一个常见的华尔街的信仰是一月份期间,市场上的动作可以作为一个晴雨表来预测市场将贯穿今年余下的执行.
如果这种信仰是准确的, 我们可以开发各地的预测值的整个战略,一月曾在今年余下时间. 更简单, we could use January’s performance as a trend filter for the rest of the year. 但没有任何实际的证据来支持这一广泛持有的信念?
定量交易员, our first instinct is to test the accuracy of this belief using historic data. That is exactly what CXO Advisory Group did in a 最近的文章. They pulled Robert Schiller’s long run sample data for the S&P综合股指约会一路回 1871. 他们还使用了S的每个月结算数据&P 500 追溯到 1950.
Schiller’s S&P Composite stock data was calculated by taking the average of each day’s closing price during a given month. 这使得比S也略有不同&P 500 数据, 它只需使用一个月的最后一天的收盘价.
Testing Schiller’s S&P复合数据
该文章讨论地块返回各月份相比,回报的第一张图 11 月期间紧接其. 什么图显示是一个广泛的数据,这些数据几乎没有视觉相关.
当笔者通过数据绘制最佳拟合线, 我们看到,有一月份的表现并为今年余下时间的表现之间有非常轻微的正相关关系. 文章认为,一月的表现占 5% 在今年余下的回报, 这是一种非常弱的相关性.
展望未来, 笔者打破了测试期为三个小阶段 47-48 每个年. 这是什么说明的是,中期, 从 1919 到 1965, 有低得多的相关性比其他两个周期. 这也进一步表明,一月和一年的其余部分之间的关系是不可靠.
测试S&P 500 数据
当同一类型的散点图使用S被构造&P 500 数据, 我们看到,一月的数据是负责 8% 返回在今年余下时间的. 虽然这比席勒数据稍好, 它仍然是一种非常弱的相关性.
下图是笔者提供向我们展示了这十二个月来预测的收益能力 11 几个月紧跟. 使用席勒数据, 我们看到, 一月是在预测下一没有更好 11 月月比, 五月, 或十二月. 使用S&P数据, 一月是最佳预测, 但它仍然是非常差.
进一步的分析显示,一月出现了轻微的边缘使用S有&P 500 数据是对过去的数据在很大程度上歪斜. 当S&P 500 数据被分离成两个不同时期, 较近期的数据显示,在所有月份的没边.
一月前五天
在这个一月的理论一个共同的变化是1月份的前五天是一个很好的预测为今年余下时间. 放在一起的另一个散点图, 作者告诉我们,这种关系也很薄弱.
使用S&P 500 数据, 一月前五天只能解释 7% 变化在今年余下时间的. 这种关系也偏向较旧的数据.
除了这个一月理论, CXO咨询集团最近还涵盖的话题 一月效应 而事实证明是假的,以及. 看来,每一个元月只是再过一个月我们交易日历.