Vérifiez l'effet calendaire des déclarations mensuelles

En utilisant la décomposition des modèles de statistiques, testez si vous pouvez voir l'effet de calendrier appelé effet Halloween, Vendre en mai, etc.


import numpy as np
import pandas as pd

import statsmodels.api as sm
import pandas_datareader.data as web

import warnings
warnings.filterwarnings('ignore')

import matplotlib.pyplot as plt
plt.style.use('seaborn-darkgrid')
plt.rcParams['axes.xmargin'] = 0.01
plt.rcParams['axes.ymargin'] = 0.01

window = 250*3

'''S&Acquisition de données P500'''
data1 = web.DataReader("^GSPC", "yahoo", "1980/1/1").dropna()

#Rendement de la trésorerie Acquisition de données sur 10 ans
data2 = web.DataReader("^TNX", "yahoo", "1980/1/1").dropna()

#Volatilité des taux annuels quotidiens= 10%Tirer parti des paramètres ajustés
ret = pd.DataFrame(data1['Adj Close'] / data1['Adj Close'].shift(1) - 1)
ret = 0.1 * ret / (ret.rolling(252).std()*np.sqrt(252)).shift(1)
data1 = 100*((1 + ret).cumprod()).dropna(axis=0)

data1_freq = data1.resample('M').last().fillna(method='ffill')
data1_freq['ret1'] = data1_freq['Adj Close']/data1_freq['Adj Close'].shift(1) - 1

#Recréez des tours mensuels
data1_freq_equity_curve = 100*((1 + data1_freq['ret1']).cumprod()).dropna(axis=0)
data1_freq_equity_curve.index = pd.to_datetime(data1_freq_equity_curve.index)

#10 ans pour toute l'année(120 mois), 5 années(60 mois)
res_all = sm.tsa.seasonal_decompose(data1_freq_equity_curve, freq=12)
res_10Y = sm.tsa.seasonal_decompose(data1_freq_equity_curve[-120:], freq=12)
res_5Y = sm.tsa.seasonal_decompose(data1_freq_equity_curve[-60:], freq=12)

seasonality = pd.concat([res_all.seasonal, 
                         res_10Y.seasonal, 
                         res_5Y.seasonal], axis=1)

seasonality.columns = ['1981-', '10Y', '5Y']
m_seasonality = seasonality.groupby(seasonality.index.month).mean()

# Creat Figure
month = m_seasonality.index
height = m_seasonality * 100

bar_width = 0.3

plt.figure(figsize=(10, 4), dpi=80)
plt.bar(month, height['1981-'], tick_label=month, 
        width=0.3, label='1981-')
plt.bar(month + bar_width, height['10Y'], tick_label=month, 
        width=0.3, label='10Y')
plt.bar(month + 2*bar_width, height['5Y'], tick_label=month, 
        width=0.3, label='5Y')
plt.xticks(month + bar_width, month)
plt.legend()
plt.title("Average Return by Month")
plt.xlabel("Month")
plt.ylabel("Ave.Ret(%)")
plt.show()

Regard sur les retours en saison

Vendre en mai semble être vrai ces dernières années
Vente de fin d'année / achat de fin d'année?

Decomposition(Trend, Seasonality, Residual)

res_10Y.plot()
plt.show()

Utilisé pour la régression moyenne à court terme et la compréhension des tendances du marché
Un ajustement de l'environnement de marché passé (différence de niveau de volatilité, etc.) semble être conçu

[PYTHON] Décomposition des séries temporelles

Vérifiez l'effet calendaire des déclarations mensuelles