事件研究框架：事件选股方法中的因子暴露与纯化事件收益-20171015-长江证券-21页-1mb

事件研究框架总结

核心内容

本文探讨了事件选股策略中的因子暴露问题，并提出了一种基于反事实分析的事件冲击效应评估框架。核心内容包括：

• 事件超额收益的不一致性：传统事件超额收益评估方法（如累计超额收益）在不同基准和时间区间下得出的结果存在显著差异，甚至相反。
• 因子暴露效应的影响：多数事件选股策略在市值、动量、成长、业绩等因子上具有显著偏离，这些因子对股票收益有较大影响。
• 反事实分析思路：通过构建反事实模型，能够更准确地评估事件带来的真实超额收益，而非单纯依赖基准指数收益。
• PSM模型的应用：通过倾向得分匹配（Propensity Score Matching, PSM）模型，剔除因子暴露的影响，从而得到纯化事件冲击效应。

主要观点

1. 事件超额收益评估方法不一致
   传统方法在不同基准和时间区间下得出的超额收益不一致，影响了对事件有效性的判断。这一问题源于未考虑因子暴露效应。

2. 事件选股策略存在因子暴露倾向

   • 多数事件选股策略偏向小市值股票，且在动量、成长、业绩等因子上存在显著偏离。
   • 业绩预增、股权激励等事件在动量、成长、业绩因子上有较强正向暴露，而业绩续亏事件在价值因子上正向暴露，业绩因子上负向暴露。

3. 反事实分析的重要性

   • 事件冲击效应应基于“反事实”逻辑，即比较事件发生后的收益与未发生事件时的预期收益之间的差异。
   • 通过严格归因，能够剥离市场整体波动、行业波动和市值风格等因素的影响，更准确地评估事件本身带来的收益。

4. PSM模型的应用与优势

   • PSM模型通过Logistic回归计算倾向得分，寻找与事件发生倾向最接近的股票作为匹配组，从而更准确地评估事件冲击效应。
   • 与传统指数基准相比，PSM方法得到的超额收益更稳定、收敛性更强，且更能反映事件的真实影响。

关键信息

事件类型与因子暴露

事件冲击效应测算结果

PSM方法的改进

• 超额收益更小：PSM方法得到的超额收益通常低于以宽基指数为基准的超额收益，更准确地剔除了市值、估值等因子影响。
• 收益曲线更平滑：PSM方法的超额收益曲线更稳定，受因子偏离扰动较小。
• 收敛性更好：PSM方法的超额收益曲线在时间上更具有收敛性，避免了传统方法中长期正向效应的干扰。

事件研究方法框架

事件收益分解与风格控制方法

1. 时间序列回归
   $$
   r_{i,t} = \alpha_i + \sum_{k=1}^{K} \beta_{i,k} \times F_{k,t} + \epsilon_{i,t}
   $$

   • $\alpha_i$：事件冲击效应
   • $\beta_{i,k}$：股票在第 $k$ 个因子上的暴露度
   • $F_{k,t}$：因子组合收益
   • $\epsilon_{i,t}$：未被因子解释的收益部分

2. 横截面回归
   $$
   r_{i,t} = c_t + \sum_{k=1}^{K} X_{i,k} \times f_{k,t} + \epsilon_{i,t}
   $$

   • $c_t$：市场收益
   • $X_{i,k}$：股票在因子上的暴露度
   • $f_{k,t}$：因子的风险溢价
   • $\epsilon_{i,t}$：事件冲击效应

3. 匹配组方法

   • 通过寻找风格相似的股票作为匹配组，计算事件发生后的超额收益，从而剥离市场、行业和市值风格因素的影响。

总结

本文提出了一种基于PSM模型的事件冲击效应评估方法，能够更准确地衡量事件带来的真实超额收益。通过因子暴露分析，揭示了事件选股策略在市值、动量、成长等因子上的偏离特征，并指出这些偏离可能影响事件有效性的判断。因此，未来在事件研究中，应更加注重因子暴露的识别与剔除，以构建更为精确的事件收益归因评估体系。