January Effect คืออะไร ยังคงใช้ได้ผลจริงหรือไม่

January effect คือข้อสันนิษฐานที่ว่าผลตอบแทนของหุ้นจะพุ่งสูงขึ้นอย่างผิดปกติในช่วงสัปดาห์แรกของปี โดยมีหุ้นขนาดเล็กและหุ้นที่ราคาปรับตัวลดลงมามากเป็นตัวนำ ปรากฏการณ์นี้ถูกบันทึกไว้ในปี 1976 โดยใช้ข้อมูลย้อนหลังไปถึงปี 1904 และช่องว่างของผลตอบแทนที่รายงานในขณะนั้นทำให้มันกลายเป็นรูปแบบตามฤดูกาลที่มีชื่อเสียงที่สุดในตลาดหุ้น สิ่งที่เกิดขึ้นหลังจากนั้นคือส่วนที่บทความเกี่ยวกับฤดูกาลส่วนใหญ่มักข้ามไป นั่นคือเมื่อมีการตีพิมพ์ผลการศึกษานี้ นักลงทุนที่เทรดจริงได้อ่านมัน และทุกการวัดผลที่เกิดขึ้นหลังจากนั้นก็ให้ค่าที่น้อยลงเรื่อย ๆ

January effect คืออะไร?

กลไกทางปฏิทินสองประการอยู่เบื้องหลังเรื่องนี้ และทั้งคู่เกี่ยวข้องกับเส้นแบ่งวันที่ 31 ธันวาคม มากกว่าตัวเดือนมกราคมเอง

ประการแรกคือการขายเพื่อทำภาษี (tax-loss selling) กฎหมายภาษีของสหรัฐฯ อนุญาตให้นักลงทุนนำผลขาดทุนที่เกิดขึ้นจริงมาหักลบกับกำไรที่เกิดขึ้นจริงในปีภาษีเดียวกัน โดยบัญชีของปีนั้นจะปิดในวันทำการสุดท้ายของเดือนธันวาคม ลำดับเหตุการณ์ที่เสนอคือ ในช่วงสัปดาห์สุดท้ายของเดือนธันวาคม การขายจะกระจุกตัวอยู่ในสถานะที่นักลงทุนขาดทุนอยู่แล้ว ซึ่งมักเป็นหุ้นขนาดเล็กและไม่เป็นที่นิยม ในช่วงวันทำการแรกของเดือนมกราคม การขายดังกล่าวจะหยุดลง และแรงซื้อจะกลับเข้ามาในหุ้นกลุ่มเดิม

ประการที่สองคือปฏิทินกระแสเงินสด โบนัสสิ้นปีและเงินสมทบกองทุนเกษียณอายุรอบใหม่จะเข้ามาในช่วงเวลาเดียวกันนี้

กลไกทั้งสองไม่ได้ชี้ไปที่บริษัทขนาดใหญ่ในตลาด แต่ชี้ไปที่กลุ่มหุ้นขนาดเล็ก ซึ่งเป็นจุดที่บทความนี้วนกลับมาพูดถึงอยู่เสมอ ช่วงเวลาดังกล่าวสามารถสังเกตได้จากข้อมูลการมีส่วนร่วมของนักลงทุน ตารางด้านล่างใช้ SPY ซึ่งเป็น ETF ที่มีการซื้อขายหนาแน่นที่สุดที่ติดตามดัชนี S&P 500 และหาค่าเฉลี่ยปริมาณการซื้อขายรายวันตามวันที่ในปฏิทินตั้งแต่วันที่ 21 ธันวาคม ถึง 10 มกราคม โดยนับรวมทุกรอบปีตั้งแต่ปี 2011 เป็นต้นมา

SELECT
    concat(
        if(toMonth(date) = 12, 'Dec ', 'Jan '),
        if(toDayOfMonth(date) < 10, concat('0', toString(toDayOfMonth(date))), toString(toDayOfMonth(date)))
    )                                      AS label,
    round(avg(toFloat64(volume)) / 1e6, 1) AS avg_volume_millions,
    round(avg(toFloat64(volume)) / (
        SELECT avg(toFloat64(volume))
        FROM global_markets.stocks_daily_aggs
        WHERE ticker = 'SPY'
          AND date >= '2011-01-01'
          AND date <  '2026-08-01'
    ), 2)                                  AS relative_activity
FROM global_markets.stocks_daily_aggs
WHERE ticker = 'SPY'
  AND date >= '2011-01-01'
  AND date <  '2026-08-01'
  AND ((toMonth(date) = 12 AND toDayOfMonth(date) >= 21)
    OR (toMonth(date) = 1  AND toDayOfMonth(date) <= 10))
GROUP BY toMonth(date), toDayOfMonth(date)
ORDER BY if(toMonth(date) = 12, 0, 1), toDayOfMonth(date)

Dec 21 มีค่าเฉลี่ยอยู่ที่ 126.2 ล้านหุ้น หรือคิดเป็น 1.24 เท่าของค่าเฉลี่ยการซื้อขาย SPY ในช่วงปีเดียวกัน Jan 10 มีค่าเฉลี่ยอยู่ที่ 90 ล้านหุ้น หรือคิดเป็น 0.89 เท่าของค่าเฉลี่ยปกติ วันที่ 19 ในตารางแสดงให้เห็นถึงช่วงวันหยุดและวันทำการแรกของปีใหม่

ปริมาณการซื้อขายคือการมีส่วนร่วม ไม่ใช่ผลตอบแทน บทความนี้ไม่ได้เผยแพร่ตัวเลขผลตอบแทนเดือนมกราคมของตนเอง และนั่นเป็นความตั้งใจ เพราะการคำนวณข้อมูลชุดใหม่จากรูปแบบตามฤดูกาลที่มีชื่อเสียงเป็นวิธีที่เร็วที่สุดในการทำซ้ำความผิดพลาดที่ทำให้รูปแบบนั้นโด่งดังขึ้นมา

เหตุใดหุ้นขนาดเล็กและการถ่วงน้ำหนักแบบเท่ากันจึงเป็นตัวตัดสินคำตอบ

ตัวเลขดัชนีคือค่าเฉลี่ย และรูปแบบการถ่วงน้ำหนักจะเป็นตัวตัดสินว่าผลตอบแทนของใครจะมีผล ดัชนีแบบ cap-weighted จะถ่วงน้ำหนักทุกบริษัทตามมูลค่าตลาด ดังนั้นบริษัทขนาดใหญ่ที่สุดจะเป็นตัวกำหนดตัวเลข และบริษัทขนาดเล็กที่สุดจะถูกปัดเศษจนไม่มีผล ส่วนดัชนีแบบ equal-weighted ของบริษัทกลุ่มเดียวกันจะให้สิทธิเท่าเทียมกันแก่บริษัทมูลค่า 200 ล้านดอลลาร์ เช่นเดียวกับบริษัทมูลค่า 2 ล้านล้านดอลลาร์

การศึกษาในปี 1976 โดย Michael Rozeff และ William Kinney ซึ่งทำให้ January effect เป็นที่รู้จัก ได้วัดผลดัชนีแบบ equal-weighted ของหุ้นใน NYSE ตั้งแต่ปี 1904 ถึง 1974 ตัวเลขที่ถูกนำมาอ้างอิงซ้ำ ๆ ตั้งแต่นั้นมาคือค่าเฉลี่ยของเดือนมกราคมสูงกว่าค่าเฉลี่ยของเดือนอื่น ๆ ประมาณห้าเท่า ในดัชนีแบบ cap-weighted ของจักรวาลหุ้นเดียวกัน หุ้นขนาดเล็กมีน้ำหนักเพียงเศษเสี้ยวของเปอร์เซ็นต์ และการคำนวณทั้งสองแบบสามารถรายงานผลเดือนมกราคมที่แตกต่างกันอย่างสิ้นเชิงจากราคาพื้นฐานที่เหมือนกัน โครงสร้างดัชนีเป็นตัวกำหนดข้อสรุปส่วนใหญ่ สำหรับปัจจัยอื่น ๆ ที่ส่งผลต่อตัวเลขรายเดือนก่อนที่จะมีการตีความ โปรดดู วิธีการวัดผลตอบแทนรายเดือน

ขนาดของหุ้นยังเป็นตัวกำหนดต้นทุนในการทำกำไรจากส่วนต่างราคา (premium) ปริมาณการซื้อขายเป็นดอลลาร์ ซึ่งคำนวณจากจำนวนหุ้นคูณด้วยราคา เป็นมาตรวัดที่ชัดเจนที่สุดว่าหุ้นตัวนั้นมีสภาพคล่องเพียงใด ตารางนี้จัดกลุ่มสัญลักษณ์ทุกตัวที่มีการซื้อขายอย่างน้อยสิบห้าวันในเดือนมิถุนายน 2026 ตามค่าเฉลี่ยปริมาณการซื้อขายเป็นดอลลาร์

WITH per_symbol AS
(
    SELECT
        ticker,
        avg(toFloat64(close) * toFloat64(volume)) AS adv_dollars
    FROM global_markets.stocks_daily_aggs
    WHERE date >= '2026-06-01'
      AND date <  '2026-07-01'
    GROUP BY ticker
    HAVING count() >= 15
)
SELECT
    multiIf(
        adv_dollars <    100000, '1. under $100k',
        adv_dollars <   1000000, '2. $100k to $1M',
        adv_dollars <  10000000, '3. $1M to $10M',
        adv_dollars < 100000000, '4. $10M to $100M',
                                 '5. over $100M')  AS liquidity_bucket,
    count()                                        AS securities_count,
    round(100 * count() / (
        SELECT count()
        FROM
        (
            SELECT ticker
            FROM global_markets.stocks_daily_aggs
            WHERE date >= '2026-06-01'
              AND date <  '2026-07-01'
            GROUP BY ticker
            HAVING count() >= 15
        )
    ), 1)                                          AS share_of_tape_pct
FROM per_symbol
GROUP BY liquidity_bucket
ORDER BY liquidity_bucket

1808 ของหลักทรัพย์มีค่าเฉลี่ยปริมาณการซื้อขายต่ำกว่า 100,000 ดอลลาร์ต่อวัน คิดเป็น 15.1 เปอร์เซ็นต์ของกลุ่มตัวอย่าง ในขณะที่อีกฝั่งหนึ่ง 1429 มีค่าเฉลี่ยมากกว่า 100 ล้านดอลลาร์ ส่วนต่างราคาที่เผยแพร่จะวัดจากราคาปิด การทำกำไรจากหุ้นที่มีสภาพคล่องต่ำหมายถึงการต้องยอมจ่ายส่วนต่างระหว่างราคา bid และ offer สองครั้ง บวกกับผลกระทบจากราคาที่ขยับขึ้นจากการส่งคำสั่งซื้อของคุณเอง ซึ่งผลตอบแทนรายเดือนไม่ได้แสดงต้นทุนเหล่านี้เลย

January effect ยังคงใช้ได้ผลหรือไม่?

คำตอบที่ตรงไปตรงมาคือ เวอร์ชันที่วัดผลหลังปี 1976 มีขนาดเพียงเศษเสี้ยวของเวอร์ชันที่วัดผลก่อนหน้านั้น และความผิดปกติที่ถูกบันทึกไว้มักจะมีรูปแบบเช่นนี้ วงจรชีวิตมีสี่ขั้นตอน เริ่มจากพบรูปแบบในข้อมูลประวัติศาสตร์ จากนั้นมีการตีพิมพ์เผยแพร่ นักลงทุนที่เทรดจริงจะปรับตัวเร็วขึ้นโดยเข้าซื้อในเดือนธันวาคมก่อนถึงช่วงเวลาที่ทุกคนอ่านเจอ สิ่งที่การศึกษาในภายหลังวัดได้จึงเป็นเพียงส่วนที่เหลืออยู่เท่านั้น งานวิจัยตั้งแต่ทศวรรษ 1980 เป็นต้นมาพบว่าส่วนต่างราคาในเดือนมกราคมแคบลงในทศวรรษหลังจากการตีพิมพ์ โดยส่วนหนึ่งของผลตอบแทนตามฤดูกาลได้เลื่อนกลับไปอยู่ในเดือนธันวาคม

กลไกทางภาษีก็เบาบางลงเช่นกัน หุ้นขนาดเล็กจำนวนมากในปัจจุบันอยู่ในบัญชีเกษียณอายุและกองทุนดัชนี บัญชีที่รอการตัดบัญชีภาษีไม่มีแรงจูงใจในการขายเพื่อทำภาษีเลย และกองทุนดัชนีจะขายหุ้นตามกฎเกณฑ์มากกว่าการดูปฏิทินภาษี

ไม่มีสิ่งใดในเรื่องนี้ที่เป็นเอกสิทธิ์เฉพาะเดือนมกราคม Sell in May and go away ก็ทำงานบนกลไกเดียวกัน คือการแบ่งแยกทางประวัติศาสตร์ที่โดดเด่น โดยมีเรื่องราวมาประกอบในภายหลัง ความผิดปกติของความผันผวนต่ำ (low volatility anomaly) เป็นสิ่งที่น่าสนใจในทางตรงกันข้าม เพราะมีบันทึกหลังการตีพิมพ์ที่ยาวนาน ซึ่งข้ออ้างเรื่องฤดูกาลแทบไม่เคยมี

สิบสองเดือนคือการทดสอบจำนวนมาก

นี่คือคณิตศาสตร์ที่ยุติข้อโต้แย้งเรื่องฤดูกาลส่วนใหญ่ หน้าให้ความรู้ของโบรกเกอร์แห่งหนึ่งรายงานว่าเดือนกรกฎาคมปิดบวกในประมาณ 80 เปอร์เซ็นต์ของยี่สิบปีที่ผ่านมา มีการสังเกตการณ์ยี่สิบครั้ง และสิบหกครั้งเป็นบวก

ลองสมมติให้แต่ละเดือนเหมือนการโยนเหรียญที่ยุติธรรม การออกหัวสิบหกครั้งหรือมากกว่าในการโยนยี่สิบครั้งเกิดขึ้นได้ประมาณ 0.6 เปอร์เซ็นต์ ซึ่งเป็นเหตุการณ์ที่หายากจริง ๆ ตอนนี้ลองทดสอบแบบเดียวกันกับทั้งสิบสองเดือน โอกาสที่อย่างน้อยหนึ่งเดือนจะผ่านเกณฑ์จะเพิ่มขึ้นเป็นประมาณ 7 เปอร์เซ็นต์ หน้าข้อมูลตามฤดูกาลมักรายงานสถิติหลายตัวต่อเดือน เช่น ผลตอบแทนเฉลี่ย ผลตอบแทนมัธยฐาน อัตราความสำเร็จ ปีที่ดีที่สุดและแย่ที่สุด ซึ่งผลักดันจำนวนการทดสอบให้สูงขึ้นเป็นหลายสิบครั้ง ณ จุดนั้น ค่าที่อ่านได้เหมือนเดือนกรกฎาคมคือสิ่งที่คุณคาดหวังว่าจะพบได้ที่ไหนสักแห่งในตาราง เดือนของตลาดหุ้นไม่ใช่เหรียญที่ยุติธรรมเช่นกัน มันมีแนวโน้มเป็นบวกในกลุ่มตัวอย่างระยะยาว ซึ่งช่วยยกระดับอัตราความสำเร็จของทุกเดือนก่อนที่จะมีการสร้างเรื่องราวตามฤดูกาลขึ้นมาเสียอีก

January effect ถูกค้นพบด้วยวิธีเดียวกัน คือการตรวจสอบสิบสองเดือนแล้วค่อยระบุผู้ชนะในภายหลัง การค้นหาจะรายงานค่าสูงสุดจากการทดสอบหลายครั้ง ซึ่งเป็นคนละเรื่องกับนัยสำคัญของการทดสอบเพียงครั้งเดียวที่เลือกไว้ล่วงหน้า กลุ่มตัวอย่างที่อยู่เบื้องหลังทั้งหมดนี้มีขนาดเล็ก แต่ละเดือนมกราคมในข้อมูลรายวันมีวันทำการประมาณยี่สิบวัน

SELECT
    toString(toYear(date)) AS year,
    count()                AS january_sessions
FROM global_markets.stocks_daily_aggs
WHERE ticker = 'SPY'
  AND toMonth(date) = 1
GROUP BY year
ORDER BY year

บันทึกที่นี่ครอบคลุมเดือนมกราคมจำนวน 23 ครั้ง ตั้งแต่ปี 2004 ถึง 2026 และครั้งล่าสุดมีวันทำการ 20 วัน การสังเกตการณ์ยี่สิบกว่าครั้งคือกลุ่มตัวอย่างสมัยใหม่ทั้งหมดสำหรับข้อความในรูปแบบ 'มกราคมทำ X' กลุ่มตัวอย่างขนาดนั้นสอดคล้องกับค่าจริงที่หลากหลาย และความเชื่อมั่นที่แนบมากับข้ออ้างเรื่องฤดูกาลมักจะเกินจริงไปมาก

อคติจากการมองไปข้างหน้า (Look-ahead bias) และอคติจากการรอดชีวิต (Survivorship bias) สองพี่น้อง

โหมดความล้มเหลวอีกสองประการอยู่ถัดจากการทดสอบหลายครั้ง และทั้งคู่ทำให้ผลตอบแทนตามฤดูกาลดูดีเกินจริงในการทดสอบย้อนหลัง (backtest)

Look-ahead bias ในการทดสอบย้อนหลัง คือการใช้ข้อมูลที่การทดสอบไม่ควรมีในขณะนั้น กฎของเดือนมกราคมที่เขียนขึ้นในวันนี้และนำไปใช้กับปี 1985 ย่อมรู้ดีอยู่แล้วว่าเดือนไหนเป็นผู้ชนะ

Survivorship bias ในข้อมูลหุ้น เป็นปัญหาที่เงียบกว่าสำหรับความผิดปกตินี้ การสร้างจักรวาลหุ้นขนาดเล็กจากชื่อที่ซื้อขายในปัจจุบันจะทำให้บริษัททุกแห่งที่ถูกเพิกถอนหรือถูกซื้อกิจการถูกตัดออกไปแล้ว หุ้นเหล่านั้นมักเป็นหุ้นขนาดเล็กที่ราคาตกต่ำซึ่งเป็นหัวใจของเรื่องราวการขายเพื่อทำภาษี ดังนั้นการทดสอบจึงดำเนินการกับผู้ที่รอดชีวิตจากกลุ่มที่กำลังศึกษาอยู่พอดี จักรวาลหุ้นไม่ใช่รายการที่คงที่

SELECT
    toString(toYear(date)) AS year,
    uniqExact(ticker)      AS listings_on_tape
FROM global_markets.stocks_daily_aggs
WHERE date >= '2006-01-01'
  AND date <  '2026-01-01'
GROUP BY year
ORDER BY year

9450 สัญลักษณ์ที่แตกต่างกันมีการซื้อขายอย่างน้อยหนึ่งวันในปี 2006 ในปี 2025 จำนวนนั้นคือ 13423 ตลอดระยะเวลา 20 ปีของข้อมูล สมาชิกมีการเปลี่ยนแปลงอยู่ตลอดเวลาเมื่อมีการจดทะเบียนใหม่และชื่อหุ้นหายไป และจักรวาลหุ้นที่ดึงมาจากข้อมูลวันนี้ไม่มีรายชื่อที่หายไปเหล่านั้น สัญลักษณ์ยังถูกนำกลับมาใช้ใหม่ ซึ่งเป็นกับดักในตัวมันเอง: ดู ทำไมสัญลักษณ์หุ้นถึงทำให้ชุดข้อมูลเสียหาย

สี่คำถามที่ต้องถามสำหรับข้ออ้างเรื่องฤดูกาลใด ๆ

1. ช่วงเวลาตัวอย่างคืออะไร และรูปแบบเป็นอย่างไรนอกช่วงเวลานั้น? การแบ่งแยกที่ต้องใช้ข้อมูลปี 1904 ถึง 1974 ถึงจะปรากฏ เป็นข้ออ้างที่ต่างจากการวัดผลในช่วงยี่สิบปีล่าสุด
2. ดัชนีใด และถ่วงน้ำหนักอย่างไร? ดัชนีแบบ cap-weighted และ equal-weighted ของจักรวาลเดียวกันอาจให้ผลที่ขัดแย้งกันอย่างรุนแรงเกี่ยวกับฤดูกาลของบริษัทขนาดเล็ก
3. กฎถูกกำหนดไว้ก่อนที่จะค้นหาข้อมูล หรือพบโดยการสุ่มหา? ทั้งสองเส้นทางอาจให้ผลลัพธ์อัตราความสำเร็จที่เท่ากัน แต่ให้หลักฐานที่แตกต่างกันมาก
4. ต้นทุนที่เหลืออยู่คืออะไร? ส่วนต่างราคา (spread) และผลกระทบต่อราคาในหุ้นที่มีสภาพคล่องต่ำ บวกกับความจริงที่ว่าคนอื่น ๆ ก็อ่านหน้าข้อมูลเดียวกันนี้

ข้ออ้างเรื่องฤดูกาลที่ตอบครบทั้งสี่ข้อนั้นคุ้มค่าที่จะอ่านอย่างละเอียด ส่วนใหญ่ไม่สามารถตอบได้เลย

คำถามที่พบบ่อย

January effect ในตลาดหุ้นคืออะไร?

คือข้อสันนิษฐานที่ว่าราคาหุ้น โดยเฉพาะบริษัทขนาดเล็ก จะปรับตัวสูงขึ้นในช่วงสัปดาห์แรกของเดือนมกราคมมากกว่าเดือนทั่วไป การศึกษาในปี 1976 ที่อยู่เบื้องหลังเรื่องนี้วัดผลดัชนี NYSE แบบ equal-weighted ตั้งแต่ปี 1904 ถึง 1974 โดยรายงานว่าเดือนมกราคมมีค่าเฉลี่ยสูงกว่าเดือนอื่นประมาณห้าเท่า

January effect ยังคงใช้ได้ผลหรือไม่?

การวัดผลที่ทำหลังจากการตีพิมพ์ในปี 1976 มีขนาดเล็กกว่าต้นฉบับมาก และส่วนหนึ่งของผลตอบแทนตามฤดูกาลได้เลื่อนไปอยู่ในเดือนธันวาคมเนื่องจากนักลงทุนปรับตัวเร็วขึ้น ข้ออ้างในปัจจุบันจำเป็นต้องมีช่วงเวลาตัวอย่างและโครงสร้างดัชนีของตนเอง ซึ่งต้องระบุไว้ล่วงหน้า หน้าข้อมูลนี้มีไว้เพื่อการศึกษาและไม่ได้นำเสนอเป็นกฎในการเทรด

ทำไม January effect ถึงรุนแรงที่สุดในบริษัทขนาดเล็ก?

กลไกทั้งสองชี้ไปที่จุดนั้น การขายเพื่อทำภาษีจะกระจุกตัวอยู่ในสถานะที่ขาดทุนอยู่แล้วในปีนั้น ซึ่งมักเป็นหุ้นขนาดเล็ก และแรงซื้อจำนวนหนึ่งจะทำให้หุ้นที่มีสภาพคล่องต่ำขยับราคาได้มากกว่าหุ้นขนาดใหญ่มาก ดัชนีแบบ equal-weighted จะให้สิทธิออกเสียงเต็มที่แก่หุ้นขนาดเล็กเหล่านั้น ในขณะที่ดัชนีแบบ cap-weighted แทบไม่ให้ความสำคัญเลย

January effect เป็นสิ่งเดียวกับ Sell in May หรือไม่?

เป็นช่วงเวลาที่แตกต่างกันของประเภทเดียวกัน คือการแบ่งแยกตามปฏิทินที่พบในข้อมูลประวัติศาสตร์ โดยมีเรื่องราวมาประกอบในภายหลัง ทั้งสองต้องการหลักฐานชุดเดียวกันก่อนที่จะมีความหมายใด ๆ โดยเริ่มจากช่วงเวลาตัวอย่างที่เลือกไว้ล่วงหน้าก่อนการทดสอบ ไม่ใช่หลังจากนั้น

ทุกตารางที่นี่มี SQL ที่ใช้สร้างมัน ดังนั้นหน้าต่างใด ๆ ข้างต้นสามารถนำไปคำนวณใหม่บน Ticker อื่นหรือช่วงเวลาที่ยาวขึ้นได้ หากต้องการทดสอบข้ออ้างเรื่องฤดูกาลบนกลุ่มตัวอย่างที่คุณเลือกเอง ให้ถามคำถามเป็นภาษาอังกฤษธรรมดาบนเทอร์มินัล Strasmore