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(fā)事件的有效性進行研究，并以此構建投資策略?？紤]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(fā)事件的學術研究還比較少，因此本文以個股突發(fā)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(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(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(qū)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(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(fā)生對公司的動量因子、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，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(fā)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(qū)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(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(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(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(fā)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(tǒng)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(tài)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(tǒng)計

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，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(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(fā)生后，并沒有明顯的收益，通過分析之后發(fā)現這個主要原因是因為在事件發(fā)生前股票價格已經對此有了反應，所以在事件發(fā)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(fā)生事件的評級并給予股票評級，基于個股突發(fā)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(fā)生該事件的評級。

第四步：根據個股事件發(fā)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(wěn)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(fā)生事件有效方向為正向的突發(fā)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(xù)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(fā)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(tǒng)計結果進行了匯總（見表4）。

表4 兩種模型的統(tǒng)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(wěn)定，無明顯的回撤。

3 結束語

本文以個股突發(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)生個股突發(fā)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(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(fā)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(guī)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。