节前最后2个交易日了， 大家看得最多的新闻消息是，赶快来迎接春节红包行情。 网络媒体铺天盖地是 每年春节前后有一波行情，我们这里用程序抓取历年行情分析下。import streamlit as st
import akshare as ak
import pandas as pd
import matplotlib.pyplot as plt
import lunardate
from datetime import datetime, timedelta
# ---- 中文显示设置 ----
plt.rcParams['font.sans-serif'] = ['STHeiti'] # 苹果系统字体
plt.rcParams['axes.unicode_minus'] = False
def get_spring_festival_date(year):
"""使用农历库计算春节日期"""
try:
lunar_date = lunardate.LunarDate(year, 1, 1)
return lunar_date.toSolarDate()
except ValueError:
# 处理闰月情况
lunar_date = lunardate.LunarDate(year, 1, 1, leap=0)
return lunar_date.toSolarDate()
def get_trade_calendar():
@st.cache_data(ttl=60 * 60 * 24 * 7)
def fetch_calendar():
df = ak.tool_trade_date_hist_sina()
# 确保日期列为字符串格式
return df["trade_date"].astype(str).tolist()
trade_dates = []
for d in fetch_calendar():
try:
# 处理不同日期格式
if len(d) == 8:
dt = datetime.strptime(d, "%Y%m%d").date()
else:
dt = datetime.strptime(d, "%Y-%m-%d").date()
trade_dates.append(dt)
except ValueError as e:
st.error(f"日期格式解析错误: {d} - {str(e)}")
return trade_dates
def find_nearest_trade_day(target_date, direction='before'):
"""改进的交易日查找算法"""
trade_dates = get_trade_calendar()
# 边界检查
if not trade_dates:
return None
if target_date < trade_dates[0]:
return None if direction == 'before'else trade_dates[0]
if target_date > trade_dates[-1]:
return trade_dates[-1] if direction == 'before'else None
# 二分查找算法
left, right = 0, len(trade_dates) - 1
while left <= right:
mid = (left + right) // 2
if trade_dates[mid] < target_date:
left = mid + 1
else:
right = mid - 1
if direction == 'before':
return trade_dates[right] if right >= 0 else None
else:
return trade_dates[left] if left < len(trade_dates) else None
# ---- 数据获取函数 ----
@st.cache_data
def get_index_data(symbol="sh000001"):
df = ak.stock_zh_index_daily(symbol=symbol)
df['date'] = pd.to_datetime(df['date'])
return df.set_index('date').sort_index()
# ---- 主程序 ----
def main():
st.title("春节行情分析")
# 配置参数
years = range(2015, 2025)
symbol = "sh000001"
# 获取数据
df = get_index_data(symbol)
results = []
for year in years:
try:
# 获取关键日期
spring_date = get_spring_festival_date(year)
prev_day = find_nearest_trade_day(spring_date, 'before')
next_day = find_nearest_trade_day(spring_date, 'after')
prev_prev_day = find_nearest_trade_day(prev_day, 'before') if prev_day else None
# 数据有效性检查
if not all([prev_day, next_day, prev_prev_day]):
st.warning(f"跳过 {year} 年：缺少必要交易日数据")
continue
# 日期格式统一处理
date_fmt = "%Y-%m-%d"
prev_prev_str = prev_prev_day.strftime(date_fmt)
prev_str = prev_day.strftime(date_fmt)
next_str = next_day.strftime(date_fmt)
# 获取收盘价（增加异常捕获）
try:
prev_prev_close = df.loc[prev_prev_str, 'close']
prev_close = df.loc[prev_str, 'close']
next_close = df.loc[next_str, 'close']
except KeyError as e:
st.error(f"数据缺失：{str(e)}")
continue
# 计算涨跌幅
pre_change = (prev_close - prev_prev_close) / prev_prev_close * 100
post_change = (next_close - prev_close) / prev_close * 100
results.append({
"年份": year,
"节前日期": prev_str,
"节后日期": next_str,
"节前涨跌幅 (%)": round(pre_change, 2),
"节后涨跌幅 (%)": round(post_change, 2)
})
except Exception as e:
st.error(f
"处理 {year} 年数据时出错: {str(e)}")
continue
if results:
result_df = pd.DataFrame(results)
# ---- 可视化部分（保持原有样式） ----
plt.style.use('ggplot')
fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(12, 12), gridspec_kw={'hspace': 0.4})
# 节前涨跌幅
pre_colors = ['#ff6b6b'if x >= 0 else'#2ecc71'for x in result_df['节前涨跌幅 (%)']]
bars1 = ax1.bar(result_df['年份'].astype(str), result_df['节前涨跌幅 (%)'],
color=pre_colors, edgecolor='white', width=0.6)
ax1.set_title("春节前最后交易日涨跌幅", fontsize=14, pad=15)
# 节后涨跌幅
post_colors = ['#ff6b6b'if x >= 0 else'#2ecc71'for x in result_df['节后涨跌幅 (%)']]
bars2 = ax2.bar(result_df['年份'].astype(str), result_df['节后涨跌幅 (%)'],
color=post_colors, edgecolor='white', width=0.6)
ax2.set_title("春节后首交易日涨跌幅", fontsize=14, pad=15)
# 统一装饰样式
for ax in [ax1, ax2]:
ax.tick_params(axis='x', labelrotation=45)
ax.grid(axis='y', linestyle='--', alpha=0.7)
ax.spines[['top', 'right']].set_visible(False)
ax.axhline(0, color='black', linewidth=1)
# 动态调整Y轴范围
y_min, y_max = ax.get_ylim()
buffer = max(abs(y_min), abs(y_max)) * 0.2
ax.set_ylim(y_min - buffer, y_max + buffer)
# 数据标签
for bars, ax in zip([bars1, bars2], [ax1, ax2]):
for bar in bars:
yval = bar.get_height()
vertical_pos = 0.5 if yval >= 0 else -0.8
color = '#ff4444'if yval >= 0 else'#2ecc71'
ax.text(bar.get_x() + bar.get_width() / 2,
yval + vertical_pos,
f"{yval:.1f}%",
ha='center',
va='bottom'if yval >= 0 else'top',
fontsize=10,
color=color,
weight='bold')
plt.tight_layout(pad=3)
st.pyplot(fig)
# ---- 数据表格 ----
st.subheader("历史数据详情")
styled_df = result_df.style.format({
"节前涨跌幅 (%)":
"{:.2f}%",
"节后涨跌幅 (%)": "{:.2f}%"
}).applymap(lambda x: 'color: #ff4444'if x >= 0 else'color: #2ecc71',
subset=["节前涨跌幅 (%)", "节后涨跌幅 (%)"])
st.dataframe(styled_df, use_container_width=True)
else:
st.warning("未获取到有效数据")
if __name__ == "__main__":
main()
1、我用的mac系统，字体采用STHeiti。
如果你是windows系统，字体可以采用
SimHei 解决中文乱码。
2、我最初用的chinese_calendar处理日历，在处理2024年的时候遇到有点
问题。 后面想了下，要不直接用农历处理
吧。
每逢春节，券商研报总爱用“红包行情”“日历效应”撩拨投资者的心弦。但数据不会说谎：
除了2020年的疫情黑天鹅，2020年节后首日暴跌7.72%， 其他数据个人认为还是蛮有参考意义的。
那2024春节会和哪一年会更相似呢？ 个人倾向于2022年， 为什么呢？ 1.30是上市公司预告的最后1天， 在节前尘埃落地前， 资金会倾向于规避风险。 春节后继续战斗。
2022年1月28日 节前最后1个交易日， 2022年2月7日第一个交易日
2025年1月27日 节前最后1个交易日， 2025年2月5日第一个交易日
是不是有点相似，拭目以待。 至于个人怎么操作， 我会选择根据历史数据进行对应的操作。
结语：
当Python遇上A股金融市场，我们既是观察者也是参与者。 代码不仅在于回测历史，更在于它像一面魔镜，映射出大家心理的周期波动。2024年的春节行情即将揭幕，是重演2022年的V型反转，还是谱写新剧情？最终数据终会给出答案，而我们要做的，是在钟摆的两极间寻找最优解。
注： 投资建议仅供参考，市场有风险，决策需谨慎。
