20. 实证研究方法：事件研究法、回归分析、向量自回归（VAR）在微观结构中的应用

做微观结构研究，光有理论模型是不够的。你得有工具，能把手上的数据「盘活」。今天聊的三个方法——事件研究法、回归分析、向量自回归（VAR），就是我这些年最常用的实证武器。

说白了，它们解决的是三类问题：

• 事件研究法：某个事情发生了，市场怎么反应？
• 回归分析：变量之间是什么关系？谁影响谁？
• 向量自回归（VAR）：多个变量互相纠缠，怎么拆解？

咱们一个一个来拆。

20.1 事件研究法：看市场对「突发」的反应

事件研究法，我习惯叫它「照妖镜」。你想想看，一个新闻出来，股价跳空高开，到底是真利好还是情绪宣泄？用事件研究法就能算清楚。

核心逻辑很简单：

1. 定义事件窗口（比如公告前后各10个交易日）
2. 计算预期收益率（用市场模型或CAPM）
3. 算超额收益率（实际 - 预期）
4. 检验超额收益率是否显著不为零

举个例子。我在项目中遇到过一家高频做市商，他们想知道「自己调整报价后，对手方会不会跟单」。我们用事件研究法，把报价调整当作事件，窗口设为前后5秒。结果发现，对手方在2秒内跟单的概率高达73%。这个结论直接帮他们优化了报价策略。

代码实现也不复杂。我贴一段伪代码，你感受一下：

# 事件研究法伪代码
def event_study(price_series, event_time, window=(-10, 10)):
    # 1. 计算实际收益率
    actual_returns = price_series.pct_change()
    
    # 2. 估计预期收益率（用市场模型）
    market_returns = get_market_returns()
    beta = estimate_beta(price_series, market_returns)
    expected_returns = beta * market_returns
    
    # 3. 超额收益率
    abnormal_returns = actual_returns - expected_returns
    
    # 4. 窗口内累计
    event_window = abnormal_returns[event_time+window[0]:event_time+window[1]]
    car = event_window.sum()
    
    # 5. t检验
    t_stat = car / event_window.std()
    return car, t_stat

20.2 回归分析：量化变量间的「因果关系」

回归分析，大家应该不陌生。但在微观结构里，它有几个特殊用法。

我最常用的是多元线性回归，用来解释买卖价差、订单不平衡这些核心指标。

比如，我想知道「订单流不平衡」对「短期价格变动」的影响。模型可以写成：

ΔPrice_t = α + β₁ * OrderImbalance_t + β₂ * Volatility_t + β₃ * Volume_t + ε_t

这里有个坑——微观结构数据通常有序列自相关和异方差。直接用普通最小二乘法（OLS），标准误会偏小，t统计量会虚高。

另外，回归分析里有个经典问题——内生性。比如，价格变动会影响订单流，订单流也会影响价格变动。这就成了「鸡生蛋蛋生鸡」。

怎么解决？我常用的办法是：

• 工具变量法：找个外生变量，比如其他市场的价格冲击
• 滞后变量：用t-1期的订单流解释t期的价格变动
• 差分GMM：动态面板数据时特别好用

20.3 向量自回归（VAR）：拆解多变量的「纠缠」

如果说回归分析是「单挑」，那VAR就是「群架」。它把所有变量都当作内生变量，一起建模。

在微观结构里，VAR特别适合分析价格、订单流、波动率、成交量之间的动态关系。

一个典型的VAR模型长这样：

Y_t = A₁Y_{t-1} + A₂Y_{t-2} + ... + A_pY_{t-p} + ε_t

其中 Y_t = [Price_t, OrderFlow_t, Volatility_t, Volume_t]'

你可能会问：这么多变量互相回归，结果怎么看？

嗯，这里有两个核心工具：

• 格兰杰因果检验：判断A是不是B的「因」
• 脉冲响应函数（IRF）：给一个变量一个单位的冲击，看其他变量怎么响应

VAR的阶数选择也很关键。我习惯用AIC或BIC准则，但要注意：高频数据下，AIC容易选过多的滞后阶数。我一般会结合似然比检验来确认。

20.4 三种方法的对比与选择

说了这么多，到底什么时候用哪个？我画了张图，帮你理清思路。

你看，这三种方法不是互斥的，而是递进的。我个人习惯的流程是：

1. 先用事件研究法：快速判断某个事件是否有「异常」
2. 再用回归分析：量化变量间的线性关系
3. 最后上VAR：把动态反馈和传导路径搞清楚

20.5 实战中的注意事项

最后，分享几个我踩过的坑：

• 数据频率要匹配：别用日频数据做秒级事件研究，也别用毫秒级数据做日频回归。频率不匹配，结论就是扯淡。
• 注意微观结构噪声：买卖价差、订单簿的微小波动，在低频数据里是噪音，在高频数据里可能是信号。要区分清楚。
• 稳健性检验不能省：换窗口、换样本期、换估计方法，都跑一遍。如果结论变了，说明你的模型有问题。
• 别过度解读格兰杰因果：格兰杰因果不等于真正因果。它只是说「A的过去能预测B的现在」，不代表A是B的原因。

---