = df[df["weekday"]==1].copy()
wed_df = df[df["weekday"]==2].copy()
thu_df = df[df["weekday"]==3].copy()
fri_df = df[df["weekday"]==4].copy()


mon_df["equity_mon"] = (mon_df["pct_chg"]/100+1).cumprod()
tue_df["equity_tue"] = (tue_df["pct_chg"]/100+1).cumprod()
wed_df["equity_wed"] = (wed_df["pct_chg"]/100+1).cumprod()
thu_df["equity_thu"] = (thu_df["pct_chg"]/100+1).cumprod()
fri_df["equity_fri"] = (fri_df["pct_chg"]/100+1).cumprod()

可以得到星期的累记涨跌幅，并进行画图

import matplotlib.pylab as plt

temp = df.copy()

temp["equity_mon"] = mon_df["equity_mon"].copy()
temp["equity_tue"] = tue_df["equity_tue"].copy()
temp["equity_wed"] = wed_df["equity_wed"].copy() 
temp["equity_thu"] = thu_df["equity_thu"].copy()
temp["equity_fri"] = fri_df["equity_fri"].copy()

equity_list = ["equity_mon", "equity_tue", "equity_wed", "equity_thu", "equity_fri"]

fig = plt.figure(figsize=(10,6))
ax1 = fig.add_subplot(111)

for i in equity_list:
  temp[i] = temp[i].astype("object")
  temp[i].fillna(method = "ffill", inplace = True)
  temp[i] = temp[i].astype("object")
  temp[i].fillna(value = 1, inplace = True)
  ax1.plot(temp["Date"], temp[i], label = i)
ax1.legend(loc = "best")
plt.show()

可以看出从2005年开始到2021年：

周一的累计涨幅为3.559659

周二的累计涨幅为1.010604

周三的累计涨幅为1.834925

周四的累计涨幅为0.372335

周五的累计涨幅为2.019456

以1为基准判断，只进行周一投资，获利3.6倍，只进行周四投资亏损63%。

3 总结

星期四最容易被割韭菜，因此为了捡到相对便宜的筹码，我们的定投应该设置在星期四。

大佬们可以通过替换代码中的ts_code去统计不同指数的涨跌情况。

投资有风险，该教程仅供学习参考，不作为投资建议！！！

代码已同步到github，会慢慢更新～

4 Reference

https://github.com/RxxxxR/quantitative_analysis

Tushare大数据社区