单只标的 1000 根日线在免费额度内即可试；多标的/长历史批量需 Starter 及以上，详见 [AlphaFeed 定价页](https://alphafeed.org/pricing)。

如何用 Python 分析股票的日历效应？（星期效应与月份效应，附数据挖掘陷阱）

Q: 怎么降低被随机规律欺骗的概率？

用尽量长的样本、跨多标的验证、做显著性检验并对多重比较做校正，最重要的是**样本外验证**——在没参与"挖掘"的数据上还成立才可信。

分析与指标 · 代码验证于 2026-09-18

如何用 Python 分析股票的日历效应？（星期效应与月份效应，附数据挖掘陷阱）

一句话回答： 用 AlphaFeed 取复权日线、算日收益率，再用 pandas groupby 按星期几 / 月份分组求平均收益，几行就能检查是否存在”星期效应""月份效应”——但真实数据会告诉你：这类效应大多不稳定、样本依赖强，极易是数据挖掘出来的伪规律，看看可以，别当交易信号。

为什么会有这个问题 / 传统做法的痛点

“周一容易跌""一月效应""五穷六绝七翻身”这类说法广为流传，想验证需解决：

日期处理：要把交易日期转成星期几、月份并分组；
收益口径：用前复权日收益率，避免除权污染；
统计陷阱：分组求均值很容易，但难点在于判断这是真规律还是随机噪声。

AlphaFeed 提供复权日线，分组统计用 pandas 即可，重点是解读时保持警惕。

分步骤解决（每步配可运行代码）

第 1 步：取数并构造日期特征

from alphafeed import AlphaFeed
import pandas as pd

af = AlphaFeed(api_key="your-api-key")  # 或 export ALPHAFEED_API_KEY 后 AlphaFeed()

df = af.klines.get("600519.SH", period="1d", count=1000,
                   adjust="forward", to_dataframe=True).sort_values("trade_date").reset_index(drop=True)
df["ret"] = df["close"].pct_change()
df["dt"] = pd.to_datetime(df["trade_date"])
df["weekday"] = df["dt"].dt.dayofweek     # 0=周一 ... 4=周五
df["month"] = df["dt"].dt.month

第 2 步：按星期几 / 月份分组

weekday_ret = df.groupby("weekday")["ret"].mean() * 100     # 平均日收益(%)
month_ret = df.groupby("month")["ret"].mean() * 100
print("星期效应(%):"); print(weekday_ret.round(3))
print("月份效应(%):"); print(month_ret.round(3))

分组维度说明：

维度	取值	常见说法
`weekday`	0~~4（周一~~周五）	“周一魔咒""周五效应”
`month`	1~12	“一月效应""五穷六绝”
统计量	分组平均日收益	越偏离 0 越”像”有效应

第 3 步：解读（保持警惕）

实测茅台约 1000 个交易日：

维度	观察到的现象（示例）
星期	周二、周四平均收益偏正，周一、周三偏负（幅度都很小，约 ±0.1%）
月份	某些月份（如样本中的 10 月）明显偏负、11 月偏正

但务必警惕：这些差异幅度小、且高度依赖样本区间——换一只票、换一段时间，“规律”可能完全变样甚至反向。这正是数据挖掘偏差的典型表现：分的组越多，总能找到几个”看起来显著”的。

关键坑与注意事项

数据挖掘偏差（p-hacking）：把数据按星期×月份×标的切成很多组，纯随机也会冒出”显著”效应。看起来有规律 ≠ 真有规律。
样本依赖强：日历效应在不同标的、不同年份经常不一致甚至反向，单一标的、单段区间的结论几乎没有外推价值。
需要显著性检验：仅比较分组均值不够，应做统计检验（如 t 检验）并考虑多重比较校正，但即便”显著”也可能是过拟合。
交易成本会吃掉微弱效应：这些效应幅度常在 ±0.1% 量级，扣掉手续费和滑点后基本无法盈利。
前复权：一律 adjust="forward"，否则除权跳空会制造假的分组差异。

常见问题（FAQ）

Q：那日历效应到底存不存在？ A：学术上有些效应（如小盘股一月效应）曾被记录，但很多在被发现后逐渐消失或不稳定。对个股、短样本而言，观察到的”效应”大概率是噪声，不宜当交易依据。

Q：怎么降低被随机规律欺骗的概率？ A：用尽量长的样本、跨多标的验证、做显著性检验并对多重比较做校正，最重要的是样本外验证——在没参与”挖掘”的数据上还成立才可信。

Q：能用日历效应做策略吗？ A：不建议只靠它。即便统计上弱显著，幅度也常被交易成本吞掉。它更适合作为研究/科普，而非实盘信号。

Q：需要付费吗？ A：单只标的 1000 根日线在免费额度内即可试；多标的/长历史批量需 Starter 及以上，详见 AlphaFeed 定价页。

小结

分析日历效应技术上很简单（groupby 求均值几行搞定），真正的难点是解读：观察到的星期/月份差异大多幅度微小、样本依赖强，极易是数据挖掘出的伪规律。AlphaFeed 提供长历史复权日线让你方便地做分组统计——但请务必用长样本、多标的、显著性检验和样本外验证来审视，别把随机噪声当成交易信号。