事件研究法 (Event Study) 简介

什么是事件研究法？

事件研究法是一种统计方法，用于评估特定事件（如财报发布、并购公告、政策变更等）对资产价格（通常是股票收益率）的影响。其核心逻辑是将实际观测到的收益率与“如果没有发生该事件”情况下的预期正常收益率进行比较，两者的差额即为异常收益率 (Abnormal Return, AR)。

核心步骤

1. 定义事件与窗口：

   • 事件日 (Event Date)：消息公开的那一天。
   • 估计窗口 (Estimation Window)：用于估算股票正常表现参数的时间段（通常在事件前较远处，如 [-120, -21] 天）。
   • 事件窗口 (Event Window)：用于观察事件影响的时间段（如 [-5, +5] 天）。

2. 建立期望收益模型：

   • 常用市场模型 (Market Model)：通过回归分析 $R_{it} = \alpha_i + \beta_i R_{mt} + \epsilon_{it}$，利用估计窗口的数据计算出 $\alpha$ 和 $\beta$。
   • $R_{it}$ 是个股收益，$R_{mt}$ 是市场收益。

3. 计算异常收益 (AR)：

   • $AR_{it} = R_{it} - (\hat{\alpha}i + \hat{\beta}_i R)$
   • 即：实际收益减去模型预测的正常收益。

4. 计算累计异常收益 (CAR)：

   • $CAR_{i}(\tau_1, \tau_2) = \sum_{t=\tau_1}^{\tau_2} AR_{it}$
   • 将事件窗口内的异常收益累加，以衡量事件的总体影响。

5. 统计检验：

   • 对 AR 和 CAR 进行 t 检验，判断其是否显著异于零，从而确定事件是否具有统计学意义上的影响。

本代码包说明

提供的 main.py 实现了一个基于 Python (pandas, statsmodels) 的简化版事件研究法流程。它自动处理多只股票的面板数据，使用市场模型估计参数，并输出平均累计异常收益率 (Average CAR) 随相对时间的变化序列。

结果展示说明

本模块不包含图片，仅描述代码执行后的文本输出逻辑。

输入描述

用户运行 python main.py 后，程序内部会执行以下操作：

1. 构建模拟数据：生成 2025 年 1 月至 6 月期间，三只股票 (AAPL, GOOG, MSFT) 的每日收益率及对应的市场收益率模拟数据。
2. 设定事件：指定事件发生日期为 2025-03-15。
3. 设定窗口：事件窗口设为前后 5 个交易日 (-5 到 +5)。
4. 执行计算：调用 run_event_study 函数进行回归估计、异常值计算及累加。

输出描述

控制台将打印一个 Pandas DataFrame 表格，包含以下列：

• relative_day：相对事件日的时间索引（-5 表示事件前 5 天，0 表示事件当天，5 表示事件后 5 天）。
• abnormal_return：所有样本股票在该相对日期的平均异常收益率。
• car：所有样本股票在该相对日期的平均累计异常收益率。

预期输出示例格式

   relative_day  abnormal_return       car
0            -5         0.001234  0.001234
1            -4         0.000567  0.001801
2            -3        -0.000234  0.001567
3            -2         0.002100  0.003667
4            -1         0.001500  0.005167
5             0         0.008500  0.013667  <-- 事件当日，通常波动最大
6             1         0.003200  0.016867
7             2        -0.001100  0.015767
8             3         0.000400  0.016167
9             4        -0.000900  0.015267
10            5         0.000100  0.015367

结果解读文字说明

• 若 relative_day 为 0 附近的 abnormal_return 显著为正数（如示例中的 0.0085），且随后的 car 呈现阶梯式上升并保持高位，文字结论将表明：该事件对股价产生了显著的正向超额回报影响。
• 若 car 在事件日后迅速回落至接近 0 的水平，则表明市场对该事件的反应是暂时的或已被提前消化。
• 输出数据可直接用于后续绘制“事件研究法典型走势图”（横轴为相对日，纵轴为 CAR）。