18张图，我发现了国庆节的赚钱效应【下】

版权归@小一的学习笔记所有，未经许可，禁止各种形式的转载。若想转载，请在原文链接中私聊我本人，谢谢合作！

本文链接：https://blog.youkuaiyun.com/wzg199538/article/details/126945144

本文深入探讨A股市场的国庆效应，分析指数与行业板块表现，揭示节后哪些行业更值得投资，如银行、电力设备与汽车等。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

大家好，我是小一

上篇文章写了在A股市场的节日效应，特别是对于临近的国庆节做了重点分析。

如果你准备在最近入场买股票，那我劝你看下上篇文章：18张图，我发现了国庆节的赚钱效应...

今天会继续对A股的国庆节效应做深入挖掘，包括：

最赚钱的指数
最赚钱的行业板块

对了，如果看完本文不知道怎么操作，还担心重仓单个个股会有黑天鹅，那直接无脑冲相关的ETF就好了。

我粗略看了下文末提到的电力设备，去年国庆后10天的指数收益率高达6.37%，简直赚麻了

以下是正文内容：

4、单个指数

此部分将针对单个指数进行分析，确定可以重点关注的指数。

先来看图，7大指数国庆前后的涨跌情况

👆点击看大图

图中的最后一列是从2010年到2021年指数收益的平均值。

其中，上证、深证、创业板和中小板值中，国庆前后20天的历年平均收益均为正，且收益都在1%左右。

自2015年开始，连续7年上证50指数在国庆节前后上涨，且大多都是节前小跌，节后开始上涨。对应的，中小板指数则从2017年开始连续5年下跌，从走势来看，并没有很明显的反转迹象。

总结：虽然国庆前市场表现不佳，但随着节日的逼近，收益情况逐渐好转。特别是上证50指数，在国庆结束后，收益成功逆转，并持续上升，值的重点关注

5、中信一级行业

此部分将针对中信一级行业板块进行分析，确定可以重点关注的细分板块

根据中信一级行业划分，一级行业板块可以分为：石油石化、煤炭、有色金属、电力及公用事业、钢铁、基础化工、建筑、建材、轻工制造、机械、电力设备、国防军工、汽车、商贸零售、餐饮旅游、家电、纺织服装、医药、食品饮料、农林牧渔、银行、非银行金融、房地产、交通运输、电子元器件、通信、计算机、传媒、综合。

首先获取行业数据

def get_industry_name():
    industry=['b101000000000000','b102000000000000','b103000000000000','b104000000000000','b105000000000000','b106000000000000','b107000000000000','b108000000000000','b109000000000000','b10a000000000000',\
           'b10b000000000000','b10c000000000000','b10d000000000000','b10e000000000000','b10f000000000000','b10g000000000000','b10h000000000000','b10i000000000000','b10j000000000000','b10k000000000000',\
              'b10l000000000000','b10m000000000000','b10n000000000000','b10o000000000000','b10p000000000000','b10q000000000000','b10r000000000000','b10s000000000000','b10t000000000000']
    names=['石油石化','煤炭','有色金属','电力及公用事业','钢铁','基础化工','建筑','建材','轻工制造','机械','电力设备','国防军工','汽车','商贸零售','餐饮旅游','家电','纺织服装','医药','食品饮料','农林牧渔','银行','非银行金融','房地产','交通运输','电子元器件','通信','计算机','传媒','综合']
    indus_dic={}
    for (indus,name) in zip(industry,names):
        indus_dic[indus]=name
        
    return indus_dic

定义板块提取时间序列数据函数

因为万矿提供的函数最多只能提取3年的数据，所以当期间较长时，需要分段提取并合并，最好是一年取一次，取日度数据

def get_datas(begdate,enddate,code):
    beg_year=begdate[:4]
    end_year=enddate[:4]
    years=np.arange(int(beg_year),int(end_year))
    years_beg=["%d-01-01"%i for i in years]  #形成每年1月1日的日期
    years_end=["%d-12-31"%i for i in years]  #形成每年12月31日的日期
    datas=pd.DataFrame()
    for beg,end in zip(years_beg,years_end):
        data=w.wses(code, "sec_close_avg",beg,end,"",usedf=True)[1] #提取算术平均收盘价
        datas=pd.concat([datas,data],axis=0)
    return datas

获取相关数据代码如下：

# 此处计算量较大，需耐心等待
begdate='2010-01-01'  #起始时间
enddate_v1='2018-12-31'  #结束时间
enddate_v2='2022-09-01'  #结束时间

indexs_ind=get_industry_name()
print('-------- 计算各行业国庆前的收益率 --------')
dates,ret_bef_ind=ret_comperate_industry(begdate,enddate_v2,codes=indexs_ind,method='national_day_before') 
print('-------- 计算各行业国庆后的收益率 --------')
dates,ret_lat_ind=ret_comperate_industry(begdate,enddate_v2,codes=indexs_ind,method='national_day_later') 
print('-------- 计算各行业国庆期间的收益率 ---------')
dates,ret_all_ind=ret_comperate_industry(begdate,enddate_v2,codes=indexs_ind,method='national_day_all')

最终的数据结果如下：