事件研究

前面四篇都在回答「什么样的股票/行情值得买」。这一篇换一个更朴素的问题：**一件事发生之后，股价平均会怎么走？**业绩预增公告、高送转、定增、大股东增持、被调入指数——A 股每天都在发生这类事件。单次事件没法看：某家公司发预增公告第二天涨 3%，你无法分辨这是公告的效果，还是那天大盘恰好大涨、或者纯属噪声。事件研究（event study）的解决办法漂亮得像一句大白话：把很多次同类事件对齐到同一天，然后取平均。每次事件的日子不同，但把每个事件的公告日都记作「第 0 天」，前一天记作 −1，后一天记作 +1……对齐之后，很多次事件的股价走势就可以逐日平均。平均会把各次事件里不相干的噪声相互抵消，留下来的共同形态，就是「这件事本身的平均效果」。这是金融学里最古老也最耐用的一套方法论，从 1969 年 Fama 等人的经典论文用到现在，你读过的几乎每一份「某某事件后股价表现」的研报，内核都是它。

1854 年伦敦霍乱暴发，主流医学界还在争论瘴气理论。医生约翰·斯诺不站队，做了一次「事件研究」：把一周内的死亡病例逐个标注在地图上——它们密密麻麻地围绕布罗德街的一台水泵；再把附近两家自来水公司的供水范围画出来——两家的客户混杂在同一条街上，人种、贫富、职业都近似随机分布，唯一的区别是水源，而死亡率天差地别。他由此论证霍乱经水传播（比病菌学说早了几十年），并拆掉了那台水泵的把手。

回看本章：事件研究的两个核心件都能在霍乱地图里找到——对齐与平均（把病例对齐到「水源暴露」这一件事上，其他噪声相互抵消）与对照组（两家水公司互为对照，把瘴气、贫穷等竞争解释挤出去）。「业绩预增公告后的 CAR」和那台水泵，是同一个方法论的两次调用。

方法论：事件定义 → 窗口 → 超额收益 → 对齐平均

R1（事件定义）：先把「事件」写成一条可机械执行的判定规则，而不是一句口头描述。「业绩预增」要落实成：公告类型为业绩预告、预告净利润同比增速大于某阈值、以公告日为事件日。定义越机械，样本越不容易被手抖污染（常见坑第 1 条）。
R2（窗口选择）：以事件日为 0，向前向后各取一段交易日，比如 [-20, +20]。向前取 20 天是为了检查事件前有没有异动（消息泄露、样本被挑过）；向后取 20 天是看效果持续多久。窗口长度是假设的一部分，碰数据前写死。
R3（超额收益）：原始涨跌幅里混着大盘的起伏，必须减掉基准：每天算个股收益与基准收益的差，得到超额收益。基准可以是沪深 300、中证全指或同行业指数——关键是同一个样本里所有事件用同一把尺子。
R4（对齐）：把每条事件的时间轴平移，使事件日都落在相对日 0。对齐之后，「相对日 +3」对每条事件都指「公告后第 3 个交易日」，无论它们的日历日期差多少年。
R5（平均与置信带）：对每个相对日，把 N 条事件的超额收益取等权平均，再逐日累加，得到平均累计超额收益曲线（CAR）；同时算出每个点上跨事件的离散程度，给出置信带。曲线回答「平均效果多大」，置信带回答「这个平均值靠不靠谱」。
成功标准：假设在碰数据前写死——「业绩预增公告后 20 个交易日内 CAR 显著大于 0，且事件前 20 日 CAR 无趋势」。「显著」沿用第 2 章的判据：置信带不包含 0。

本章演示数据是 60 次合成的「业绩预增公告」事件（事件研究演示：60 次合成「业绩预增公告」事件，窗口 [-20,+20] 日。每次事件的日超额收益（相对基准）= 事件日跳升（t=0 均值 1.2%）+ 事件后正向漂移（t=1..20 每日均值 0.18%）+ 噪声 N(0, 0.011²)，事件前无漂移。car 为窗口起点累计、跨事件平均的 CAR；lower/upper = car ± 1.96×标准误，标准误 = 逐事件 CAR 的截面标准差(n−1) ÷ √60。单位均为百分数（%））。生成剧本是：事件前没有漂移（干净的对照段），事件日当天有一个平均 1.2% 的跳升，之后 20 天每天有平均 0.18% 的正向漂移（公告后缓慢消化，学界叫「公告后漂移」），再叠加上每日噪声。注意我们故意不造假事件前的泄露，好让你看到「无泄露」长什么样作为对照。

数学：超额收益、平均与累计

第 $i$ 次事件在相对日 $t$ 的超额收益，是个股收益减基准收益：

$AR_{i,t} = R_{i,t} - R_{m,t}$

把 $N$ 次事件在相对日 $t$ 的超额收益取平均，再把窗口起点以来的平均收益逐日累加，就是 CAR 曲线：

$\bar{AR}_t = \frac{1}{N}\sum_{i=1}^{N} AR_{i,t}, \qquad \text{CAR}_t = \sum_{s=-W}^{t} \bar{AR}_s$

最后给 CAR 装上刻度尺——置信带。对相对日 $t$ ，把每次事件各自的累计超额收益（从窗口起点累到 $t$ ）拿出来，算跨事件的截面标准差 $\sigma_t$ ，则：

$\text{SE}(\text{CAR}_t) = \frac{\sigma_t}{\sqrt{N}}, \qquad \text{置信带} = \text{CAR}_t \pm 1.96 \cdot \text{SE}(\text{CAR}_t)$

人话解释：第一步的减法是把大盘的「水涨船高」从个股涨跌里剔掉——公告日涨 3% 而当天大盘涨 1%，事件真正带来的只有 2%。第二步的平均是整套方法的灵魂：单次事件的噪声可能 ±5%，但噪声在每次事件里方向随机，N 次平均后相互抵消，共同的漂移被留下来——N 越大，均值越干净。第三步的置信带用了一个你在第 2 章见过的结论：平均值的波动是单次波动的 $\sqrt{N}$ 分之一，所以标准误 = 截面标准差除以 $\sqrt{N}$ ；±1.96 倍标准误对应 95% 置信水平。带里没有 0，才能说「平均效果大概率不是碰运气」。

手算一遍：3 次事件、窗口 [-1, +1] 的玩具样本。原始数据与第一步减法如下：

事件	相对日 $t$	个股收益	基准收益	$AR$
A	−1	+0.5%	+0.2%	+0.3%
A	0	+3.0%	+0.1%	+2.9%
A	+1	+0.8%	+0.3%	+0.5%
B	−1	−0.4%	+0.1%	−0.5%
B	0	+2.2%	−0.2%	+2.4%
B	+1	+1.2%	+0.4%	+0.8%
C	−1	+0.2%	0.0%	+0.2%
C	0	+4.1%	+0.5%	+3.6%
C	+1	−0.3%	+0.2%	−0.5%

第二步逐日平均：相对日 −1 的平均是 (0.3% − 0.5% + 0.2%) ÷ 3 = 0.00%；相对日 0 是 (2.9% + 2.4% + 3.6%) ÷ 3 = 2.97%；相对日 +1 是 (0.5% + 0.8% − 0.5%) ÷ 3 ≈ 0.27%。累加得 CAR（按未舍入值累加，再四舍五入展示）：−1 日 0.00%，0 日 2.97%，+1 日 3.23%。第三步置信带（以相对日 0 为例）：三次事件各自累计到 0 日的值是 A = 3.2%、B = 1.9%、C = 3.8%，均值 2.97%，截面标准差（除以 N − 1 = 2）约 0.97%，标准误 = 0.97% ÷ √3 ≈ 0.56%，置信带 = 2.97% ± 1.96 × 0.56%，即 [1.87%, 4.07%]——不含 0。当然 3 次事件的置信带只是演示算法，真实研究里 N 通常是几十到几百，带会窄得多。

伪代码：事件研究的完整流程

输入：事件清单 events（每条：股票、事件日，由机械规则筛出，共 N 条）、
      日收益表 ret、基准日收益 mkt、窗口半长 W
# ① 取窗口：每条事件取事件日前后各 W 个交易日的收益，对齐到相对日
AR ← N × (2W+1) 的空矩阵          # 行 = 事件，列 = 相对日 −W … 0 … +W
对每条事件 i：
    对相对日 t 从 −W 到 +W：
        s ← 事件 i 的事件日之后第 t 个交易日   # t 为负则是之前
        AR[i][t] ← ret[i][s] − mkt[s]        # 超额收益：减同一把基准尺
# ② 对齐平均：逐列（逐相对日）求 N 条事件的等权平均
对 t 从 −W 到 +W：
    AAR[t] ← AR[:, t] 的均值
# ③ 累计：CAR 曲线 = 平均超额收益从窗口起点逐日累加
对 t 从 −W 到 +W：
    CAR[t] ← AAR[−W … t] 的累加和
# ④ 置信带：换一条等价路径——逐事件先累计，再跨事件算离散程度
对 t 从 −W 到 +W：
    对每条事件 i：CARi ← AR[i][−W … t] 的累加和
    σ[t] ← 所有 CARi 的截面标准差（除以 N−1）
    SE[t] ← σ[t] / √N
    带上界[t] ← CAR[t] + 1.96·SE[t]；带下界[t] ← CAR[t] − 1.96·SE[t]
输出：CAR 曲线、95% 置信带（读法见下图）

两处容易写错的地方：① 的相对日换算必须按交易日历走（事件日后的第 5 个交易日，不是日历日的第 5 天），且事件日落在停牌期、窗口内缺数据的处理规则要事先定好；③ 和 ④ 是两条不同的计算路径——③ 先平均后累计得到 CAR 曲线，④ 先（逐事件）累计后算离散得到置信带，次序不能换，先平均再算标准差会把跨事件的离散信息平均掉。

图：CAR 曲线与置信带

把 60 次「业绩预增公告」事件按上面的流程跑完，画出 CAR 曲线（红线）、95% 置信带（浅蓝色区域）与事件日竖线（蓝色虚线）：

读图三要点：

事件前是否已泄露：看 0 点左侧有没有提前上行。本例相对日 −20 到 −1 的 CAR 在 -0.379% 到 0.366% 之间窄幅晃，没有趋势，置信带始终包含 0——干净的对照段，说明公告前市场没有抢跑。如果你在真实数据里看到 0 点左侧 CAR 已经持续爬升，两种可能：消息提前泄露（内部人先买），或者你的样本被「事后挑过」（常见坑第 1 条）——无论哪种，「事件效果」都已经部分兑现，0 点后的涨幅会被低估。
事件后漂移方向：看 0 点右侧曲线的斜率。本例事件日单日 CAR 抬升 1.15 个百分点（公告的即时反应），之后 20 天曲线持续缓升，到 +20 日累计 4.591%——即时跳升加缓慢漂移，是「利好消息逐步被消化」的典型形态。如果曲线在事件日后掉头向下，说明市场先过度反应再回吐；平着不动，则说明信息在事件日一次性定价完毕。
置信带是否含 0：看浅蓝色区域的下界。本例下界从相对日 +4 起站上 0 并保持到窗口末端（+20 日为 [2.938%, 6.244%]）——从那天起，「CAR 其实是 0、涨的是运气」这个解释在 95% 水平上被拒绝。带越宽说明跨事件的差异越大（本例窗口越往后带越宽，因为累计的时间越长、各事件分化越大）；下界压着 0 的研究结论，只能当轶事听。

照例提醒：这是合成数据，「事件后缓升、带最终不含 0」是剧本安排好的形态，用来教你认图——真实事件研究的图会更毛糙，结论也经常落在「带含 0、不好说」这一档。

扩展：当事件的原料是文本——LLM 信号提取

本篇到目前为止的事件都是天然结构化的：业绩预告、增持、调入指数——数据库里一个字段就能筛出来。但市场里更多的信息以文本形态存在：新闻快讯、公告正文、券商研报、互动平台问答、社交媒体讨论。上一代做法（情感词典、微调小模型）脆弱且口径混乱；大语言模型（LLM）带来了质变——它能把一段文本直接读成结构化字段：这条新闻是利好还是利空（情感分数）、属于哪类事件（事件类型）、相对市场一致预期是超预期还是低预期（预期差方向）。

教学上最重要的一个定位：LLM 的输出不是结论，而是原料。它做的事是把「文本」翻译成「事件清单」或「因子值」，翻译完成之后，一切回到本篇的 R1–R5：机械定义 → 窗口 → 超额收益 → 对齐平均 → 置信带，一道工序都不少。「LLM 说这些是利好」和「业绩预告」在法律地位上完全平等——都是待检验的事件定义，都要过同一张图、同一条置信带。

但文本原料比数据库字段多出三层自己的纪律：

文本的可见时间。新闻有三个时间戳：发布时间、抓取时间、入库时间。回测时用「发布时间」而实盘时你拿到的是「入库时间」，中间差的几分钟就是一条隐形的前视通道。第 1 章与第 18 章的 PIT 纪律原样延伸到文本：信号只能用决策时点之前入库的文本。
模型版本即口径。同一个 LLM 处理同一批文本，输出才可比；升级模型 = 更换信号口径，全历史必须重跑，新旧口径混用的信号序列等于两条不同信号拼接。纪律：批量处理时锁定模型版本，并把版本号写进研究记录。
LLM 可能「记得」历史。它的训练语料里包含历史行情与历史研报——让它处理 2020 年的新闻时，它也许不是「读出来的」而是「背出来的」。这是 AI 时代特有的前视，第 20 章有专节展开。

常见坑

样本选择偏差：只挑「成功案例」研究。最隐蔽的版本不是故意作弊，而是研究问题的提法本身带毒：「研究那些公告后大涨的股票，看它们公告前有什么特征」——样本按结果挑过，0 点后的上涨是被挑出来的，不是事件的平均效果；连 0 点前的「异动」也可能是挑样本时顺带挑进来的。判别纪律只有一条：事件清单必须由事件日本身（或之前）可得的信息机械筛出，不许看事件后的走势。「业绩预增」就按公告文本筛，一条都不许手动剔除「涨得不好看的」。
事件扎堆：「独立样本」的假象。置信带的公式假设 N 次事件相互独立，但 A 股财报季天然扎堆——业绩预告集中在 1 月、4 月、7 月、10 月的几周里密集发布，一次财报季就能贡献大半个样本。这些事件的窗口在日历上高度重叠：它们共享同一段大盘行情、同一个宏观环境、同一波行业轮动。某天大盘暴跌，几十条「独立」事件的超额收益一起为负——它们其实并不独立。后果是真实的跨事件离散程度被低估，置信带算出来偏窄，「显著」变廉价。缓解办法：按财报季分组检查结论是否在每一季都成立；或对同一时段的事件先聚类再算标准误（超出本篇范围，但实盘前必须知道这个修正的存在）。
事件日对错一天：盘后公告的归属。A 股大量公告在收盘后发布——业绩预告、定增预案、股东增持，多是晚上挂网。收盘后的公告，市场最早也要次日才能反应，事件日应记下一个交易日，而不是公告落款日。对错一天的效果很刁钻：CAR 曲线整体不会错得离谱，但「事件日跳升」会被记到 −1 日，制造出「消息提前泄露」的假象，或者把真实的泄露冲掉一半。处理规则同样要机械：统一按公告时间戳判断，15:00 后发布的顺延一个交易日。

事件研究到此告一段落：把「某件事发生了」写成机械规则、对齐、平均、配置信带——它是检验任何可枚举市场规律的通用工具。下一篇把镜头从「事件的平均效果」拉回「账户的整体结构」：投资组合与策略分散——第二编的收官章，也是把前面所有策略放进同一个账户时，最后那道风控工序。