事件研究法

有公告日、要读短窗超额收益，用本过程。有处理组/对照组和前后两期，用 DID。只有收益、没有事件列，回到波动率或 ARIMA。想用「一个窗口哑变量」代替 CAAR，可以在外部回归里做，但那不是 StatsX 打印的这一列累加。

• 事件研究法：个股收益 + 市场收益 + 事件 0/1；估计窗 120、事件窗 ±5；输出 AAR/CAAR。

• 双重差分：处理×事后交互，识别的是组别政策效应。

• 线性回归哑变量：全样本 R = α+βR_m+Σδ_τ D_τ，δ 是另一套 AR。

• GARCH：事件窗里方差会变，但不给出公告日 CAR。

输入

三个角色各恰好一列。个股收益、市场收益为定量；事件状态为二元定类（1=事件日 T=0，0=其他）。三列同时删缺失后按行序当作交易日。

• 个股收益：最少 1 个，最多 1 个，定量。

• 市场收益：最少 1 个，最多 1 个，定量。

• 事件状态：最少 1 个，最多 1 个，二元定类。

输出

结果表 11 行，相对日 T−5 到 T+5。列：AAR、AAR 的 P、CAAR、CAAR 的 P。收益率以百分数打印三位小数。表注写有效事件次数与窗口：估计期 T−125 到 T−6，事件期 T−5 到 T+5。P 值来自截面 t 再转标准正态双边尾。图是 AAR 与 CAAR 相对日曲线，竖线标 T=0。

产品限制

• 估计窗固定 120 日，事件窗固定 ±5，界面不能改。

• 每个事件需要左侧 125 个前置点且右侧不越界，否则该事件被丢弃。

• 至少 1 个有效事件；教学表示例留下 2 个。

• 正常收益只用市场模型，没有市场调整（β=1）或常数均值模型开关。

• CAAR 的标准误按日 AR 方差累加近似，不是完整的 Patell / BMP 校正。

研究问题。 教学收益表在两个交易日做了事件标记，要看 T±5 里有没有稳定的超额收益。两次事件的估计窗大量重叠（约第 5–124 日与第 30–149 日），市场模型的 α、β 并不是两段完全独立的样本。

工作表「returns」，180 行。个股收益、市场收益、事件三列按角色填入。事件取值 1 出现在日期序号 130 与 155。T−3 的 AAR = −1.803%，P 打印为 0；T0 = 1.039%，P = 0.5971；T+4 = −1.867%，P 打印为 0；T+5 的 CAAR = −5.151%，P = 0.1171。洞察据此写「反应不显著或已被预期」。

下载教学示例表（时间序列）

1. 步骤 1 · 上传表格

   打开工作台，将 Excel / CSV / JSON 拖入上传区。确认工作表「returns」含个股收益、市场收益、事件三列。单文件不超过 20 MB。

2. 步骤 2 · 查看画像与质量

   事件列应是 0/1，且 1 不要贴在头 125 行或最后 5 行，否则有效事件会被剃光。收益两列保持定量、按日期序号排序。

3. 步骤 3 · 选择「事件研究法」

   在算法目录搜索「事件研究」或 Event Study。不要选成双重差分：那里没有市场模型，也没有 T−5 相对日。

4. 步骤 4 · 指定变量并运行

   个股收益勾选「个股收益」，市场收益勾选「市场收益」，事件状态勾选「事件」。三个角色都要填。

5. 步骤 5 · 阅读结果

   先读表注有效事件次数（本例 2），再看 T0 与窗口末端 CAAR 的 P。单日 P=0 先当「两次事件碰巧同向」，不要当大样本显著性。

下表由「returns」中 2 次有效事件（日期序号 130、155；序列共 180 行）按市场模型得到。T0 当天 AAR = 1.039%，P = 0.5971，公告日本身并不显著。窗口从 T−5 累加到 T+5，CAAR = −5.151%，P = 0.1171，洞察写成不显著或已被预期。中间两天值得单独点名：T−3 的 AAR = −1.803%、T+4 = −1.867%，P 都打印成 0——两次事件在这两天同向，截面标准差被除以 √2 后变得极小。N=2 时这不是可靠的「高度显著」，更像小样本的假尖。

【事件研究】市场模型剥离异常收益(AAR/CAAR)。

【事件日T=0】AAR=1.04%，p=0.597。

【窗口期CAAR】T±5 CAAR=-5.15%，统计不显著(p=0.117, α=0.05)，反应不显著或已被预期。

阅读顺序：有效事件是否 ≥1 且最好远大于 2 → 估计窗是否被两事件共享 → T0 的 AAR → 窗口末端 CAAR 及其 P → 再决定写不写「市场反应」。单日 P=0 必须同时报告 N。CAAR 是 AAR 的累加，不是另一个回归系数；它和「事件窗哑变量」的 δ 对不上是预期行为，见理论。

对第 i 次事件，估计窗 OLS 拟合市场模型 R_{it}=α_i+β_i R_{mt}+ε_{it}。事件窗异常收益是残差：

N 次事件对齐相对日后，AAR_τ = N^{−1} Σ AR_{iτ}，CAAR 从窗口左端累加到 τ。StatsX 用截面标准差除以 √N 得 t，再按标准正态算双边 P。另一条常见做法是把相对日哑变量放进一条回归：

若 α、β 只用估计窗识别、事件窗只估 δ，则 δ_τ 对应 AR_τ，窗口哑变量的系数对应窗内平均 AR，不是 CAAR。若把估计日和事件日混在同一条 OLS 里，α、β 会被事件污染，δ 与本页残差法会对不上。两次事件的估计窗重叠时，本页是「每个事件各估一套 α、β」，哑变量法则通常只估一套，数字更容易分叉。DID 的处理×事后交互识别的是组别政策效应，没有市场模型，也不能代替 CAAR。

• 有效事件只有 2 次时，P 值对同向偶然极度敏感。

• 估计窗重叠意味着两套市场模型并不独立。

• P 打印为 0 是四位小数下溢，不是精确零。

• CAAR 标准误是方差累加近似，未做估计窗残差的 Patell 调整。

• 事件挤在样本两端会被丢弃，表注次数会小于列里 1 的个数。

• 不要把 CAAR 写成「事件哑变量的回归系数」。

政策对照用 DID；只要波动不要 CAR 用 GARCH；收益本身是否平稳可先 ADF。

• MacKinlay, A. C. Event Studies in Economics and Finance[J]. Journal of Economic Literature, 1997, 35(1): 13–39.

• Campbell, J. Y., Lo, A. W., & MacKinlay, A. C. The Econometrics of Financial Markets[M]. Princeton University Press.

• Fama, E. F., Fisher, L., Jensen, M. C., & Roll, R. The Adjustment of Stock Prices to New Information[J]. International Economic Review, 1969, 10(1): 1–21.

• Brown, S. J., & Warner, J. B. Using Daily Stock Returns: The Case of Event Studies[J]. Journal of Financial Economics, 1985, 14(1): 3–31.