個股突發事件對股票影響的實證分析

李鎂瀠，徐美萍

（北京工商大學 理學院，北京 100048）

0 引言

中國股市是一個政策導向、事件驅動的市場，股票市場上的意外事件對投資者來說至關重要，本文就個股突發事件的有效性進行研究，并以此構建投資策略。考慮到國內外文獻大多是基于宏觀層面上的事件研究[1-8]，基于個股突發事件的學術研究還比較少，因此本文以個股突發事件為基礎，從中挑選出16類事件進行研究，選取訓練樣本為2016年全體A股中發生這16類事件的股票。為分析其所造成的影響，用CBBM模型對股票收益率進行分解并提取出事件異常收益，避免了使用多因子模型會出現的過度分解情況。同時還計算出事件異常收益的t值序列，以便更準確地查看其有效性和有效時間段。之后對這16類事件的有效性和影響程度進行劃分，對事件進行不同的評級，并根據評級構建預測模型。

1 事件分析

本文將事件分析分為三步：第一步，構建事件庫，從個股突發事件中選取16類較為常見的事件作為事件庫；第二步，收集事件發生日前、中、后期的個股數據，提取個股的事件異常收益；第三步，基于事件異常收益對事件有效性進行分析，同時確定事件評分，通過事件評分確定個股評分并建立股票評分矩陣。

1.1 構建事件庫

先將事件按照人們主觀印象分為正面收益類和負面風險類兩種，事件樣本區間為2016年1月1日到2016年12月31日，事件的定義及其數量如表1所示。

表1 事件的定義

1.2 提取事件異常收益

為了更好地判斷事件是否具有事件效應，就需要提取事件對個股貢獻的異常收益。由于事件因子過于稀疏，很難用傳統的回歸擬合分解出事件收益，所以可以用多因子分解后的殘差項代替異常收益，但是其前提假設之一是事件因子和其他因子無關。而實際上事件的發生對公司的動量因子、規模因子等都存在著影響，因而該方法容易過度分解事件異常收益。

本文采用了CBBM來提取事件異常收益，CBBM最早由Daniel（1997）提出并用于公募基金績效評價，Ahern（2009）[9]用仿真模擬的方法比較了六種收益預測模型（均值調整模型、市場調整模型、市場模型、Fama-French三因子模型、Carhart四因子模型和CBBM），發現CBBM模型左右尾偏誤最小，收益預測偏差也最小。同時CBBM方法是用一種非參數化的方法剔除了市場和市值因子的影響，不需要設置參數估計區間[10]。

CBBM就是構造一個特征來尋找與目標股票相似的基準股票組合，并利用該特征對這些基準股票收益率作加權平均，將其值作為目標股票的期望收益率。本文選取的特征為總市值，具體操作是選取最接近目標股票總市值的100只股票，將他們的收益率按總市值作加權平均，之后得到的就是期望收益率，而股票的期望收益率和真實的收益率之差即為該股票的異常收益率。其公式為：

其中，ARi為股票i的事件異常收益率，ri為其真實收益率，CBBi為由基準股票組合得到的期望收益率。

1.3 事件的有效性分析

以股東增持為例，從直觀上看，股東增持屬于實質性利好，原因有兩方面：第一，股東比普通投資者更加熟悉公司的運作情況，股東增持意味著股東對公司的未來發展看好，是有發展前景的；第二，從市場供需來看，股東增持會給投資者信心，從而擴大了市場對該股票的需求。因此，本文觀察2016年所有發生股東增持事件的股票在事件發生日前20天到后80天這100天的各種收益率加權平均后的變化（圖1(a)），同時為了更好地解釋和分析事件的有效性，還提取了事件異常收益變化幅度的t值序列（圖1(b)）。

圖1 發生股東增持事件收益率與t值序列圖

其中：

此處reali、alphai分別是股票i的真實收益率和超額收益率，wi是股票i的權重；real、alpha、abnormal和CBB分別是發生股東增持事件時真實收益率的變化、超額收益率的變化、異常收益的變化和期望收益率的變化。

同時，本文還對圖1進行了詳細的統計描述（見表2），其中CAR為異常收益率，IC值為信息系數，指個股第t期在因子上的因子暴露與t+1期的收益率的相關系數，常見的計算IC值方法有兩種：pearson相關系數和秩相關系數，由于Pearson相關系數計算時假設變量具有相等間隔以及服從正態分布，而這一假設往往與因子值和股票收益率的分布情況向左。因此本文采用秩相關系數計算IC值。

表2 股東增持事件收益率統計

從圖1和表2可以看出，在事件發生日到其后5天有極為明顯的事件異常收益，相比事件發生前CAR達到了1.07%，超額收益率增長了1.17%，t值的平均值也超過了正態分布的95%分位數，存在著明顯的異常現象，IC值也出現了明顯的分化，表明股東增持事件對股票的真實收益率產生了影響。但在事件發生日的5天后便不再有明顯的異常收益，從t值序列中也進一步印證了這一點，雖然總體來說累積真實收益率一直處于負值，但在時間有效期內是可以得到正向收益的。因此股東增持事件的有效期是（T,T+5）且方向為正向。

把所有16類事件均按照上述方法處理，并按照t值進行分類，可以得到每個事件評分、事件方向以及有效時間，如表3所示。

表3 有效事件分析

表3中的事件有效時間和事件異常收益率變化t值分別可以從圖1所用方法得到，由于本文中的t值表示的是收益率變化幅度，t值的絕對值越高，表示變化幅度越劇烈，所以本文根據t值對事件進行評分。按照10%、5%、1%的置信水平，把事件評分分為5類：t值絕對值在(0,0.1)范圍內為0，在(0.1,0.8)內為1 ，在(0.8,1.65)內為2，在(1.65,1.96)內為3，在(1.96,3)內為4，之后通過t值的正負性，得到事件方向。從事件方向可以看出，雖然大多數事件與人們的主觀認知相同，但仍有小部分事件存在一定偏差，比如重大項目中標事件發生后，并沒有明顯的收益，通過分析之后發現這個主要原因是因為在事件發生前股票價格已經對此有了反應，所以在事件發生并無明顯效應。最后根據事件評分，就可以得到各個時期內個股的評分。

2 預測

本文通過之前事件的評級來預測新發生事件的評級并給予股票評級，基于個股突發事件的預測模型的必要步驟如下：

第一步：確定持股范圍，在全體A股中提出ST*ST虧損，市盈率大于100的股票。

第二步：從2016年研究的事件中挑選出影響方向為正向的事件。

第三步：根據2016年的事件評級確定2017年發生該事件的評級。

第四步：根據個股事件發生時間以及事件有效時間，確定個股的買入評級、買入時間及持倉周期。

第五步：篩選每日具有最高評級的股票進行買入，對不在買入評級范圍內的股票進行賣出。

為保證模型的穩定性，本文對全體A股的股票進行了篩選，去除了市盈率過高以及虧損的股票，以此作為股票池。為避免和訓練數據有重疊導致預測效果高估，本文選取2017年6月1日至2017年12月31日作為預測范圍，并選取在上述股票池中發生事件有效方向為正向的突發事件進行分析，確定買入和賣出的股票，預測結果如圖2所示。其中，初始資金設置為10萬元；調倉頻率為每天；每筆交易時的手續費是：買入時的傭金為萬分之三，賣出時的傭金為萬分之三加千分之一印花稅,每筆交易傭金最低為5元。

圖2 個股突發事件模型預測結果

從圖2中可以看出，本文所給的模型相對于上證指數的收益有著明顯的增長，為了進一步凸顯出模型的特征，本文還計算了模型收益率、模型年化收益率、勝率、最大回撤率和夏普比率，并把統計結果進行了匯總（見表4）。

表4 兩種模型的統計數據匯總

從表5可以看到本文所給模型的收益率達到了30.65%，年化收益率更是高達57.57%，遠遠高于上證指數的6.56%的收益率，獲得了超額收益。同時交易勝率達到了65.9%，且回撤率只有3.92%，說明模型十分穩定，無明顯的回撤。

3 結束語

本文以個股突發事件分析為例，選取了16類突發事件，對2016年全體A股中發生個股突發事件的股票變化情況進行了分析，用CBBM模型提取出事件異常收益后，尋找出各個事件的有效性、有效事件和有效幅度。針對不同的有效幅度，對事件進行了打分，并根據事件得分計算出發生該事件的股票得分，從而更好地連接事件與股票之間的關系。并根據事件評分數據在2017年6月1日到2017年12月31日期間構建了基于個股突發事件的預測模型，對比上證指數，本文所給模型收益率高達30.65%，遠遠高于上證指數收益率6.56%的收益率，這同時也印證了中國股市確實存在時間效應。不過本文的研究還只是基于個股事件的研究，并不能規避市場風險，在下一步的研究中，可以將宏觀市場事件與個股事件相結合，以得到更好的結果。