最近中国股市也因受到海外市场波动的影响的振幅非常大，又由于马上面临春节了，股市里的钱是取出来放到货币基金里好呢，还是继续放在股市里好呢？
除了对于宏观，行业，个股的分析和把握，我们从历史市场表现的角度也来看下吧，供大家的投资计划作参考。
好了，废话不多说，先上结论
一、上证指数的春节前后表现，2005年-2017年
1. 春节前一工作日的涨跌情况
2.春节后一工作日的涨跌情况
3. 春节前5个工作日
4. 春节后5个工作日
从上面的分析可以看出，上证指数在春节前一周和后一周的上涨可能性还是相对比较高的。尤其是春节前一周。
接下来，再来看看其他指数的表现：
二、沪深300指数
1. 春节前一工作日的涨跌情况
2. 春节后一工作日的涨跌情况
3. 春节前5个工作日的涨跌情况
4. 春节后5个工作日的涨跌情况
三、深圳成分股指数
1. 春节前一工作日的涨跌情况
2. 春节后一工作日的涨跌情况
3. 春节前5个工作日的涨跌情况
4. 春节后5个工作日的涨跌情况
四、创业板指数
1. 春节前一工作日的涨跌情况
2. 春节后一工作日的涨跌情况
3. 春节前5个工作日的涨跌情况
4. 春节后5个工作日的涨跌情况
综上，上证，沪深300，深圳，创业板四个指数，基本上是同步的，在节前节后的第一个工作日没有明显的上涨下跌偏向。但是在前后一周都出现了以上涨为多数的情况，尤其是创业板，连续七年，节后一周收涨，不知道今年还会不会延续呢？
以下是所有的源代码：
import pandas as pd
pd.set_option('expand_frame_repr', False)
import os
os.chdir('D:/all_trading_data/Every_days_analysis/')
from Basic_Functions import Functions
import matplotlib.pyplot as plt
## 1.读取春节假日表,并计算前后指定工农昨日
def get_df_sf(n=5):
df_sf = pd.read_csv('input_data/spring_festival.csv')
# df_sf[['start','end']] = pd.to_datetime(df_sf[['start','end']])
df_sf['start'] = pd.to_datetime(df_sf['start'])
df_sf['end'] = pd.to_datetime(df_sf['end'])
# 获取春节前一个交易日的日期
df_sf['春节前一天'] = df_sf['start'] - pd.Timedelta(days=1)
df_sf['春节前一天判断工作日'] = df_sf['春节前一天'].dt.dayofweek
i = 0
for date in df_sf['春节前一天判断工作日']:
if date == 5: # 如果是星期六再减一天
df_sf.loc[i, '春节前一工作日'] = df_sf.loc[i, '春节前一天'] - pd.Timedelta(days=1)
elif date == 6: # 如果是星期天再减2天
df_sf.loc[i, '春节前一工作日'] = df_sf.loc[i, '春节前一天'] - pd.Timedelta(days=2)
else:
df_sf.loc[i, '春节前一工作日'] = df_sf.loc[i, '春节前一天']
i += 1
df_sf['春节后一天'] = df_sf['end'] + pd.Timedelta(days=1)
df_sf['春节后一天判断工作日'] = df_sf['春节后一天'].dt.dayofweek
i = 0
for date in df_sf['春节后一天判断工作日']:
if date == 5: # 如果是星期六再加2天
df_sf.loc[i, '春节后一工作日'] = df_sf.loc[i, '春节后一天'] + pd.Timedelta(days=2)
elif date == 6: # 如果是星期天再加1天
df_sf.loc[i, '春节后一工作日'] = df_sf.loc[i, '春节后一天'] + pd.Timedelta(days=1)
else:
df_sf.loc[i, '春节后一工作日'] = df_sf.loc[i, '春节后一天']
i += 1
df_sf['春节前指定日'] = df_sf['春节前一工作日'] - pd.Timedelta(days=n)
df_sf['春节后指定日'] = df_sf['春节后一工作日'] + pd.Timedelta(days=n)
return df_sf
# 春节后一段时间的涨跌幅
def get_df_change(df_sf, df_index, type=0):
df_sf = df_sf.copy()
df_index = df_index.copy()
name = {0: '前', 1: '后'}
i = 0
for year in df_sf['year']:
start = df_sf.loc[i, '春节{}指定日'.format(name[type])]
end = df_sf.loc[i, '春节{}一工作日'.format(name[type])]
if type == 0:
total_change = (df_index.loc[(df_index['date'] >= pd.to_datetime(start)) & (df_index['date'] <= pd.to_datetime(end)), 'index_change'] + 1.0).prod()
elif type == 1:
total_change = (df_index.loc[(df_index['date'] >= pd.to_datetime(end)) & (df_index['date'] <= pd.to_datetime(start)), 'index_change'] + 1.0).prod()
# total_change = df_index.loc[(df_index['date'] >= pd.to_datetime(start)) & (df_index['date'] <= pd.to_datetime(end)), 'index_change'].sum()
df_sf.loc[i, 'index_change'] = total_change - 1
i += 1
print df_sf
# exit()
return df_sf
# 作图
def get_plot(df, index_code, n, type):
df = df.copy()
df['index_up'] = df.loc[df['index_change'] >= 0, 'index_change']
df['index_down'] = df.loc[df['index_change'] < 0, 'index_change']
fig = plt.figure(figsize=(14,6))
# ax = fig.add_subplot(1,1,1)
# ax.set_title(str(index_code))
# ax.set_xlabel('Time') # 设置横坐标x轴的名字
# ax.set_ylabel('Change') # 设置Y轴
name = {0: 'back', 1: 'forward'}
plt.title(str(index_code) + '_spring_festival_index_change_' + name[type] + '_' + str(n))
plt.xlabel('Time')
plt.ylabel('Change')
# plt.bar(df['year'], df['index_change'])
plt.bar(df['year'], df['index_up'], fc='r')
plt.bar(df['year'], df['index_down'], fc='g')
plt.show()
if __name__ == '__main__':
## 读取指数数据
# index_code = '000001.SH' # 上证指数
# index_code = '000300.SH' # 沪深300
# index_code = '399001.SZ' # 深圳成指
index_code = '399006.SZ' # 创业板指
type = 1 # 0代表节前, 1代表节后
n = 5
df_index = Functions.import_index_data_wande(index_code=index_code, start_date='20050101')
df_sf = get_df_sf(n=n)
df_sf = get_df_change(df_sf, df_index, type=type)
print "上涨次数：%d" % df_sf.loc[df_sf['index_change'] >= 0, 'index_change'].count()
print "下跌次数：%d" % df_sf.loc[df_sf['index_change'] < 0, 'index_change'].count()
print "平均涨跌幅：%.4f%%" % (df_sf['index_change'].mean() * 100.00)
print "最大涨幅：%.4f%%" % (df_sf['index_change'].max() * 100.00)
print "最大跌幅：%.4f%%" % (df_sf['index_change'].min() * 100.00)
get_plot(df_sf, index_code, n, type)
当然，以上的结果都纯属统计结果，如果只是拿以上的结果作为你个人的投资建议，风险还是比较大的，如果在宏观经济，行业研究，个股分析上，再加上一定的数理统计，则会让你事半功倍。
毕竟，投资的道路没有捷径。给大家拜个早年，祝大家节日快乐~红包多多~
可能对于初学者而言，即使有上述源代码，可能还是会觉得较难理解。那么，建议各位想学习python并研究交易的朋友们可以考虑《Python量化入门》课程系列，非常适合零基础的朋友们，获得所有的股票历史数据，并建立自己的交易策略，建议购买课程后深入学习。
课程评价
优点：这套课程特别适合对Python，pandas都没掌握的同学，和“入门”二字很贴切。虽然价要收取一定的费用，但是对于零基础的同学还是墙裂推荐。当然我的笔记是完全免费的，但这个只能作为点心，毕竟正餐才是最有营养的~而且还有大量的源代码A股所有的股票历史交易数据。
缺点：只能用微信访问学习，PC端的话要通过微信客户端访问。
系列总课时约12多个小时，会获得课程讲解的所有源代码。如要深入熟练掌握，课外练习可能需要100小时+。
课程传送门：
网友评论