事件研究法（event study）由Ball & Brown（1968）以及Famaetal（1969）开创，其原理是基于有效市场假说，通过研究某一未预期到的事件发生前后样本股票收益率的异常波动，揭示股票收益率对市场披露信息的反应程度，以及对股东财富价值的正向或负向影响。
本文给出的python代码以研究“811汇改”对中国银行股票收益率带来的影响为例。
注意：本文使用的是tushare的pro接口，利用该接口获取数据需要一定积分，积分可以在注册后通过完成任务获取。附官网注册链接：Tushare大数据社区
高校学生或老师也可以联系社区管理员进行认证，认证完成即可获得一定积分，然后就可以使用一些（我觉得还挺多的）里面的数据。认证只需不到24h，很方便！
我的tushareID:480696
#事件研究法
import pandas as pd
import tushare as ts
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression #线性回归
import csv
import numpy as np
plt.rcParams['font.sans-serif']=['SimHei'] #中文
plt.rcParams['axes.unicode_minus'] = False
pro = ts.pro_api('这里用你的token替换')
plt.style.use('fivethirtyeight')
#市场收益率Rm
df = pro.index_daily(ts_code='000001.SH', start_date='20140101', end_date='20191231')
df_index = df[['trade_date', 'pct_chg']].copy()
df_index['trade_date'] = pd.to_datetime(df_index['trade_date'])
df_index = df_index.sort_values("trade_date")
df_index = df_index.reset_index().drop("index", axis=1)
df_index['pct_chg'] = df_index['pct_chg'] / 100
#企业收益率Ri
ts_code='601988.SH'
d2= pro.daily(ts_code=ts_code, start_date='20140101', end_date='20191231')
d0 = d2[['trade_date', 'pct_chg']].copy()
d0.columns = ['trade_date', 'return']
d0['trade_date'] = pd.to_datetime(d0['trade_date'])
d0 = d0.sort_values("trade_date")
d0 = d0.reset_index().drop("index", axis=1)
d0['return'] = d0['return'] / 100
#合并Ri和Rm
df_final = d0.merge(df_index, on='trade_date', how='left')
df_final.to_excel("整理数据.xlsx")
#计算预期收益率
def get_OLS(X, y, pre_X):
linear_m = LinearRegression().fit(X, y)
r_2 = linear_m.score(X, y) #值越接近1拟合优度越好
pre_y=linear_m.predict(X)
Residual = sum((y - pre_y)**2)
L_xx = len(X) * np.var(X)
sigma = np.sqrt(Residual / (len(X)-2))
t = linear_m.coef_ * np.sqrt(L_xx) / sigma
t=round(float(t),4)
print(f"构建模型，拟合优度为{round(r_2*100, 2)}%")
print(f"Ri = {round(linear_m.intercept_,3)} + {round(linear_m.coef_[0],3)}Rm + e")
if 1.65<=abs(t)<1.96:
print(f'回归模型的t值为{t}，回归系数在10%的置信水平下显著')
elif 1.96<=abs(t)<2.58:
print(f'回归模型的t值为{t}，回归系数在5%的置信水平下显著')
elif abs(t)>=2.58:
print(f'回归模型的t值为{t}，回归系数在1%的置信水平下显著')
else:
print(f'回归模型的t值为{t}，回归系数不显著')
return linear_m.predict(pre_X)
#计算AR,CAR
def get_data(event):
print("事件日为: ", event)
q,h = df_final[df_final['trade_date'] == event].index[0]-15, df_final[df_final['trade_date'] == event].index[0]+15 #事件窗口[-15,15]
target = df_final.loc[q:h].copy()
estimate = df_final.loc[q-195:q-6].copy() #估计窗口[-210,-21]
X = estimate[['pct_chg']] #估计期市场回报率
y = estimate['return'] #估计期企业回报率
predict_X = target[['pct_chg']] #窗口期市场回报率
target['E(Rt)'] = get_OLS(X, y, predict_X) #企业预期收益率
target['ARt'] = target['return']-target['E(Rt)'] #企业异常收益率
target['CARt'] = target['ARt'].cumsum() #累计异常收益率 = 异常收益率在窗口期的求和
return target
#绘制图像
def main(e):
a = get_data(e)
print(a)
a.set_index('trade_date')[['ARt', 'CARt']].plot()
#结果
events = ['2015-08-11']
for e in events:
main(e)
plt.title('中国银行')
plt.savefig('.中国银行.jpg',bbox_inches='tight')
运行结果如下：
