阅读提示

这篇讲解 EventStudy 模块——如何分析特定事件（如年报披露、并购公告、指数调入）前后，股票的超额收益如何。学完之后，你能独立完成一次完整的事件研究。

导言

事件研究（Event Study）是量化金融里最经典的分析方法之一。它的核心问题是：某个事件（如年报披露、并购公告、分红）发生后，股票有没有显著的超额收益？

Betalens 的 EventStudy 模块提供了灵活的事件研究能力：

  • 单标的：看某只股票在某个事件前后的收益曲线。
  • 多标的平均：把一批股票的事件窗口收益取平均，得出”事件平均效应”。
  • 基准超额：用沪深 300 等基准的同期收益做对照，得到超额收益。
  • 固定持有期：指定持有期（如事件后持有 20 天），直接算总收益。

基本用法

1
2
3
4
5
from betalens.datafeed import Datafeed
from betalens.eventstudy import EventStudy

# 初始化（传入行情表名）
es = EventStudy(Datafeed("daily_market"))

场景 1：单标的事件分析

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
# 事件列表（可以是 pandas DataFrame 或 list of dicts）
events = pd.DataFrame({
    "code": ["000001.SZ"] * 3,
    "event_date": ["2022-04-29", "2023-04-28", "2024-04-26"],
})

result = es.analyze(
    events,
    code="000001.SZ",
    window_before=5,    # 事件前 5 个交易日
    window_after=10,    # 事件后 10 个交易日
    metric="收盘价(元)",
    mode="flexible",    # 灵活模式：返回事件前后每天的收益
    benchmark_code=None,  # 无基准
)

print(result.summary)

mode 参数：

mode 含义
flexible 返回事件前后每天的收益曲线
fixed_holding 返回固定持有期（如事件后持有 N 天）的总收益
benchmark_excess 返回相对于基准的超额收益

场景 2：多标的平均事件效应

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
# 批量事件：多只股票在同一天的事件
events_batch = pd.DataFrame({
    "code": ["000001.SZ", "000002.SZ", "000004.SZ"],
    "event_date": ["2023-04-28", "2023-04-28", "2023-04-28"],
    "event_type": ["年报披露", "年报披露", "年报披露"],
})

result = es.analyze(
    events_batch,
    code="000001.SZ",  # 主标的
    window_before=5,
    window_after=20,
    metric="收盘价(元)",
    mode="flexible",
    benchmark_code=None,
)

# result 返回的是多标的平均效应
print(result.average_cumulative_return)

场景 3：超额收益分析

1
2
3
4
5
6
7
8
9
10
# 相对于沪深300的超额收益
result = es.analyze(
    events,
    code="000001.SZ",
    window_before=5,
    window_after=20,
    metric="收盘价(元)",
    mode="benchmark_excess",
    benchmark_code="000300.SH",  # 沪深300
)

返回结果包含：

  • 事件窗口收益：每天的收益率。
  • 累计超额收益（CAR）：窗口内每一天的累计超额收益。
  • 显著性检验：t 统计量和 p 值。

场景 4：固定持有期

1
2
3
4
5
6
7
8
9
10
11
12
# 年报披露后持有 20 个交易日
result = es.analyze(
    events,
    code="000001.SZ",
    window_before=0,
    window_after=20,
    metric="收盘价(元)",
    mode="fixed_holding",
    benchmark_code="000300.SH",
)
print(result.holding_period_return)  # 持有 20 日的总收益
print(result.excess_return)          # 超额收益（相对基准）

开发者侧：EventStudy 的内部逻辑

从源码角度，EventStudy.analyze 的核心流程：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
def analyze(events, code, window_before, window_after, ...):
    results = []
    for each event:
        # 1. 找到事件窗口的交易日序列
        window_dates = get_trade_days_in_window(event_date, window_before, window_after)

        # 2. 获取窗口内每日价格
        prices = data.query_time_range(codes=[code], dates=window_dates, ...)

        # 3. 计算每日收益率
        returns = prices.pct_change().dropna()

        # 4. 计算 CAR（累计超额收益）
        if benchmark_code:
            benchmark_returns = get_benchmark_returns(window_dates, benchmark_code)
            excess_returns = returns - benchmark_returns
            car = excess_returns.cumsum()

        results.append({"returns": returns, "car": car, ...})

    # 5. 对多标的做平均
    return EventStudyResult(average_car=mean(results), ...)

常见错误

1. 事件日期不是交易日

1
2
3
# 事件日期是 2023-04-29（周日），EventStudy 会自动平移到最近的后一个交易日
# 但如果你希望事件发生在周一，需要自己预处理
events["event_date"] = pd.bdate_range(events["event_date"], events["event_date"])  # 移到周一

2. 事件窗口内停牌

如果事件窗口内股票停牌，收益率会是 0 或 NaN。需要在分析前检查停牌情况：

1
2
3
4
# 检查事件窗口内的停牌比例
停牌日 = trade_status_matrix[trade_status_matrix[code] == 0].index
if len(停牌日.intersection(window_dates)) > len(window_dates) * 0.3:
    print("警告：事件窗口内停牌比例超过 30%，结果可能不可靠")

延伸阅读