昨天在论坛看到有网友的一个提问：
对于很多投资来说，印象中最近这几年，尤其是前面的2016~2018年，周四跌的概率是比较大的，有时候会被戏谑为“法定砸盘日”。
好奇百度了一下：
前面几条都是指向了星期四。
实际情况是怎样的呢？笔者也是挺感兴趣的，因为作为一名赌徒，对概率统计这些数据还是挺感兴趣的。那么我们使用python对数据进行回测。 感兴趣的读者也可以跟着我在一些回测平台上练习，代码很少，不超过50行哈。
当然，如果有本地数据的读者，也可以在自己本地电脑上参数。
1.获取数据
start='20100101'
end='20201027'
df = DataAPI.MktIdxdGet(indexID=u"",ticker=u"000300",tradeDate=u"",beginDate=start,endDate=end,exchangeCD=u"XSHE,XSHG",field=u"",pandas="1")时间区间使用2010年1月1日到2020年10月27日，跨度为10年，样本足够大了，标的指数为沪深300，平时笔者很少使用上证指数或者上证50作为回测，原因是里面权重中GJD占比过多，有种被操纵的痕迹，当然，读者也可以尝试使用这些指数进行回测统计，只需要把ticker=u"000300" 替换为 "000001" 就可以了。
得到的数据格式是dataframe:
解释：上面展示了10条数据，可以看到每天的开盘，收盘，成交量，换手率，涨跌幅很多指标，在这个回测中，我们只需要2个指标就够了，一个是日期，用来判断当天是星期几，一个是涨跌幅，用来统计当天是涨还是跌。
2. 判读某天是星期几
import datetime
def weekday(day_str):
return datetime.datetime.strptime(day_str,'%Y-%m-%d').strftime('%w')
创建上面的weekday函数用于判断某一天是星期几。
我们可以简单测试下，以2020-10-28测试：
看到返回的是3，说明结果正确，今天就是星期三。
然后我们把这个函数应用到全部的行，通过传入每一行的tradeDate 交易日字段，计算出改行的星期X 中的X。
df['weekday']=df['tradeDate'].map(weekday)
看到最后红框位置，多了一列，那个就是当他属于星期几。
3. 数据分析统计
接下来就是数据分析了，对日期进行聚合，意思是把星期一的数据合在一起，星期二的数据和一起，然后同理星期三，星期四，星期五，最后会有五堆数据。
df.groupby('weekday')
就使用这一句语句就可以了。
然后分组统计：
for day,df_day in df.groupby('weekday'):
print('星期{}'.format(day))
raise_count= len(df_day[df_day['CHGPct']>0])
drop_count = len(df_day[df_day['CHGPct']<0])
ratio = (raise_count-drop_count)*1.00/(raise_count+drop_count)*100
print('涨的天数: {}'.format(raise_count))
print('跌的天数: {}'.format(drop_count))
print('涨跌比: {:.2f}'.format(ratio))
print('')
上面根据每一组中，涨跌幅的个数统计一个比例ratio，表示在星期X中上涨占比，如果是正的，说明星期X的上涨概率比较大的，反之当天下跌的概率较大。然后运行一下，很快结果就出来了：
上面结果显示：周四下跌的天数的确要比上涨的天数多了100天！！涨跌比为 -17% ， 所有星期四的总天数为219+300 = 519 天
但是，but，周五上涨的概率是最大的，ratio值为15%， 周五上涨的概率最大！这个数据与平时印象很不一样，一般人都认为周四周五一般跌比较多，所以有时候个人感觉会受很多因素影响的，感觉未必准，所以才有数据量化分析，数据不会说谎。（前提不要拿到被造了假的数据来分析哈）
如下面这张图，在正方形的顶点加了个白色和灰色的加号后，你是否觉得画布被扭曲了呢。所以眼见不一定为实，途听不一定为真。
上面的分析只是从统计分析来看待星期一到五哪一天上涨/下的的概率大， 只供参考，并没有实际指导你在哪天买卖意义，意思是亏钱了你别来找我，嘻嘻。
