李鎂瀠，徐美萍

（北京工商大學(xué) 理學(xué)院，北京 100048）

0 引言

中國股市是一個(gè)政策導(dǎo)向、事件驅(qū)動(dòng)的市場，股票市場上的意外事件對投資者來說至關(guān)重要，本文就個(gè)股突發(fā)事件的有效性進(jìn)行研究，并以此構(gòu)建投資策略?？紤]到國內(nèi)外文獻(xiàn)大多是基于宏觀層面上的事件研究[1-8]，基于個(gè)股突發(fā)事件的學(xué)術(shù)研究還比較少，因此本文以個(gè)股突發(fā)事件為基礎(chǔ)，從中挑選出16類事件進(jìn)行研究，選取訓(xùn)練樣本為2016年全體A股中發(fā)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(jìn)行分解并提取出事件異常收益，避免了使用多因子模型會(huì)出現(xiàn)的過度分解情況。同時(shí)還計(jì)算出事件異常收益的t值序列，以便更準(zhǔn)確地查看其有效性和有效時(shí)間段。之后對這16類事件的有效性和影響程度進(jìn)行劃分，對事件進(jìn)行不同的評級，并根據(jù)評級構(gòu)建預(yù)測模型。

1 事件分析

本文將事件分析分為三步：第一步，構(gòu)建事件庫，從個(gè)股突發(fā)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(fā)生日前、中、后期的個(gè)股數(shù)據(jù)，提取個(gè)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(jìn)行分析，同時(shí)確定事件評分，通過事件評分確定個(gè)股評分并建立股票評分矩陣。

1.1 構(gòu)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(fù)面風(fēng)險(xiǎn)類兩種，事件樣本區(qū)間為2016年1月1日到2016年12月31日，事件的定義及其數(shù)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(yīng)，就需要提取事件對個(gè)股貢獻(xiàn)的異常收益。由于事件因子過于稀疏，很難用傳統(tǒng)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(xiàng)代替異常收益，但是其前提假設(shè)之一是事件因子和其他因子無關(guān)。而實(shí)際上事件的發(fā)生對公司的動(dòng)量因子、規(guī)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(jià)，Ahern（2009）[9]用仿真模擬的方法比較了六種收益預(yù)測模型（均值調(diào)整模型、市場調(diào)整模型、市場模型、Fama-French三因子模型、Carhart四因子模型和CBBM），發(fā)現(xiàn)CBBM模型左右尾偏誤最小，收益預(yù)測偏差也最小。同時(shí)CBBM方法是用一種非參數(shù)化的方法剔除了市場和市值因子的影響，不需要設(shè)置參數(shù)估計(jì)區(qū)間[10]。

CBBM就是構(gòu)造一個(gè)特征來尋找與目標(biāo)股票相似的基準(zhǔn)股票組合，并利用該特征對這些基準(zhǔn)股票收益率作加權(quán)平均，將其值作為目標(biāo)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(biāo)股票總市值的100只股票，將他們的收益率按總市值作加權(quán)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(shí)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(shí)收益率，CBBi為由基準(zhǔn)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(shí)質(zhì)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(yùn)作情況，股東增持意味著股東對公司的未來發(fā)展看好，是有發(fā)展前景的；第二，從市場供需來看，股東增持會(huì)給投資者信心，從而擴(kuò)大了市場對該股票的需求。因此，本文觀察2016年所有發(fā)生股東增持事件的股票在事件發(fā)生日前20天到后80天這100天的各種收益率加權(quán)平均后的變化（圖1(a)），同時(shí)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(fā)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(shí)收益率和超額收益率，wi是股票i的權(quán)重；real、alpha、abnormal和CBB分別是發(fā)生股東增持事件時(shí)真實(shí)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(shí)，本文還對圖1進(jìn)行了詳細(xì)的統(tǒng)計(jì)描述（見表2），其中CAR為異常收益率，IC值為信息系數(shù)，指個(gè)股第t期在因子上的因子暴露與t+1期的收益率的相關(guān)系數(shù)，常見的計(jì)算IC值方法有兩種：pearson相關(guān)系數(shù)和秩相關(guān)系數(shù)，由于Pearson相關(guān)系數(shù)計(jì)算時(shí)假設(shè)變量具有相等間隔以及服從正態(tài)分布，而這一假設(shè)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(guān)系數(shù)計(jì)算IC值。

表2 股東增持事件收益率統(tǒng)計(jì)

從圖1和表2可以看出，在事件發(fā)生日到其后5天有極為明顯的事件異常收益，相比事件發(fā)生前CAR達(dá)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(tài)分布的95%分位數(shù)，存在著明顯的異?，F(xiàn)象，IC值也出現(xiàn)了明顯的分化，表明股東增持事件對股票的真實(shí)收益率產(chǎn)生了影響。但在事件發(fā)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(jìn)一步印證了這一點(diǎn)，雖然總體來說累積真實(shí)收益率一直處于負(fù)值，但在時(shí)間有效期內(nèi)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?yàn)檎颉?/p>

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

表3 有效事件分析

表3中的事件有效時(shí)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(jù)t值對事件進(jìn)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(nèi)為0，在(0.1,0.8)內(nèi)為1 ，在(0.8,1.65)內(nèi)為2，在(1.65,1.96)內(nèi)為3，在(1.96,3)內(nèi)為4，之后通過t值的正負(fù)性，得到事件方向。從事件方向可以看出，雖然大多數(shù)事件與人們的主觀認(rèn)知相同，但仍有小部分事件存在一定偏差，比如重大項(xiàng)目中標(biāo)事件發(fā)生后，并沒有明顯的收益，通過分析之后發(fā)現(xiàn)這個(gè)主要原因是因?yàn)樵谑录l(fā)生前股票價(jià)格已經(jīng)對此有了反應(yīng)，所以在事件發(fā)生并無明顯效應(yīng)。最后根據(jù)事件評分，就可以得到各個(gè)時(shí)期內(nèi)個(gè)股的評分。

2 預(yù)測

本文通過之前事件的評級來預(yù)測新發(fā)生事件的評級并給予股票評級，基于個(gè)股突發(fā)事件的預(yù)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?yàn)檎虻氖录?/p>

第三步：根據(jù)2016年的事件評級確定2017年發(fā)生該事件的評級。

第四步：根據(jù)個(gè)股事件發(fā)生時(shí)間以及事件有效時(shí)間，確定個(gè)股的買入評級、買入時(shí)間及持倉周期。

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

為保證模型的穩(wěn)定性，本文對全體A股的股票進(jìn)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(xùn)練數(shù)據(jù)有重疊導(dǎo)致預(yù)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(yù)測范圍，并選取在上述股票池中發(fā)生事件有效方向?yàn)檎虻耐话l(fā)事件進(jìn)行分析，確定買入和賣出的股票，預(yù)測結(jié)果如圖2所示。其中，初始資金設(shè)置為10萬元；調(diào)倉頻率為每天；每筆交易時(shí)的手續(xù)費(fèi)是：買入時(shí)的傭金為萬分之三，賣出時(shí)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(gè)股突發(fā)事件模型預(yù)測結(jié)果

從圖2中可以看出，本文所給的模型相對于上證指數(shù)的收益有著明顯的增長，為了進(jìn)一步凸顯出模型的特征，本文還計(jì)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(tǒng)計(jì)結(jié)果進(jìn)行了匯總（見表4）。

表4 兩種模型的統(tǒng)計(jì)數(shù)據(jù)匯總

從表5可以看到本文所給模型的收益率達(dá)到了30.65%，年化收益率更是高達(dá)57.57%，遠(yuǎn)遠(yuǎn)高于上證指數(shù)的6.56%的收益率，獲得了超額收益。同時(shí)交易勝率達(dá)到了65.9%，且回撤率只有3.92%，說明模型十分穩(wěn)定，無明顯的回撤。

3 結(jié)束語

本文以個(gè)股突發(fā)事件分析為例，選取了16類突發(fā)事件，對2016年全體A股中發(fā)生個(gè)股突發(fā)事件的股票變化情況進(jìn)行了分析，用CBBM模型提取出事件異常收益后，尋找出各個(gè)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(jìn)行了打分，并根據(jù)事件得分計(jì)算出發(fā)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(guān)系。并根據(jù)事件評分?jǐn)?shù)據(jù)在2017年6月1日到2017年12月31日期間構(gòu)建了基于個(gè)股突發(fā)事件的預(yù)測模型，對比上證指數(shù)，本文所給模型收益率高達(dá)30.65%，遠(yuǎn)遠(yuǎn)高于上證指數(shù)收益率6.56%的收益率，這同時(shí)也印證了中國股市確實(shí)存在時(shí)間效應(yīng)。不過本文的研究還只是基于個(gè)股事件的研究，并不能規(guī)避市場風(fēng)險(xiǎn)，在下一步的研究中，可以將宏觀市場事件與個(gè)股事件相結(jié)合，以得到更好的結(jié)果。