事件研究法：从异常收益中捕捉信息含量
事件研究法，说白了就是回答一个问题：某个特定事件（比如财报发布、并购公告、政策变动）到底对股价有没有影响？影响多大？
我刚开始做量化的时候，总觉得这事儿挺玄乎。后来自己动手跑了几百次事件研究，才真正理解——这不是玄学，是严谨的统计推断。今天我就把事件研究的基本框架、异常收益计算、累积异常收益（CAR）以及窗口信息含量分析，掰开了讲清楚。
一、事件研究的基本框架
事件研究的核心逻辑其实很简单：
- 定义事件——你要研究什么？比如“分红公告日”
- 确定事件窗口——事件前后观察多久？比如[-5, +5]交易日
- 确定估计窗口——用哪段历史数据来“预测”正常收益？比如[-120, -21]
- 计算异常收益——实际收益减去预期收益
- 统计检验——异常收益是否显著不为零？
关键点：事件研究不是预测未来，而是测量“意外”。异常收益 = 市场对信息的反应强度。
我个人习惯把事件窗口分成三块：
- 事前窗口（比如[-5, -1]）：检测信息泄露或提前反应
- 事件日（[0, 0]）：核心反应日
- 事后窗口（比如[+1, +5]）：观察反应是否持续或反转
二、异常收益的计算
异常收益（Abnormal Return, AR）的计算，我见过不下五种模型。但实战中最常用的就两种：
1. 市场调整模型
最简单粗暴：
AR_it = R_it - R_mt其中R_it是股票i在t日的实际收益，R_mt是市场指数收益。
为什么简单？因为它不需要估计任何参数。我早期做A股事件研究时经常用这个，尤其当样本量小、估计窗口不够长的时候。但要注意——它假设所有股票的β都是1，这显然不现实。
2. 市场模型
这是学术界和业界最主流的做法：
R_it = α_i + β_i * R_mt + ε_it用估计窗口的数据跑OLS回归，得到α̂_i和β̂_i，然后：
AR_it = R_it - (α̂_i + β̂_i * R_mt)我的经验：估计窗口一般选120-250个交易日。太短了参数不稳定，太长了可能包含其他事件污染。我曾经用60天窗口做一次并购事件研究，结果β估计偏差很大，导致异常收益全是噪声——嗯，那次教训挺深刻的。
三、累积异常收益（CAR）
单日的异常收益可能只是随机波动。我们需要把事件窗口内的异常收益累加起来，看看整体效果。
CAR_i(t1, t2) = Σ AR_it (从t=t1到t=t2)举个例子：
| 交易日 | 实际收益 | 预期收益 | 异常收益 | CAR |
|---|---|---|---|---|
| -2 | 0.5% | 0.3% | 0.2% | 0.2% |
| -1 | 1.2% | 0.4% | 0.8% | 1.0% |
| 0 | 3.5% | 0.2% | 3.3% | 4.3% |
| +1 | -0.8% | 0.1% | -0.9% | 3.4% |
| +2 | -0.3% | 0.3% | -0.6% | 2.8% |
看到没？事件日当天CAR跳了3.3%，但随后两天回落了1.5%。这说明市场可能存在过度反应，然后修正。
注意：CAR的统计检验不能直接用t检验。因为异常收益可能存在截面相关性（同一天多个事件），需要用标准化横截面检验或BMP检验。我曾经因为忽略这一点，得出过“显著为正”的假阳性结论——后来被审稿人怼了。
四、事件窗口的信息含量分析
信息含量分析，说白了就是回答三个问题：
- 事件有没有信息含量？——CAR是否显著不为零？
- 信息含量有多大？——CAR的绝对值大小
- 信息含量何时释放？——是提前泄露、当日释放、还是滞后反应？
我个人习惯用以下方法做窗口分析：
- 逐日AR分析：看每天的平均异常收益是否显著。如果[-2, -1]天就显著了，说明有信息泄露。
- 窗口分段CAR：比如CAR[-5,-1]、CAR[0,0]、CAR[+1,+5]。对比这三段，能看出信息释放节奏。
- 波动率分析：事件窗口的波动率如果显著高于估计窗口，说明事件确实带来了新信息。
举个例子，我做过一个A股业绩预告的事件研究：
- CAR[-5,-1] = 1.2%（显著）→ 有信息提前泄露
- CAR[0,0] = 2.8%（显著）→ 事件日反应强烈
- CAR[+1,+5] = -0.3%（不显著）→ 没有明显反转
这说明业绩预告的信息含量很高，而且市场在事件前就已经部分消化了。
五、知识体系总览
下面这张图是我自己整理的事件研究知识框架，你看一眼就能把握全貌：
你看，整个知识体系其实就三层：框架→计算→分析。每一层都有对应的工具和方法。我个人建议初学者先从市场模型+简单CAR开始跑一遍，再逐步加入统计检验和窗口分段分析。
避坑指南：我曾经在分析财报事件时，把估计窗口选在了财报密集发布期，结果β估计被其他事件污染了。后来我学乖了——估计窗口要避开已知的重大事件。另外，如果事件窗口内有多只股票同时发生事件（比如行业政策出台），记得用聚类标准误。
事件研究法的魅力在于，它把“信息”这个抽象概念变成了可量化的数字。你想想看，一个CAR值就能告诉你市场对这个事件的态度——是惊喜、失望、还是早有预料？这就是信息含量的量化表达。
好了，事件研究的基本框架和核心计算就讲到这里。下一节我们会深入讨论如何用事件研究法做多空策略，以及如何避免常见的统计陷阱。