用Python分析了7000多个交易日的涨跌数据，看看A股有没有“黑色星期五”

用Python分析了7000多个交易日的涨跌数据，看看A股有没有“黑色星期五”

前言
“黑色星期五”作为一个组合词，可以有很多解释。它起源于西方宗教，耶稣死在星期五，13在西方是不吉利的数字，两者的结合令人相信当天会发生不幸的事情，所以13号与星期五撞到同一天时被称为“黑色星期五”。
“黑色星期五”也用来描述美国商场圣诞促销，美国商场一般用红笔记录亏损，用黑笔记录盈利，人们在感恩节（周四）第二天的这个星期五开始圣诞大采购，商场利润大增，所以这一天被称为“黑色星期五”。
在A股市场中，周五A股停盘之后，欧美股市比A股晚开盘半天，因此星期五可能会有更多资金从A股流出，同时，周六日休市，市场动态不明朗，为了避免不确定性，资金流出的可能性也会增大。因此，股民认为周五股市下跌的可能性会增大，当星期五股市下跌时，股民称之为“黑色星期五”。
A股真的在星期五下跌得更多吗？本文获取了A股成立以来到2022年上半年的涨跌数据，分析究竟星期几下跌得更多，并可视化。
数据获取
本文数据来源于网易财经，可以直接下载，数据获取步骤：
1.进入网易财经首页，在首页A股页面点击<上证指数>。

2.进入<上证指数>的行情页面，点击<历史交易数据>，进入历史交易页面。

3.在历史交易页面，找到<下载数据>，点击选择起止日期即可开始下载。A股成立于1990年12月19日，所以默认起始日期就是这一天。

下载的数据保存在000001.csv中，000001是上证指数的股票代码，本文下载了从1990-12-19至2022-06-30的所有数据。数据无需处理，可以直接使用，也可以直接用办公软件Excel打开。
为了方便代码调用，下载完成后将这个.csv文件拷贝到代码的同级目录下。

​检查一下，数据共7703条，也就是7703个交易日，共12个字段。
星期几的交易日更多

# coding=utf-8
import pandas as pd
import matplotlib.pyplot as plt

df = pd.read_csv('000001.csv', encoding='gbk')
df['涨跌幅'] = df['涨跌幅'].replace('None', '0')
df.fillna('0')
date_of_week = pd.to_datetime(df['日期']).dt.weekday
day_counts = date_of_week.value_counts().sort_index()
# 绘制柱状图
day_name = ['星期一', '星期二', '星期三', '星期四', '星期五']
day_counts.plot.barh(figsize=(8, 4), width=0.6, ylabel='', xlabel='',
                     bottom=0.5, color='y')
plt.xticks(range(0, 2000, 200))
plt.yticks(range(len(day_name)), day_name, fontsize=16)
for a, b in zip(range(len(day_counts)), day_counts):
    plt.text(b+20, a, b, ha='left', va='center', fontsize=16)
plt.show()

从数据来看，交易日在周一至周五的分布基本是均匀的。法定假日股市都不开市，造成差异的主要原因就是因为法定假日的分布不同。
天数最多的是星期三1555天，最少的是星期一1516天，相差2.5%左右。
星期几下跌的天数更多

df = pd.read_csv('000001.csv', encoding='gbk')
df['涨跌幅'] = df['涨跌幅'].replace('None', '0')
df.fillna('0')
# 筛选出下跌的数据
df_down = df[df['涨跌幅'].astype('float') < 0]
# 取出下跌的日期
date_down = pd.to_datetime(df_down['日期'])
# 将日期转换成周的第几天，0：周一，4：周五
date_down_of_week = date_down.dt.weekday
# 统计每一天的频数
down_day_counts = date_down_of_week.value_counts().sort_index()
# 绘制柱状图
day_name = ['星期一', '星期二', '星期三', '星期四', '星期五']
down_day_counts.plot.barh(figsize=(8, 4), width=0.6, ylabel='', xlabel='',
                     bottom=0.5, color='gray')
plt.xticks(range(0, 1000, 100))
plt.yticks(range(len(day_name)), day_name, fontsize=16)
for a, b in zip(range(len(down_day_counts)), down_day_counts):
    plt.text(b+20, a, b, ha='left', va='center', fontsize=16)
plt.show()

筛选出下跌的交易日，可以看出周四下跌的天数最多。在周四下跌的天数是812天，比周五下跌的天数701天多出了111天，说明周四比周五更“黑色”。
星期几下跌的概率更高

# 计算跌的比例
df_pre = pd.DataFrame({'down': down_day_counts/day_counts,
                       'other': (day_counts-down_day_counts)/day_counts})
# 绘制堆叠柱状图
day_name = ['星期一', '星期二', '星期三', '星期四', '星期五']
df_pre.plot(kind='barh', figsize=(8, 4), color=['#07A168', '#EE5F5B'], stacked=True, legend=None)
plt.yticks(range(len(day_name)), day_name, fontsize=16)
for a, b in zip(range(len(down_day_counts)), down_day_counts/day_counts):
    plt.text(b-0.01, a, '%.02f%%' % (b*100), ha='right', va='center', fontsize=16)
plt.show()

从下跌的比例看，只有星期四的比例超过了50%，星期五的下跌比例低于星期三和星期四，只比星期一星期二略高。
可视化星期几更“黑色”

from PIL import Image, ImageDraw, ImageFont

data = {
    # 根据比例换算颜色的梯度
    'px': [255-x*255//max(down_day_counts) for x in down_day_counts],
    'text': ['星\n\n期\n\n一', '星\n\n期\n\n二', '星\n\n期\n\n三', '星\n\n期\n\n四', '星\n\n期\n\n五'],
    'loc': [x for x in range(0, 1000, 200)]
}
# 创建一张底图
im = Image.new('RGB', (1000, 500), color=(255, 255, 255))
font = ImageFont.truetype(r'C:\Windows\Fonts\simhei.ttf', 60)
# 将周一至周五的图片依次粘贴到底图上
for i in range(5):
    new_img = Image.new('RGB', (200, 500), (data['px'][i], data['px'][i], data['px'][i]))
    draw = ImageDraw.Draw(new_img)
    draw.text((70, 100), data['text'][i], font=font, fill=(7, 161, 104))
    im.paste(new_img, (data['loc'][i], 0))
im.show()

根据星期几的下跌天数，按比例换算成不同的RGB颜色值，放到同一张图片中。下跌天数最多的星期四最黑，其次是星期三，星期五介于中间，最浅的是星期一和星期二（一样多）。
原理介绍：
这段代码用到上面绘制直方图时计算的天数，用天数等比例换算成RGB（红、绿、蓝三原色）的颜色值，RGB颜色(0, 0, 0)表示黑色，(255， 255， 255)表示白色，在0~255之间，当三个值相等时，可以得到不同深浅的灰色。
A股涨跌天数对比

df = pd.read_csv('000001.csv', encoding='gbk')
df['涨跌幅'] = df['涨跌幅'].replace('None', '0')
df_up = df[df['涨跌幅'].astype('float') > 0]
df_keep = df[df['涨跌幅'].astype('float') == 0]
df_down = df[df['涨跌幅'].astype('float') < 0]
im = Image.new('RGB', (len(df)//10, 50), color=(0, 0, 0))
font = ImageFont.truetype(r'C:\Windows\Fonts\simhei.ttf', 20)
width = [len(df_up)//10, 1, len(df_down)//10]
color = [(238, 95, 91), (100, 100, 100), (7, 161, 104)]
text = ['涨{}天'.format(len(df_up)), '平{}天'.format(len(df_keep)), '跌{}天'.format(len(df_down))]
loc = [0, len(df_up)//10, len(df_up)//10+1]
for i in range(3):
    new_img = Image.new('RGB', (width[i], 50), color=color[i])
    draw = ImageDraw.Draw(new_img)
    draw.text(((width[i]-80)//2, 15), text[i], font=font, fill=(0, 0, 0))
    im.paste(new_img, (loc[i], 0))
im.show()

用相同的方法，对比A股历史交易日的涨跌天数，A股涨的天数比跌的天数多426天，只算交易日差不多相当于两年。
A股成立以来，只有5天是不涨不跌的，所以在图形中只有一条看不出来的缝。
总结
1.当星期五股票下跌时，就有股民称之为“黑色星期五”，这是用来形容单独的某一天。而本文是根据历史数据，统计和对比星期几跌的天数更多，结论是星期四和星期三跌的天数都比星期五多，从这个角度分析星期四最“黑色”。
2.本文只分析了跌的天数，而没有计算跌的幅度，因为本文关注的重点是天数，如果算上跌幅，结果可能会有所不同。
3.本文获取的数据中包含了“涨跌幅”、“涨跌额”等，你可以继续往深处挖掘，说不定会发现一些有趣的结论，可以充分发挥你的想象力，感受数据挖掘的魅力。我以后也可能还会再写相关的内容，如果想一步到位获取本文的完整代码和数据，可以关注下方公众号，在后台回复“000001”获取。
4.本文的分析角度较主观，仅作为个人分享，不构成投资建议。