日历异象与季节性：月初效应、Sell-in-May、周末效应能否变成可交易信号

日历异象是量化里最”土”也最容易被嘲笑的一类命题：月初会涨、周五会涨、五月该卖出、万圣节前后再回来。机构投资者本能地鄙视它们——“这不就是玄学吗？“但严肃的事实是：日历异象在被发现后的几十年里反复被复现，且部分效应在扣费后仍然显著。 它们不是”能躺赚的圣杯”，但它们是检验市场是否有效的一块试金石，也是观察资金流（工资流入、基金再平衡、粉饰窗）如何扭曲价格的绝佳窗口。

结论先放这：在 25 年、约 6300 个交易日的合成日频序列（带可控、贴近文献量级的季节性注入）里，三类效应全部成立且方向符合经典文献——① 月初效应：每月前 3 个交易日日均收益 0.036%，是其余交易日 0.016% 的 2.2 倍；② 周内效应：周五 +0.076% 最强、周一 −0.009% 最弱，周五−周一差 0.084%；③ Sell-in-May（万圣节指标）：冬季(11−4月)日均 0.066% 而夏季(5−10月) −0.027%，“只冬季持有”净值 Sharpe 0.70，把全年持有（Sharpe 0.23）的最大回撤从 −47% 砍到 −25%。但它们成不了直接下注的 alpha：扣交易成本、做多重检验校正、并正视近 20 年样本外衰减后，能留下的只有”机械资金流驱动的交易成本节省窗口”，而非超额收益。附完整 Python 与六类真实陷阱（高阶）。

一、月初效应(Turn-of-the-Month)：钱在月初到账#

“月初效应”指一个月里收益不成比例地集中在月初（通常是前 1−3 个交易日）。最经典的机制解释是资金流的周期性：工资、养老金、共同基金的定投与再平衡，往往在月初把现金注入市场，形成机械买盘。这不是风险溢价，是”有人被迫在月初买”造成的价格压力。

怎么检验？把每个交易日按”它是当月第几个交易日”打标签，然后比较前 3 天与其余日子的平均收益，并用 t 检验看差异是否显著。

import numpy as np, pandas as pd
from scipy import stats

# df 含列: ret(日收益), dom(当月第几个交易日)
df["is_first3"] = df["dom"] <= 3
first3 = df[df["is_first3"]]["ret"].mean() * 100      # 前3天日均 %
rest   = df[~df["is_first3"]]["ret"].mean() * 100     # 其余日均 %
t_stat, p_val = stats.ttest_1samp(
    df[df["is_first3"]]["ret"].values * 100, rest)    # 相对其余均值的 t 检验

print(f"前3天日均 {first3:.4f}%  其余 {rest:.4f}%  差 {first3-rest:.4f}%")
print(f"t={t_stat:.2f}  p={p_val:.4g}")

在我们的合成样本里，前 3 天日均 0.036%、其余 0.016%，差 0.020%——方向对、量级也和真实文献（约 0.05%−0.1%/天）处在同一数量级。把”当月第几个交易日”画成一条曲线，你能直接看到收益在月初隆起、月末塌陷（见顶部图）。

但注意一个统计陷阱：上面的 t 检验把每天当成独立观测，而真实日收益有波动聚集和自相关。严谨做法要用 Newey-West 调整或block bootstrap。我们刻意保留了”朴素 t 检验”的结果，正是为了在第 █ 节的陷阱里对照——很多”显著的日历效应”一旦用对标准误，就塌了。

二、周内效应：周五强、周一弱#

“周末效应”（更准确地说是”周内效应”）指一周里某些星期几的系统性强弱。早期美国市场最著名的发现是：周一平均收益显著为负（“周一效应”），而周五偏强。机制上，坏消息常在周末酝酿、周一释放，叠加机构周五调仓的买盘。

按星期几聚合：

dow_names = ["周一","周二","周三","周四","周五"]
dow_ret = df.groupby("dow")["ret"].mean() * 100   # dow: 0=Mon..4=Fri
for i, v in enumerate(dow_ret.values):
    print(f"{dow_names[i]}: {v:.4f}%")
fri_mon = dow_ret[4] - dow_ret[0]
print(f"周五−周一 = {fri_mon:.4f}%")

结果：周一 −0.009%、周二 −0.009%、周三 +0.014%、周四 +0.023%、周五 +0.076%。周五−周一差 0.084%，形状正是经典文献的”周五翘尾、周一低头”。值得强调的是——这个效应在不同国家、不同年代差异极大：美股周一效应在 1990 年后基本消失，而部分亚太市场反而呈现”周二/月末”特征。所以做跨市场时绝不能照搬美国经验。

三、Sell-in-May 与万圣节指标：季节性的最强版本#

“Sell in May and go away, but remember to come back on St. Leger’s Day（九月下旬）“是伦敦金融城的老谚语。现代量化把它改写成”万圣节指标”：每年 11 月到次年 4 月（冬季）持有股票，5 月到 10 月（夏季）空仓或转债。它的逻辑混合了：夏季假期流动性下降、机构半年度再平衡、以及单纯的资金季节性。

直接比冬季 vs 夏季：

winter = (df["month"] >= 11) | (df["month"] <= 4)   # 11,12,1,2,3,4
winter_ret = df[winter]["ret"].mean() * 100
summer_ret = df[~winter]["ret"].mean() * 100
print(f"冬季日均 {winter_ret:.4f}%  夏季日均 {summer_ret:.4f}%")

合成结果：冬季日均 +0.066%，夏季 −0.027%——冬季净胜 0.093%/天。把它落成两个净值曲线（全年持有 vs 只冬季持有，夏季空仓收益为 0）：

eq_bh     = (1 + df["ret"]).cumprod().values
ret_wint  = np.where(winter.values, df["ret"].values, 0.0)
eq_winter = (1 + pd.Series(ret_wint)).cumprod().values

两个净值对比（对数轴）：

耐人寻味的是：“只冬季持有”不仅收益更高，波动和回撤还更低——因为它天然砍掉了夏季那段拖后腿又高波动的时期。而”只月初前3天持有”虽然波动最低，但频繁空仓让复利吃不饱，Sharpe 反而最差。这说明日历异象更适合当”仓位调节器”，而不是”满仓开关”。

四、这些效应为什么存在：机制 vs 噪声#

把它们当真，需要一套说得通的机制，而不是”图表好看”。主流解释有三层：

1. 机械资金流：工资、养老金、基金定投、季度/月度再平衡在月初与季初集中注入，制造可预测的买压（解释月初效应）。
2. 流动性与假期：夏季假期降低流动性、放大下行；机构财年末（多在夏季）有锁盈/调仓动机（解释 Sell-in-May）。
3. 行为偏差：坏消息周末酝酿、周一释放；散户周五乐观、周一悲观（解释周内效应）。

但机制能解释”为什么有压力”，解释不了”压力为什么没被套利抹平”。这正是日历异象最迷人的地方——它挑战了”市场完全有效、任何免费午餐立刻被吃掉”的假设，也提醒我们：市场里确实存在一些太小、太零散、太难规模化的定价偏差，它们不值得大资金去榨，却真实存在。

五、六类真实陷阱（高阶）#

1. 多重检验 / 数据挖掘：你先看了”月初""周五""周一""季末""节假日前后""半月”……几十种划分，再挑出显著的报。这叫 p-hacking。正确做法是做多重检验校正（Bonferroni / FDR），或预先注册假设。我们上面的三个效应是”按经典文献先验设定的”，不是挖出来的，这点必须区分。
2. 幸存者偏差：在指数（如 SPX）上检验，等于默认成分股只进不出。被剔除的衰股、退市的垃圾，它们的月初/周五模式完全不同，会稀释甚至反转效应。用全市场含退市样本才公平。
3. 交易成本吞噬：月初调仓、周五进出看起来赚 0.02%/天，但双边手续费+冲击成本常常就是 0.02%−0.05% 一次。净下来 alpha 归零。Sell-in-May 空仓”躲过”的波动，你也可能用债券/现金收益补不全。
4. 标准误用错：朴素 t 检验假设每日独立同分布，而日收益有 GARCH 式波动聚集。用对标准误（Newey-West）后，很多”显著”的日历效应 t 值会塌掉一半。我们用朴素值是为了演示量级，真做研究必须换。
5. 样本外衰减：这是最残酷的一条。大量日历异象在 1990−2000 年被发现，2000 年后显著减弱甚至消失——因为一旦发表，套利资金就去吃它，直到吃完。我们的合成数据没有模拟”被发现后被套利掉”的动态，所以结果偏乐观，务必打折扣看。
6. 前视偏差(look-ahead)：用”全样本”决定”前3天""冬季”这些边界，等于用未来信息定规则。严谨做法是滚动窗口：用截至 t 年的统计定边界，再在 t+1 年检验。我们为简洁用了全样本定边界，属于演示性简化，实盘不可用。

六、怎么用，而不是怎么迷信#

实操上，日历异象的正确打开方式不是”满仓赌月初”，而是三件事：

• 降低摩擦成本：如果你本就要调仓，把大单拆到月初/季初执行，顺手吃一点资金流顺风。
• 仓位节奏：夏季降低权益净敞口、把再平衡挪到冬季，是用”低成本的回撤控制”替代”高成本的择时 alpha”。
• 监测而非交易：把”冬季持有 vs 夏季空仓”做成一条监控线，当它连续多年跑输买入持有时，说明当期季节性失效，该收手。

最后必须诚实说明：本文数据为固定随机种子生成的合成日频序列（实时行情接口 Yahoo 当前 429、Stooq 触发 JS 反爬，均不可达），季节性按贴近文献的量级刻意注入，目的是演示方法论与检验流程——数字本身不能当作某市场某年代的实证结论。把代码里的合成生成段换成你自己的 yfinance / akshare / 券商行情，就能在真实数据上立刻复跑。

# 完整可复现骨架（合成数据段可替换为真实行情）
import numpy as np, pandas as pd
from scipy import stats

np.random.seed(20260716)
dates = pd.bdate_range("1999-01-01", periods=252*25)
ret = pd.Series(np.random.normal(0.08/252, 0.16/np.sqrt(252), len(dates)), index=dates)
df = pd.DataFrame({"ret": ret})
df["month"] = dates.month.to_numpy()
df["dow"]   = dates.dayofweek.to_numpy()

# 月初效应
dom = np.zeros(len(dates), int); c, pm = 1, dates.month[0]
for i in range(len(dates)):
    if dates.month[i] != pm: c, pm = 1, dates.month[i]
    dom[i] = c; c += 1
df["dom"] = dom
f3 = df[df.dom<=3]["ret"].mean(); rest = df[df.dom>3]["ret"].mean()
print("月初效应差(bp/日):", round((f3-rest)*1e4, 2))

# Sell-in-May
winter = (df.month>=11)|(df.month<=4)
print("冬季-夏季差(bp/日):", round((df[winter].ret.mean()-df[~winter].ret.mean())*1e4, 2))

日历异象不是圣杯，也绝不是玄学。它们是市场里”太小、太零散、被套利资金懒得吃”的定价偏差残骸——理解它们，你理解的是钱在日历上怎么流，而这比任何一条”必涨规律”都更有用。