目录
在投资论坛中常有一些常见的投资法或是交易策略等等，其中就好比跟随大户法人做买卖、又好比买量不卖量等术语，而我们今天就是要探究人人口耳相传的甜蜜期是否真有其事，而这些甜蜜期对于交易来说是否存在效率，还是只是大众的一种谬论？
本文使用 Window10 并以 Spyder 作为编辑器
###coding三宝 import numpy as np import pandas as pd import matplotlib.pyplot as plt plt.rcParams['axes.unicode_minus'] = False plt.rcParams['font.sans-serif'] = ['Microsoft JhengHei']
###API串接套件 import tejapi import time tejapi.ApiConfig.api_key="YOUR KEY" tejapi.ApiConfig.ignoretz = True###时间栏位忽略时区
TEJ API 公司基本资料：资料库代码为(TWN/AIND)，「TSE产业别」
TEJ PRO 资料库 ：新上市(柜)首次承销
本文资料取自TEJ PRO资料库，在本机端读取，公司资料从1970年到2022年
df = pd.read_excel('C:/Users/user/Desktop/Tej/PreIPO.xlsx')
首先将需要的资料栏位选取出来即可，接著先创造一个Dataframe(A3)将收盘价取出来跑回圈计算报酬率，最后将栏位名字改成报酬率，删除第一天收盘价再合并公司名称及代号。
A1 = df[['代号','名称','上市日收盘价(元)','上市日后一天收盘价(元)','上市日后二天收盘价(元)','上市日后三天收盘价(元)','上市日后四天收盘价(元)','上市日后五天收盘价(元)']]
A2 = A1[['上市日收盘价(元)','上市日后一天收盘价(元)','上市日后二天收盘价(元)','上市日后三天收盘价(元)','上市日后四天收盘价(元)','上市日后五天收盘价(元)']]
A3 = A2.copy()
for i in range(1, len(A2.columns)):
A3.iloc[:,i:i+1] = ((A2.iloc[:,i:i+1].values)/(A2.iloc[:,0:1].values))-1
A3 = A3.rename(columns={'上市日后一天收盘价(元)' : '后一日累积报酬率%',
'上市日后二天收盘价(元)' : '后二日累积报酬率%',
'上市日后三天收盘价(元)' : '后三日累积报酬率%',
'上市日后四天收盘价(元)' : '后四日累积报酬率%',
'上市日后五天收盘价(元)' : '后五日累积报酬率%'}, inplace = False)
data = A3.drop('上市日收盘价(元)',axis=1)
data1 = A1.join(data, how = "left")
接著以代号制作一个List来捞取TEJ API产业别，并将捞取出来的资料公司简称的栏位名改成代号，方便我们后续去做合并资料的动作，其中又必须删掉一些特别的产业别代号，原因是可能该产业的样本太少，或是性质特殊因而排除。
Company = A1['代号'].to_list()
Detail = tejapi.get('TWN/AIND', chinese_column_name = True , paginate = True, coid = Company,
opts={'columns':['coid','ind1']}) # 旧产业名
Detail = Detail.rename(columns={"公司简称" : "代号"}, inplace = False)
qq = Detail[Detail['TSE 产业别'] != "17" ]
qq = qq[qq['TSE 产业别'] != "14" ]
qq = qq[qq['TSE 产业别'] != "19" ]
qq = qq[qq['TSE 产业别'] != "20" ]
qq = qq[qq['TSE 产业别'] != "80" ]
qq = qq[qq['TSE 产业别'] != "32" ]
qq = qq[qq['TSE 产业别'] != "33" ]
qq = qq[qq['TSE 产业别'] != "34" ]
qq = qq[qq['TSE 产业别'] != "91" ]
最后将筛选出来的产业合并先前计算出的报酬率，得到我们需要的兴柜成功上市柜的公司。
PreIPO = data1.merge(qq, on='代号')
最后就是来绘图了，首先要先将存在NA值得资料删除，并利用产业别来当作标的，分别计算该产业所拥有的胜率，所谓胜率就是凡只要报酬率为正值的公司就算被纳入，最后在除上该产业所对应的Total公司。
PreIPO = PreIPO.dropna(axis=0,how='any') # 清空NA
industry_name = np.unique(PreIPO[['TSE 产业别']])
payoff = np.array(['后一日累积报酬率%','后二日累积报酬率%','后三日累积报酬率%','后四日累积报酬率%','后五日累积报酬率%'])
industry_number = len(PreIPO.groupby('TSE 产业别').count())
save_IPO = list()
for i in range(industry_number):
for j in range(len(payoff)):
positive_payoff = len(PreIPO[(PreIPO['TSE 产业别'] == industry_name[i]) & (PreIPO[payoff[j]] > 0)])
total_number = len(PreIPO[(PreIPO['TSE 产业别'] == industry_name[i])])
save_IPO.append(f'{round(positive_payoff/total_number*100,2)}')
接著就画图，详细Code请看尾页的完整程式码。
上图要表达的是，可以很明显看到胜率高的产业是甚么，但由于因为资料库的资料若用中文显示于图档中将更难以查阅，可能挤在一起，因此小编手写并将产业调整的时间也一并写上，我们发现上市柜拥有甜蜜期的公司以电器电缆胜率最高。若追求以胜率为效率之投资者即可参考本图结果。
再来我们要计算产业的平均报酬率
PreIPO = PreIPO.dropna(axis=0,how='any') # 清空NA
industry_name = np.unique(PreIPO[['TSE 产业别']])
payoff = np.array(['后一日累积报酬率%','后二日累积报酬率%','后三日累积报酬率%','后四日累积报酬率%','后五日累积报酬率%'])
industry_number = len(PreIPO.groupby('TSE 产业别').count())
save_IPO = list()
for i in range(industry_number):
for j in range(len(payoff)):
industry_payoff = PreIPO[payoff[j]][PreIPO['TSE 产业别']==industry_name[i]].mean()
save_IPO.append(f'{round(industry_payoff*100,2)}')
上图则是要表达的是，我们发现有些产业所获得得报酬率，依据天数的增加所获得的报酬率波动较高，有些波动较小。就以胜率最高的电器电缆来说，他胜率高风险波动也小，然而胜率也跟电器电缆差不多的橡胶业，波动度却比电器电缆高。
因此若我们选择以此为一种投资策略来操进行短线操作，其实可以筛选自己适合的风格，看是想要拥抱波动度来获得报酬，还是维持胜率虽然可能赚不多，但不输就好的风格。这篇文章主要是想让读者了解到，确实是有甜蜜其存在，且也可以以此为一种策略方法来投资有价证券，然而当我们细分产业后也才发现，甜蜜期有时候不适用于某些类群的产业。还是建议在得知可能某种策略有效时，多加细分因子去做分析，较不容易在投资中失利唷。