మేలో విక్రయించి దూరంగా ఉండటం పనిచేస్తుందా?

స్టాక్ మార్కెట్‌లో అత్యంత ప్రసిద్ధ క్యాలెండర్ నియమం “మేలో విక్రయించి మార్కెట్‌కు దూరంగా ఉండటం”: ఏప్రిల్ చివర్లో విక్రయించి, వేసవి కాలమంతా నగదు రూపంలో ఉండి, అక్టోబర్ చివర్లో మళ్లీ కొనుగోలు చేయడం. 2005 ఏప్రిల్ చివరి ముగింపు నుంచి 2026 ఏప్రిల్ చివరి ముగింపు వరకు S&P 500 tracker ధరలను పరిశీలిస్తే, నవంబర్ నుంచి ఏప్రిల్ వరకు ఉండే సంవత్సరంలోని సగభాగం, మే నుంచి అక్టోబర్ వరకు ఉండే సగభాగం కంటే సగటున అధిక రాబడిని ఇస్తుంది. ఈ వ్యత్యాసం వాస్తవమే. అయితే ఈ సామెత సూచించినంత పెద్దది కాదు. వేసవి సగభాగంలోనూ సగటున లాభమే నమోదవుతుంది. అందుకే ఈ నియమం ఒక ప్రణాళికగా విఫలమవుతుంది.

నియమం ఏమి చెబుతోంది, దాన్ని ఎలా పరీక్షించాలి

ఈ పదబంధం పాత లండన్ ఆచారం నుంచి వచ్చింది. వసంతకాలపు గుర్రపు పందేల సమావేశాలు ముగిసిన తర్వాత ప్రజలు నగరాన్ని విడిచి వెళ్లి, శరదృతువులో తిరిగి వచ్చేవారు. ఆధునికంగా, పరీక్షించగల రూపంలో ఇది రెండు తేదీలతో కూడిన మార్పిడి నియమం. అక్టోబర్ చివరి ట్రేడింగ్ రోజు నుంచి ఏప్రిల్ చివరి ట్రేడింగ్ రోజు వరకు విస్తృత స్టాక్ ఇండెక్స్‌ను కలిగి ఉండాలి. మిగిలిన ఆరు నెలలు ఎలాంటి పెట్టుబడీ ఉండకూడదు.

దీనిని పరీక్షించడానికి ఆ సామెతలో లేని రెండు విషయాలు అవసరం: ధరల శ్రేణి, స్పష్టంగా పేర్కొన్న కాలపరిమితి. కింద ఉన్న ప్రతి సంఖ్య global_markets.delayed_stocks_minute_aggs పట్టికలోని రెగ్యులర్-ఆవర్స్ నిమిష బార్‌ల ఆధారంగా, పురాతన S&P 500 ETF అయిన SPYకు సంబంధించినది. ఈ డేటా ఏప్రిల్ 2005 చివరి ముగింపు నుంచి ఏప్రిల్ 2026 చివరి ముగింపు వరకు ఉంటుంది. ఇక్కడ ఒక నెల రాబడి అంటే ఆ నెల చివరి రెగ్యులర్-ఆవర్స్ ధరను మునుపటి నెల చివరి ధరతో పోల్చిన మార్పు మాత్రమే. డివిడెండ్లకు దిగువన ప్రత్యేక విభాగం ఉంది. నెలవారీ రాబడులను ఎలా కొలుస్తామో అనే వివరణ ఆ తేడా ఫలితాన్ని ఎందుకు మార్చుతుందో వివరిస్తుంది.

మేలో విక్రయించి బయటకు వెళ్లడం పనిచేస్తుందా? 2005 నుంచి 2026 వరకు రికార్డు

WITH monthly AS (
    SELECT toStartOfMonth(toDate(toTimeZone(window_start, 'America/New_York'))) AS month_start,
           argMax(close, window_start) AS month_close
    FROM global_markets.delayed_stocks_minute_aggs
    WHERE ticker = 'SPY'
      AND toDate(toTimeZone(window_start, 'America/New_York')) >= toDate('2005-04-01')
      AND toDate(toTimeZone(window_start, 'America/New_York')) <= toDate('2026-04-30')
      AND (toHour(toTimeZone(window_start, 'America/New_York')) * 60
           + toMinute(toTimeZone(window_start, 'America/New_York'))) BETWEEN 570 AND 959
    GROUP BY month_start
)
SELECT toYear(apr_m.month_start) AS year,
       round(100 * (toFloat64(oct_m.month_close) / toFloat64(apr_m.month_close) - 1), 2) AS may_oct_pct,
       round(100 * (toFloat64(apr_next.month_close) / toFloat64(oct_m.month_close) - 1), 2) AS nov_apr_pct
FROM monthly AS apr_m
INNER JOIN monthly AS oct_m ON oct_m.month_start = addMonths(apr_m.month_start, 6)
INNER JOIN monthly AS apr_next ON apr_next.month_start = addMonths(apr_m.month_start, 12)
WHERE toMonth(apr_m.month_start) = 4
ORDER BY year

ప్రతి పాయింట్ ఒక వేసవిని, దాని తర్వాత వచ్చిన శీతాకాలంతో జతచేస్తుంది. ఈ చార్ట్‌లో మొత్తం 21 పూర్తయిన జతలు ఉన్నాయి. ఇది 2005 వేసవితో ప్రారంభమై, ఏప్రిల్‌లో ముగిసిన 2026 శీతాకాలంతో ముగుస్తుంది.

చాలా వ్యక్తిగత సంవత్సరాల్లో రెండు రేఖలు భిన్నమైన ఫలితాలను చూపిస్తాయి. అత్యంత ప్రతికూల సంవత్సరంలో మాత్రం రెండూ ఒకే దిశలో ఉన్నాయి. ఏప్రిల్ చివరి నుంచి అక్టోబర్ చివరి వరకు 2008, వేసవి అర్ధభాగం -29.81%గా నమోదైంది. ఇది మొత్తం కాలంలో అత్యంత లోతైన పతనం. దాని తర్వాతి శీతాకాలంలో రాబడి -10.03%గా నమోదైంది. ఏప్రిల్‌లో విక్రయించిన పెట్టుబడిదారు తీవ్రమైన పతనం నుంచి తప్పించుకున్నా, చివరి దశలో జరిగిన మరింత పతనానికి ముందు మళ్లీ మార్కెట్‌లోకి ప్రవేశించాడు. క్యాలెండర్ ఆధారిత వ్యూహం, మార్కెట్ నష్టం—ఈ ప్రయాణంలో సగం దశలో మాత్రమే ఒకదానితో ఒకటి సరిపోలాయి.

2015 నుంచి వేసవి గ్యాప్ తగ్గిపోయిందా?

ఈ నానుడి వాస్తవంగా చెప్పేది సగటుల గురించే; ఆ సగటులకు ఆధారం ఎంచుకున్న కాలవ్యవధే. 2015 వద్ద కాలాన్ని విభజిస్తే, ఒకే విధానంలో లెక్కించిన, దాదాపు సమాన పొడవున్న రెండు భాగాలు లభిస్తాయి.

WITH monthly AS (
    SELECT toStartOfMonth(toDate(toTimeZone(window_start, 'America/New_York'))) AS month_start,
           argMax(close, window_start) AS month_close
    FROM global_markets.delayed_stocks_minute_aggs
    WHERE ticker = 'SPY'
      AND toDate(toTimeZone(window_start, 'America/New_York')) >= toDate('2005-04-01')
      AND toDate(toTimeZone(window_start, 'America/New_York')) <= toDate('2026-04-30')
      AND (toHour(toTimeZone(window_start, 'America/New_York')) * 60
           + toMinute(toTimeZone(window_start, 'America/New_York'))) BETWEEN 570 AND 959
    GROUP BY month_start
),
pairs AS (
    SELECT toYear(apr_m.month_start) AS season_year,
           toFloat64(oct_m.month_close) / toFloat64(apr_m.month_close) - 1 AS may_oct,
           toFloat64(apr_next.month_close) / toFloat64(oct_m.month_close) - 1 AS nov_apr
    FROM monthly AS apr_m
    INNER JOIN monthly AS oct_m ON oct_m.month_start = addMonths(apr_m.month_start, 6)
    INNER JOIN monthly AS apr_next ON apr_next.month_start = addMonths(apr_m.month_start, 12)
    WHERE toMonth(apr_m.month_start) = 4
),
tagged AS (
    SELECT may_oct,
           nov_apr,
           arrayJoin(['All seasons 2005-2025',
                      if(season_year <= 2014, 'First half 2005-2014', 'Second half 2015-2025')]) AS era
    FROM pairs
)
SELECT era,
       count() AS season_count,
       round(100 * avg(may_oct), 2) AS avg_may_oct_pct,
       round(100 * avg(nov_apr), 2) AS avg_nov_apr_pct,
       round(100 * (avg(nov_apr) - avg(may_oct)), 2) AS winter_minus_summer_pct,
       countIf(may_oct > 0) AS summers_positive
FROM tagged
GROUP BY era
ORDER BY era

మొత్తం 21 సీజన్లలో, మే నుంచి అక్టోబర్ వరకు సగటు 3.88%గా ఉండగా, నవంబర్ నుంచి ఏప్రిల్ వరకు సగటు 6.06%గా ఉంది. ఈ రెండింటి మధ్య తేడా 2.18 శాతం పాయింట్లు. ఈ తేడానే ఆ నియమానికి పూర్తి ఆధారం. దాని పక్కనే వేసవి కాలమ్‌ను చూడండి: ఆ వేసవుల్లో 16 ప్రారంభ స్థాయి కంటే అధికంగా ముగిశాయి. అంటే సగటు ప్రకారం మార్కెట్‌కు దూరంగా ఉండటం వల్ల నష్టాన్ని తప్పించుకోవడం కంటే లాభాన్ని కోల్పోయే అవకాశమే ఎక్కువగా ఉంది.

రెండు భాగాల ఫలితాలు వేర్వేరుగా ఉన్నాయి. ప్రారంభ భాగంలో తేడా 4.84 పాయింట్లు కాగా, తరువాతి భాగంలో అది -0.24. ప్రజాదరణ పొందిన వివరణలు వాటి వెనుక ఉన్న సంవత్సరాలను పేర్కొనకుండా ఒక గ్యాప్‌ను మాత్రమే ఉటంకిస్తాయి. కానీ అసలు వాదన ఆ సంవత్సరాలపైనే ఆధారపడి ఉంటుంది. ఏ seasonal statistic అయినా చరిత్రలోని ఒక నిర్దిష్ట కాలవ్యవధికి సంబంధించిన వాదనే. ఆ కాలవ్యవధిని ఎంచుకునేది దాన్ని పునరావృతం చేసే వ్యక్తే.

ఇది నిజంగా ఆగస్టు మరియు సెప్టెంబర్ ప్రభావమేనా?

ఆరు నెలలు చాలా విస్తృతమైన కాలవ్యవధి. క్యాలెండర్‌ను నెలలుగా విభజిస్తే, వేసవి కాలపు వ్యవధి మొత్తం ఒకేలా బలహీనంగా ఉందా లేదా దాని ఫలితానికి ఒక భాగమే ప్రధాన కారణమా అనేది తెలుస్తుంది.

WITH monthly AS (
    SELECT toStartOfMonth(toDate(toTimeZone(window_start, 'America/New_York'))) AS month_start,
           argMax(close, window_start) AS month_close
    FROM global_markets.delayed_stocks_minute_aggs
    WHERE ticker = 'SPY'
      AND toDate(toTimeZone(window_start, 'America/New_York')) >= toDate('2005-04-01')
      AND toDate(toTimeZone(window_start, 'America/New_York')) <= toDate('2026-04-30')
      AND (toHour(toTimeZone(window_start, 'America/New_York')) * 60
           + toMinute(toTimeZone(window_start, 'America/New_York'))) BETWEEN 570 AND 959
    GROUP BY month_start
),
month_returns AS (
    SELECT m1.month_start AS month_start,
           100 * (toFloat64(m1.month_close) / toFloat64(m0.month_close) - 1) AS ret_pct
    FROM monthly AS m1
    INNER JOIN monthly AS m0 ON m0.month_start = addMonths(m1.month_start, -1)
)
SELECT formatDateTime(month_start, '%b') AS label,
       count() AS readings,
       round(avg(ret_pct), 2) AS avg_return_pct,
       round(quantileDeterministic(0.5)(ret_pct, cityHash64(month_start)), 2) AS median_return_pct,
       countIf(ret_pct > 0) AS positive_readings
FROM month_returns
GROUP BY label
ORDER BY min(toMonth(month_start))

బలహీనత ప్రధానంగా సెప్టెంబర్‌లోనే కనిపిస్తుంది. ఆ నెల సగటు -0.75%గా ఉంది. 21 సంవత్సరాల్లో 12 సంవత్సరాల్లో అధిక స్థాయిలో ముగిసింది. మధ్య విలువ 0.38%గా ఉంది. ఆగస్టు సగటు 0.28%. విక్రయించే వ్యక్తి దూరంగా ఉండే కాలవ్యవధి మధ్యలో ఉన్న జూలై సగటు 2.63%. నియమం మళ్లీ కొనుగోలు చేసే ముందు వచ్చే చివరి నెల అయిన అక్టోబర్ సగటు 0.97%.

ఈ కాలవ్యవధిలో ప్రభావం కనిపించే తీరు పరిమితంగా ఉంది: వేసవి చివర్లో ఒక బలహీన దశ ఉంటుంది. దాని చుట్టూ ఉన్న నెలలు మిగతా క్యాలెండర్‌ మాదిరిగానే కనిపిస్తాయి. సెప్టెంబర్‌ను తప్పించుకోవడానికి ఏప్రిల్ చివర్లో బయటకు వస్తే, మే, జూన్, జూలై, ఆగస్టు నెలలను కూడా కోల్పోతారు.

What the switch actually costs

The seasonal gap is a gross number. A rule has to survive its own frictions.

WITH monthly AS (
    SELECT toStartOfMonth(toDate(toTimeZone(window_start, 'America/New_York'))) AS month_start,
           argMax(close, window_start) AS month_close
    FROM global_markets.delayed_stocks_minute_aggs
    WHERE ticker = 'SPY'
      AND toDate(toTimeZone(window_start, 'America/New_York')) >= toDate('2005-04-01')
      AND toDate(toTimeZone(window_start, 'America/New_York')) <= toDate('2026-04-30')
      AND (toHour(toTimeZone(window_start, 'America/New_York')) * 60
           + toMinute(toTimeZone(window_start, 'America/New_York'))) BETWEEN 570 AND 959
    GROUP BY month_start
),
pairs AS (
    SELECT toYear(apr_m.month_start) + 1 AS year,
           toFloat64(oct_m.month_close) / toFloat64(apr_m.month_close) AS summer_ratio,
           toFloat64(apr_next.month_close) / toFloat64(oct_m.month_close) AS winter_ratio
    FROM monthly AS apr_m
    INNER JOIN monthly AS oct_m ON oct_m.month_start = addMonths(apr_m.month_start, 6)
    INNER JOIN monthly AS apr_next ON apr_next.month_start = addMonths(apr_m.month_start, 12)
    WHERE toMonth(apr_m.month_start) = 4
)
SELECT year,
       round(exp(sum(log(summer_ratio * winter_ratio)) OVER (ORDER BY year)), 2) AS buy_and_hold_growth,
       round(exp(sum(log(winter_ratio)) OVER (ORDER BY year)), 2) AS winter_only_growth
FROM pairs
ORDER BY year

A dollar held through every season from the end of April 2005 grew to $6.21 by the end of April 2026. The same dollar in the market only from November through April, idle the rest of the time, grew to $3.14. Both lines are price only with nothing deducted, which flatters the switching rule. Here is what the chart leaves out.

• Two trades every year, in every one of the 21 seasons. The ticket is free at most brokers now. The bid ask spread paid on each round trip is not.
• Tax. In a taxable account the April sale realizes whatever gain built up since November. A November to April holding period runs under a year by construction, which places the gain at short-term rates for a US taxpayer.
• Idle cash. The winter-only line credits the sidelined money with zero. A real holder would park it, and where to park idle cash covers the instruments people use for that.
• Dividends, which the next panel prices out.

SELECT toYear(ex_dividend_date) AS year,
       round(sumIf(cash_amount, toMonth(ex_dividend_date) >= 5 AND toMonth(ex_dividend_date) <= 10), 3) AS may_oct_dividends_usd,
       round(sumIf(cash_amount, toMonth(ex_dividend_date) < 5 OR toMonth(ex_dividend_date) > 10), 3) AS nov_apr_dividends_usd
FROM global_markets.stocks_dividends
WHERE ticker = 'SPY'
  AND cash_amount > 0
  AND ex_dividend_date >= toDate('2005-01-01')
  AND ex_dividend_date <= toDate('2025-12-31')
GROUP BY year
ORDER BY year

SPY's ex-dividend dates land in March, June, September and December, so two of the four fall inside the six months a seller sits out. In 2025, $3.592 per share of distributions carried a May to October ex-date, against $3.689 in the other six months. The two columns track each other across the whole chart. Sitting out half the calendar forgoes roughly half the fund's income every year, on top of whatever the price does in those months. The ex-dividend date is the cutoff that decides who gets paid.

One more cost carries no line item. Index returns arrive in clusters, and missing the best days puts numbers on what a handful of absent sessions does to a long-run balance. Six months out of every year is a lot of absent sessions. That is the same arithmetic behind dollar cost averaging as a discipline about time in the market rather than timing.

ప్రసిద్ధ క్యాలెండర్ నియమాన్ని ఎందుకు అనుమానించాలి

పన్నెండు నెలల్లో పెట్టుబడి పెట్టేందుకు ఖాళీ కాని ఉపసమూహాన్ని ఎంచుకునే 4,095 మార్గాలు ఉన్నాయి. ఆ మార్గాలన్నింటినీ ఒకే ధర చరిత్రతో పరిశీలిస్తే, ఏదో ఒకటి గణనీయంగా కనిపిస్తుంది. ఇది ఆ శోధనా విధానం వల్ల ఏర్పడే లక్షణం.

గత వారం రూపొందించిన నియమంతో పోలిస్తే Sell in Mayకు ఒక నిజాయితీగల ప్రయోజనం ఉంది: ఈ నమూనా ప్రారంభానికి చాలా ముందే అది ప్రసిద్ధి చెందింది. అందువల్ల ఈ పేజీలోని సంవత్సరాలు సరిపోల్చి రూపొందించిన ఫలితంగా కాకుండా, నమూనా వెలుపలి పరీక్షగా పనిచేస్తాయి. పరీక్షలో కనిపించిన వ్యత్యాసం స్వల్పంగా ఉంది. అది ప్రధానంగా ఒకే నెలలో కేంద్రీకృతమై ఉంది. అదే కాలంలో కొనుగోలు చేసి కొనసాగించే వ్యూహం కంటే ఈ మార్పిడి నియమం వెనుకబడింది. ముందస్తు సమాచార పక్షపాతం బ్యాక్‌టెస్ట్ తన సమాధానాన్ని ముందుగానే ఎలా నిశ్శబ్దంగా నేర్చుకుంటుందో వివరిస్తుంది. క్యాలెండర్ నియమాలు దీనికి పాఠ్యపుస్తక ఉదాహరణ. రాబడులు తెలిసిన తర్వాతే నెలలను ఎంచుకుంటారు.

FAQ

Does sell in May and go away still work?

On SPY prices from April 2005 through April 2026, November to April averaged 6.06% against 3.88% for May to October, so the seasonal gap survives in the full sample. The summer half still averaged a gain, with 16 of the 21 summers finishing higher than they started.

Which months are actually the weak ones?

In this window the weakness concentrates in September, which averaged -0.75% and finished higher in 12 of 21 years. July, another month the rule sits out, averaged 2.63% over the same span.

Does selling in May beat buying and holding?

Not over this sample. A dollar held continuously from the end of April 2005 grew to $6.21 by April 2026, against $3.14 for the winter-only switch, and that comparison counts no trading costs, no tax, and no dividends.

What happens to dividends if you sell in May?

A fund's ex-dividend dates do not pause for the summer. Two of SPY's four quarterly ex-dates fall inside the May to October window, and a holder who is out of the fund on an ex-date does not receive that distribution.

Is a seasonal pattern the same as a prediction?

No. A historical average across 21 seasons describes what happened over a stated window. Individual years scatter widely around that average, as the first chart shows, and the window itself is a choice.

Every panel here is a stored query with its SQL attached. Change the ticker, move the window, and check whether the seasonal gap holds on the Strasmore terminal.