事件研究法什麼鬼? 從這裏着手看"疫苗之王"

可有償投稿計量經濟圈，計量相關則可

郵箱：econometrics666@sina.cn

全部計量經濟圈方法論叢的do文件, 微觀數據庫和各類軟件都放在社羣裏.歡迎到因果推斷研究小組交流訪問.picture by@靜溪

今天，咱們「因果推斷研究小組」將爲計量經濟圈的圈友引薦「事件研究方法」(Event study)，致力於揭開未預期到的事件給一個公司股票(債券)的收益率帶去的衝擊。「疫苗之王」讓咱們不得不從新審視「我不是藥神」，印度的仿製藥被說成是假藥而遭到打擊，可中國的正版假藥卻危害着祖國的花朵竟肆意蔓延。當在鋪天蓋地的輿論指責聲中，長生生物科技股份公司在一晚上之間就從資本的寵兒到毫無懸念的棄兒。在星期一開盤時該公司在資本市場遭殃了，並且全部與「生物」相關或同名的上市公司都在出現價格跳水。這個事件激發了咱們今日即將討論的計量主題——外生事件對一個或一組公司股票(債券)收益率的影響。

爲何這個主題能夠歸結到因果推斷的名下呢？由於若是這個外生事件的衝擊是未能預期到的，那麼咱們就可以像「天然試驗」那樣去找到因果關係。在受到外生事件衝擊時，這些受到影響的公司就成爲咱們的處理組，而未受到事件影響的公司就是咱們的控制組。比較兩個組別的收益率差別以後，咱們就能夠對這個事件的衝擊所帶來的影響進行因果推斷，好比，經歷了疫苗之殃的長生生物的股票收益率的是否是降低了。

事件研究方法的文獻不少，而且在「有效市場假說」(EMH)的框架下，該方法在金融、會計等領域的地位愈來愈顯要。如下，咱們列舉一些用事件研究方法作的經典研究，你若是想深挖該題材能夠閱讀。

1.Brown and Warner (1980, 1985): Short-term performance studies
2.Loughran and Ritter (1995): Long-term performance study.
3.Barber and Lyon (1997) and Lyon, Barber and Tsai (1999): Long-term performance studies.
4.Eckbo, Masulis and Norli (2000) and Mitchell and Stafford (2000): Potential problems with the existing long-term performance studies.
5.Ahern (2008), WP: Sample selection and event study estimation.
6.M.J. Seiler (2004), Performing Financial Studies: A Methodological Cookbook. Chapter 13.
7.Kothari and Warner (2006), Econometrics of event studies, Chapter 1 in Handbook of Corporate Finance: Empirical Corporate Finance.

經過查看相關文獻和一些他人的經驗總結，咱們瞭解到作事件研究法的基本步驟以下：

事件研究法的步驟設計具體以下：

1.定義事件、事件日

事件研究的第一步是明確所研究的具體事件(event)。例如，疫苗事件研究首先要明確「疫苗事件」的定義(若是你不看新聞，固然瞭解得就不夠深刻)。若是一個公司發生併購事件，那麼咱們須要理解，併購包括兼併(merger or statutory merger,或稱吸取合併)、合併(consolidation,新設合併)和收購(acquisition),還能夠包括其餘一些獲取公司控制權的方式，如代理權爭奪。

2. 肯定收益率間隔區間和事件窗口

股價收益率的間隔區間將意味着，咱們是採用日收益率、周收益率仍是月收益率做爲股價波動的計量標準。這與事件窗口的長短有關。採用日收益率可以精確地觀察到事件對每一日影響力的大小。若是事件窗口較短，例如兩三個月，那麼最好採用日收益率(若是時間窗口過短，甚至不可能採用周或月收益率)。此外，從統計檢驗的功效看，收益率間隔區間越短，檢驗功效越高。可是，考慮到收益率逐期累加(CAR法, 後面會講到)可能帶來的偏差，對於股價波動較大的長窗口事件而言，咱們採用周收益率或月收益率更爲合適。

事件窗口(event window)就是檢驗所研究事件對樣本股價的影響程度所覆蓋的期間，或者說是樣本股價變更的觀察期間。事件窗口以事件日爲軸心，向前向後各若干日(周、月)。窗口的長短要考慮兩個因素：一是事件影響力的時間長短，時間長的適合長窗口；二是其餘事件的干擾(噪音)。在選定的窗口內可能會發生影響股價的其餘事件，例如，疫苗事件發生後不久某些疫苗生產公司公佈半年度業績。爲了不這些其它事件的影響，咱們要麼將這種個案從樣本中剔除，要麼縮短事件窗口。縮短了的窗口可能不能徹底反映事件的影響力，而剔除一部分個案則要冒累積平均異常收益率(CAR)失真或統計檢驗不過關的風險。實際研究過程每每要在兩者之間進行權衡。

在下圖中，T0-T1是估計區間(在事件發生以前的某個區間去估計個股或股票組合的累計平均收益率)，0是事件發生日，T1-T2是事件窗口期，T2-T3是事件發生後的的窗口期。

3. 篩選樣本或子樣本

發生所定義事件的個案可能會不少，爲了進行目標明確的深刻分析，可能要進行樣本的篩選，將樣本限制在必定範圍內。樣本篩選的關鍵是設定篩選標準(select criteria)。篩選標準能夠是樣本的時間跨度、上市地點、所屬行業，或者公司的某種特徵(好比，規模、業績、財務情況)等等。例如，能夠把樣本限制爲2008-2018年間發生了「醜聞曝光事件」的滬深上市公司。有時候，爲了進行更深刻的考察或比較，能夠在樣本基礎上繼續篩選出子樣本。

4. 肯定正常收益的計量模型

事件研究的邏輯是：即便沒有發生所定義的事件，公司股價也會有波動。此時的股價收益被稱「正常收益」(normal return)或「預期收益」(expected return)。發生所定義事件時的股價收益並不所有表明所定義事件的影響(事件收益，event return)，它還包括正常收益。所以，將實際股價收益減去正常收益後的「異常收益」(abnormal return)就是事件收益(也稱「未預期收益」，unexpected return)。

5. 計算異常收益(abnormal returns)

肯定正常收益的計量模型以後，就能夠計算出每隻個股i在t期的正常收益，進而計算出相應的異常收益。對t期N只個股的異常收益進行算術平均，獲得t期的平均異常收益，記爲

6. 檢驗異常收益

樣本CAR(累計異常收益)的統計檢驗之因此重要，是由於若是CAR與0之間並沒有統計上的顯著差異，那麼不論這個CAR的絕對值看起來有多大，它都頗有可能源於所選CAR樣本對整體的偏離。此時，這個根據樣本計算出來的CAR並無多大經濟意義。換句話說，樣本CAR的統計檢驗是在計算出樣本CAR值以後全部後續研究的基礎。

統計檢驗的前提是個股的異常收益在i的方向上(橫截面)或在t的方向上(時間序列)獨立正態同分布。前者要求異常收益在個股之間不相關，後者要求每一隻個股的異常收益無序列相關。檢驗的零假設是事件對股價收益的大小無影響，也就是說累計平均異常收益率爲零，圖片。上述檢驗方法都是要以異常收益的獨立正態同分布爲前提。

然而，在經驗研究中，這一前提每每並不知足。此時，可考慮採用非參數檢驗方法(主要是符號檢驗和秩檢驗)。不過，大多數經驗研究代表，即便有關異常收益分佈的前提並不成立，參數檢驗的功效也還算過得去。非參數檢驗在多數狀況下是爲了穩妥起見而做爲參數檢驗的對照而使用的。

7. 得出實證結果

根據計算出的事件收益及其統計檢驗結果，得出如下實證結果：

[1] 事件對股價有無影響；

[2] 若是有影響的話，影響的方向（正面或負面）；

[3] 事件對股價的影響程度。

這裏，特別須要指出樣本選擇標準對實證結果的限制，避免擴大實證結果的適用範圍。

8. 解釋實證結果

最後，要對實證結果進行解釋，分析事件對股價的影響機制。有時候，這種解釋尚屬「假說」性質，有待未來的研究進行檢驗。

下面，咱們用一個例子來看看 事件研究法的具體運行和解讀過程。

咱們有(2013年1月2日到2017年6月30日)波音、福特、蘋果、亞馬遜、谷歌等公司每日股票收益率數據。如今，咱們想要檢驗一下2015年7月9日發生的事情是否對這些公司的股票收益率有影響。

下面咱們把這8只股票分紅二組：(boa, ford, boeing)一組，而(apple, netflix, amazon, facebook, google)是一組。咱們設置的事件窗口是在事件日2015年7月9日先後各三天。估計異常收益AR的方法有不少種，下面使用的是以下"單一指數模型"(single index model)，而這個指數爲mkt(市場指數)。

estudy boa ford boeing (apple netflix amazon facebook google), datevar(date) evdate(07092015) dateformat(MDY) indexlist(mkt) lb1(-3) ub1(3)

下面就是估計的最終結果。注意有一段紅色字體，表示的是當咱們沒有標明估計的窗口(estimation window)時，系統默認的區間是從第一個交易日到窗口日期的前30天。

下面這個表格被分紅兩部分，上面部分是第一個組合受事件影響的狀況，下面部分是第二個組合受事件影響的狀況。ptf CARs和CAAR group分別表示的是CARs computed using the portfolio technique和CARs estimated averaging the single firms’ CARs have significant results。這兩個的區別就在於，前者是經過各個股票的資產組合所獲得的累計異常收益，然後者是把全部公司的累計異常收益平均後獲得的。很明顯地是，在我們這個數據裏，只有谷歌公司受到事件影響的效應是顯著的，這個正的效應代表這個事件(消息)是有利於谷歌公司的。

下面，第一，咱們改變了咱們的統計檢驗(若不懂，看前面的解釋)，以前選擇的是默認的統計檢驗，如今咱們選擇的是BMP統計檢驗。第二，咱們總共設置了三個事件窗口，他們分別是事件發生日的先後三天，前面三天到一天，後面三天。第三，咱們設置了咱們的估計窗口(estimation window), 事件發生日以前的第250天到第20天。

estudy boa ford boeing (apple netflix amazon facebook google), datevar(date) evdate(07092015) dateformat(MDY) indexlist(mkt) lb1(-3) ub1(3) lb2(-3) ub2(-1) lb3(0) ub3(3) diagnosticsstat(BMP) eswlb(-250) eswub(-20)

從如下的迴歸結果能夠看出，谷歌公司在這三個事件窗口期間都是顯著爲正的，所以這個事件是有利於谷歌公司的。而在第一組裏，在CAAR[0, 3]列下，第一組的CAAR是顯著爲正的，代表這個事件對第一組而言，是有正向效應的。美國銀行在CAAR[-3,-1]列下是顯著爲負數的，代表這個事件是不利於美國銀行的。

下面這個增長了一個選項suppress(ind)，而後，咱們的輸出結果就更加簡潔明瞭。咱們總共有四組公司(股票組合)，下方的表格只展現了ptf CARs和CAAR group，而把個體的股票AR給省略掉了。

estudy boa ford boeing(ibm facebook apple) (netflix cocacola amazon) (facebook boa ford boeing google), datevar(date) evdate(07092015) dateformat(MDY)modtype(HMM) lb1(-3) ub1(3) lb2(-3) ub2(-1) lb3(0) ub3(3) diagnosticsstat(KP) eswlb(-250) eswub(-20) suppress(ind)

完整do file和數據能夠進入計量經濟圈社羣提取。

能夠到計量經濟圈社羣進一步訪問交流各類學術問題，這年頭，咱們不能強調一我的的英雄主義，須要多多汲取他人的經驗教訓來讓本身少走彎路。