周内效应再检验：星期几真的有超额收益吗

「周一绿、周五红」几乎是每个炒过股的人都听过的经验法则。它有没有统计基础？有。1973 年 Cross 发现道指周五收益显著高于周一，1980 年 French 用 1953–1977 年数据确认了同样的模式，后来的研究把它推广到全球几十个市场。但问题是：这个效应在 1990 年代之后普遍衰减甚至消失。本文不重复教科书结论，而是用一份自洽的合成数据，把周内效应「长什么样、怎么检验、能不能交易、为什么会失效」一次性讲清楚。

结论先放这：在含周内漂移的合成指数上，周一确实显著为负（−3.7bp/日，t=−1.89）、周五显著为正（+5.6bp/日，t=+2.81）；「跳过周一、其余交易日等权持有」把 Sharpe 从 0.20 提升到 0.42、最大回撤从 −36% 收窄到 −33%。但把样本切成两半，会发现后半段周一的负收益只剩前半段的 16%、周五也只有 29%——效应在衰减，这正是实盘抓不住它的根本原因。 附完整 Python 与六类真实陷阱（高阶）。

一、什么是周内效应，为什么它可能成立#

周内效应（day-of-the-week effect）指股票收益在星期几之间存在系统性、可重复的均值差异。学术上的经典配置是：

• 周一效应（Monday effect）：周一平均收益显著为负，甚至是全周唯一为负的日子。
• 周五效应（Friday effect）：周五平均收益显著为正，往往是一周里最高的一天。

行为金融给过几个说得通的解释：

1. 结算周期滞后：过去美股 T+5 交割时代，周一结算的是上周四、周五的买单，卖压集中释放，压低周一开盘。
2. 周末情绪积累：坏消息在周末发酵，投资者周一开盘集中抛售（负面信息在周一反应）。
3. 做市商持隔夜敞口的成本：周末两天无法对冲，周一开盘前做市商要求更高补偿。

注意：这些解释几乎都指向「制度性摩擦」，而制度一旦改了（交割缩短、算法交易、24 小时信息流），效应就会衰减。后面我们用数据验证这一点。

二、合成数据：一份诚实的实验台#

为了在没有幸存者偏差、没有未来函数、可复现的前提下讲清机制，我们用一份合成日频指数，显式嵌入两个真实市场的特征：

• GARCH(1,1) 波动聚集：大波动后紧跟大波动，用 σ_t² = ω + α·ε_{t-1}² + β·σ_{t-1}²。
• 周内漂移 + 随时间衰减：前半段周一 −5.5bp、周五 +4.5bp，后半段整体衰减到 45%。
• 轻度 AR(1) 自相关，模拟微观结构噪声。

import numpy as np
import pandas as pd

rng = np.random.default_rng(20260716)
dates = pd.bdate_range("2005-01-03", "2025-12-31")
n = len(dates)
wd = dates.weekday.to_numpy()            # 0=周一 .. 4=周五

# 周内漂移：周一弱、周五强；后半段整体衰减
base = 0.00020
full = np.array([-0.00055, 0.00000, 0.00005, 0.00020, 0.00045])  # 周一..周五
decay = np.where(np.arange(n) < n // 2, 1.0, 0.45)
eff = full[wd] * decay

# GARCH(1,1) 波动聚集
omega, a, b = 1.0e-6, 0.08, 0.90
sig = np.zeros(n); sig[0] = 0.010
eps = np.zeros(n)
z = rng.standard_normal(n)
for i in range(1, n):
    sig[i] = np.sqrt(omega + a * eps[i-1]**2 + b * sig[i-1]**2)
    eps[i] = z[i] * sig[i]

r = base + eff + eps
for i in range(1, n):                     # 轻度 AR(1) 微观结构噪声
    r[i] = 0.05 * r[i-1] + (1 - 0.05) * r[i]
r = pd.Series(r, index=dates)

这段数据的关键点：漂移是写进生成过程的，所以我们知道「真相」；检验的目的不是「证明效应存在」（它当然存在），而是演示怎么正确地度量它、以及它会怎么骗你。

三、怎么检验：均值 + t 统计#

最直接的检验是「每个星期几的平均收益是不是显著不等于 0」。注意要用 t 统计而不是只看均值大小——因为日频噪声极大，一个 ±3bp 的均值需要上千个样本才能显著。

names = ["周一", "周二", "周三", "周四", "周五"]
for d in range(5):
    x = r[wd == d].to_numpy()
    m = x.mean(); s = x.std(ddof=1)
    t = m / (s / np.sqrt(len(x)))
    print(f"{names[d]}: 均值={m*10000:+.2f}bp  t={t:+.2f}  n={len(x)}")

跑出来的结果（基于这份合成数据）：

周一: 均值=-3.71bp  t=-1.89  n=1096
周二: 均值=+0.59bp  t=+0.30  n=1096
周三: 均值=-0.58bp  t=-0.29  n=1096
周四: 均值=+2.05bp  t=+1.06  n=1095
周五: 均值=+5.63bp  t=+2.81  n=1095

周一在 10% 水平显著为负（t=−1.89）、周五在 1% 水平显著为正（t=+2.81）。但注意：周二、周三、周四都不显著——日内效应并不是「均匀的梯度」，而是集中在「周一最差、周五最好」两端，中间几天其实没有稳定超额。这正是真实文献里的典型形态。

四、能不能交易：「跳过周一」策略#

最直接的交易化思路：周一空仓（或持现金等价物），其余四天等权持有指数。我们用合成数据对比「买入持有」与「跳过周一」：

def metrics(ret):
    cum = np.exp(np.log1p(ret).cumsum())
    ann = cum[-1] ** (252 / len(ret)) - 1
    sharpe = ret.mean() / ret.std(ddof=1) * np.sqrt(252)
    peak = np.maximum.accumulate(cum); dd = (cum - peak) / peak
    return ann, sharpe, dd.min()

bh_ann, bh_sh, bh_mdd = metrics(r.to_numpy())
skip_ret = r.to_numpy().copy(); skip_ret[wd == 0] = 0.0
sk_ann, sk_sh, sk_mdd = metrics(skip_ret)
print(f"买入持有: 年化={bh_ann:.3f} Sharpe={bh_sh:.2f} 回撤={bh_mdd:.2%}")
print(f"跳过周一: 年化={sk_ann:.3f} Sharpe={sk_sh:.2f} 回撤={sk_mdd:.2%}")

结果：买入持有 Sharpe 0.20、最大回撤 −36%；跳过周一 Sharpe 0.42、回撤 −33%。跳过最差的一天，把样本里最大的一块负均值剔除，Sharpe 翻倍、回撤收窄——逻辑上完全自洽。

五、最关键的检验：效应会衰减吗#

教科书说效应「曾经存在、现在消失」。我们直接把样本切成两半验证：

split = dates[n // 2]
for d in range(5):
    sub = r[wd == d]
    m1 = sub[dates[wd == d] < split].mean()
    m2 = sub[dates[wd == d] >= split].mean()
    print(f"{names[d]}: 前半段={m1*10000:+.2f}bp  后半段={m2*10000:+.2f}bp")

周一: 前半段=-6.4bp  后半段=-1.0bp
周二: 前半段=+1.3bp  后半段=-0.1bp
周三: 前半段=-0.9bp  后半段=-0.2bp
周四: 前半段=+4.6bp  后半段=-0.5bp
周五: 前半段=+8.7bp  后半段=+2.5bp

后半段所有星期几的信号都衰减到前半段的 16%~29%。 这意味着：即便你 2005 年发现了「跳过周一」，到 2015 年之后这个 alpha 也基本被市场吃掉了。这是周内效应最真实的面貌——它不是一个可以躺赚的印钞机，而是一个会随时间被套利掉的制度性残差。

六、六类真实陷阱（高阶）#

做日历异象研究，以下坑一个比一个阴：

1. 多重比较偏差（multiple testing）：你看了周一到周五 5 天，等于做了 5 次检验，至少要 Bonferroni 校正（阈值从 0.05 降到 0.01）。不校正时「周五显著」很可能只是 5 次里碰巧命中的一次。
2. 幸存者偏差：用现在还活着的指数成分股回测，等于自动排除了「周一大跌然后退市」的公司，会系统性高估正效应。
3. 非交易日与节假日污染：很多「周一负收益」其实是周日/周一的隔夜跳空（周末利空），不是周一当天的交易行为；用开盘价而非收盘价定义收益会改变结论。
4. 幸存者择时：如果你「发现」周一效应后再交易，前半段赚、后半段亏，样本内/样本外表现会严重背离。
5. 交易成本：跳过周一意味着每周买卖一次，频繁换手的成本会吞掉大部分薄 alpha（本合成数据没建模成本，实盘必须扣）。
6. 全球不同步：A 股、美股、港股的结算制度和交易习惯不同，周一效应方向可能相反；跨市场结论不能直接平移。

七、结论：它存在，但别指望靠它吃饭#

周内效应在统计上是真实存在的——周一系统性偏弱、周五偏强，跳过最差的那天能显著改善风险调整收益。但它有三个致命现实特征：① 信号极薄（每天几个 bp），② 集中在周一/周五两端、中间几天无超额，③ 随时间被套利衰减。

所以它在研究框架里的正确位置是：作为「过滤条件」而非「盈利策略」——比如你本来要做动量，可以默认避开周一开盘降低噪声；而不是单独拿它当印钞机。真正的 alpha 永远在「薄、衰减、难套利」三者之间权衡，周内效应恰恰演示了「前两个」为什么让一个看似成立的策略实盘扑空。

本文数据由自洽合成生成（含 GARCH 波动聚集与周内漂移衰减），用于机制演示，非真实行情，不构成投资建议。所有 t 统计均基于日频收益的样本标准差计算。