事件研究(EventStudy) 方法与应用(吴荷青)PPT课件

-,1,事件研究（EventStudy）：方法与应用,-,2,主要内容,一、事件研究的背景及在金融、会计研究中的应用二、事件研究的定义、基本原理与步骤三、非正常报酬率（AR,CAR）的估计与检验四、事件研究的具体实施：以检验上市公司年度盈余信息的有用性为例五、事件研究在SAS和Stata等软件上的实现六、事件研究：问题与扩展七、讨论,-,3,事件研究的背景及在金融、会计研究中的应用,事件研究主要是检验公司事件前后股票价格的行为（包括股票报酬的均值和方差，股票交易量等）。BallandBrown(1968),Beaver(1968),Famaetal.(1969)Priortothattime,“therewaslittleevidenceonthecentralissuesofcorporatefinance.Nowweareoverwhelmedwithresults,mostlyfromeventstudies”(Fama,1991,p.1600).,-,4,1974-2000年，在JB,JFJFE,JFQA和RFS上，报告事件研究结果的文章总数为565篇。其中JF和JFE各超过200篇（KothariandWarner,2004）。尚不包括主流的会计杂志，如AR,JAE,JAR,CAR,RAS.,-,5,主要的应用1.财务决策对公司价值或股东财富的影响，如Fama,Fisher,Jensen,andRoll（1969）研究股票分割的市场影响。其他应用如兼并重组等的影响。2.检验市场的有效性。如果，特定公司事件后存在系统的非零非正常报酬率，表明同EMH不一致。通常是联合检验。,-,6,3.会计研究领域，主要集中在盈余公告对股票价格的影响上。其他公告如股息公告，配股增发公告，关联交易公告等。4.经济学与法学研究领域，主要集中于政策和监管的影响。某一重大金融监管政策对银行股的影响。某一重大法律的颁布对相关行业的影响。,-,7,事件研究的定义、基本原理,定义指运用金融市场的数据资料来测定某一特定经济事件对公司价值的影响。基本原理假设市场理性，则有关事件的影响将会立即反映在证券价格之中。于是，运用相对来说比较短期所观察到的证券价格就可以测定某一事件的经济影响。,-,8,事件研究的基本步骤,1事件定义（Eventdefinition）确定所要研究的事件（重要事件）明确事件所涉及公司证券价格的研究期间事件窗(eventwindow),-,9,2样本选择标准（Selectioncriteria）样本选择标准：应当将哪些公司包括进来确定标准（主要取决于研究目的）。包括考虑数据的可获得性。概括数据样本的特征(如公司的资本化市值、行业代表性、整个期间事件的分布等)，并说明通过选样可能导致的任何偏差。,-,10,3估计正常和非正常报酬率正常报酬率是指假设不发生该事件条件下的预期报酬率。非正常报酬率是指事件窗内实际的事后报酬率减去事件窗内证券的正常报酬率之后的差额。,-,11,4参数估计（Estimationprocedure）界定估计窗(estimationwindow)(estimationwindow(eventwindow利用估计窗数据进行参数估计,当t-150,-11(T0-T1)。,-,12,5检验（Testingprocedure）原假设(thenullhypothesis)的确定通常假定H0:AR和CAR为0,或不同组的CAR没有差异（好消息、无消息和坏消息）构造统计量（包括参数和非参数检验等）,-,13,6实证结果（Empiricalresults）当样本有限时，实证结论可能受一两个公司（极端值）的严重影响，因而必须作出相应的说明。,-,14,7解释和结论（Interpretationandconclusions）解释有关事件的影响(或无影响)产生的原因和机制。,-,15,非正常报酬率的估计与检验,估计窗：T0-T1（L1=T1-T0）事件窗：T1-T2（L2=T2-T1）事件日：0事件窗后：T2-T3(L3=T3-T2)事件窗和估计窗之间通常应留有间隔,-,16,事件窗的非正常报酬率（收益）定义为：事件对公司价值（股东财富）的影响程度。假定：事件是外生的。思考：何种情况下不是外生的？估计非正常报酬率之前，需要首先估计正常报酬率（基准）。通盈余管理中的研究思路基本上是一致的。,-,17,常见的正常报酬率估计模型统计模型通过对报酬行为的统计假设获得正常报酬率。经济模型通过从理论上推导投资者行为来对统计模型施加限制（CAPM）.,-,18,1常均值报酬率模型(theconstantmeanmodel)即假定某一证券的平均报酬率不随时间的改变而改变。通常，可以将估计窗的公司报酬率均值作为正常报酬率。,-,19,评论：均值报酬率模型虽然简单，但可得到与复杂的模型相近的结果BrownandWarner（1980、1985）。由于即使采用了更为复杂的模型也未能降低ARs的方差，因此估计CAR对模型的选择并不敏感性。,-,20,2市场模型(marketmodel)即假定市场报酬率与证券报酬率之间存在稳定的线性关系。市场模型剔除了报酬率中与市场报酬率波动相关的部分，从而降低了AR的方差。,-,21,可以证明，通过市场模型估计的CAR的方差要少于通过均值报酬率获得的CAR的方差。市场模型中均值报酬率模型中,-,22,3.其他统计模型通常，统计模型是因素模型，而因素通常是交易证券的组合（Typicallythefactorsareportfoliosoftradedsecurities.）因素模型（factormodel）one-factormodel(e.g.marketmodel)multifactormodel市场模型是单因素模型，多因素模型中，除了市场这一因素外，还可以包括行业指数。也可以在行业分类的基础上讨论多因素模型。其他因素：规模。,-,23,由于附加因素的边际解释能力很小，事件研究中使用多因素模型的优点有限。有时由于数据获取的限制，比如无法获得事件前的估计期数据，就可以受约束的市场模型，即经市场调整的报酬模型（marked-adjusted-returnmodel）。,-,24,经市场调整的报酬模型常常用于首次公开发行（IPO）证券抑价（underpricing）的研究（Ritter，1990）。这一模型往往作为最后的考虑。,-,25,4.经济模型主要包括：CAPM和APT在20世纪70年代中，CAPM得到了广泛应用。后来发现应用CAPM出现了偏差，事件研究中几乎停止使用了CAPM模型。对CAPM模型的拓展：Fama-French（1993）三因素模型Carhart（1997）四因素模型,-,26,计算正常报酬率的其他分类法均值调整报酬模型（Mean-adjustedreturnmodel）市场调整报酬模型（market-adjustedreturnmodel）风险调整报酬模型（risk-adjustedreturnmodel）,-,27,均值调整报酬模型（Mean-adjustedreturnmodel）是证券i在估计期（t0-t1期间）的平均报酬率。即，正常报酬率是股票前几期的平均报酬率,-,28,市场调整报酬模型（market-adjustedreturnmodel）以市场报酬率作为个股的正常报酬率，即在marketmodel中，令即：该模型应用于无法事前估计模型参数的情况。现阶段我国实证研究中得到了广泛应用。,-,29,风险调整报酬模型（risk-adjustedreturnmodel）主要指通过市场模型（Marketmodel）和资本资产定价模型（CAPM）来估计正常报酬率和非正常报酬率。,-,30,市场模型下的AR估计,1.在估计窗运用市场模型，以估计正常报酬率从估计窗中运用OLS得到,-,31,根据OLS的估计原理，可知：,-,32,2.把代入事件窗中求非正常报酬率（AR）*表示事件窗的数据,-,33,AR的统计性质,AR的期望收益为0，具有无偏性；AR的协方差矩阵由两部分构成：第1项是来源未来扰动项的方差，第2项来源于抽样误差。获得单个证券AR的分布后，就可以求得AR加总的分布。,-,34,3.计算每只证券事件窗的累计非正常报酬率CAR与标准化非正常报酬率SCAR,-,35,4.计算N只证券的平均累计非正常报酬率,-,36,5.统计检验。即检验全部证券（或不同组证券）平均累积非正常报酬是否显著异于0或存在显著差异。,-,37,统计量J1与J2的选择,如果对于不同的证券，非正常报酬率一致（或差别不大），则采用J2较好；如果对于方差较大的证券，非正常报酬率较大，则采用J1较好。研究结果对J1与J2的选择并不敏感。,-,38,CAS的计算：注意事项,根据不同的研究设计，CAR的计算形式有所不同：（1）可以计算每个公司i事件窗（t1，t2）的CARi(t1,t2)，检验所有公司的CARi(t1,t2)（i1，2，N）的均值是否显著异于0，或者不同组公司的CAR是否存在显著差异，其中T1t1=t2=T2。,-,39,每个公司i事件窗（t1，t2）的CARi(t1,t2)计算如下：注意，计算每个公司在事件窗（t1，t2）的CAR时，就是累计值，不能取平均。即：（赵宇龙，2000：P91的表述是错误的）,-,40,（2）如果选择的事件窗足够长，通过逐期滚动累加AR，可以绘制CAR(t1,t2)的直观图形（先计算(t1,t2)中每天所有公司的平均AR，然后逐期滚动累加（如果只有1家公司，则为(t1,t2)中公司每天的平均AR，然后逐期滚动累加）,计算过程如下：,-,41,在事件窗每一天的所有公司的平均报酬第一步：，tt1.t2。第二步：,（Endt1t2滚动累积，计算t2-t1+1个CAR）,-,42,总之，在CAR的计算上，应牢记：在时间维度上只有累加（一次累加或滚动累加），平均是对截面公司而言的，与时间维度无关。所谓的平均AR和平均CAR都是对截面公司的平均，不能在时间维度上求平均。,-,43,事件研究中的横截面模型,（一）横截面模型（Cross-SectionalModels）通过回归分析研究各个公司的具体特征变量（如规模、盈利状况等）与非正常报酬率的关系。,-,44,Asquith和Mullins(1986)把股票增发公告的非正常报酬率对增发的规模（增发规模用其占公司总资产的比率来表示）和公告前11个月的累积非正常报酬率进行回归，发现增发规模越大，则负的非正常报酬率越大；前11个月的累积非正常报酬率越大，则负的非正常报酬率越小。,-,45,事件研究的具体实施,以检验上市公司年度盈余信息的有用性为例1.定义事件：年度盈余信息披露2.样本选择：假定年度：1999-2002，公司：沪深两市全部公司（也可以限定某一行业和某些特定性质的样本）3.从数据库中获取上市公司的股票报酬率、年度盈余以及年报披露日（事件日）等数据,-,46,4.数据清洁（处理缺失值和剔除极端值）5.合并股票报酬率和年报披露日数据。通常合并的关键变量：dm，nd（1）直接按dm，nd合并（市场调整报酬模型）（2）当需要较长的历史数据来估计市场模型和常均值收益时，需重新定义会计年度（重设nd）6.将事件日标为0，确定相对估计窗，如（-110，-10），相对事件窗，如（-1，+10）。,-,47,7.用估计窗数据估计市场模型参数和常均值收益。8.将估计参数数据集合并到原有数据集，通过事件窗的数据和估计的参数计算正常报酬率和非正常报酬率（AR,CAR）。在上述过程，第5和6项相对较难。,-,48,9.对AR,CAR进行检验，包括AR是否显著异于0,CAR是否显著异于0或不同组CAR是否存在显著差异，检验CAR与盈余的关系，绘制CAR图。10.报告和解释,-,49,事件研究在SAS上的实现,以检验上市公司年度盈余信息的有用性为例/*清洁数据*/*合并股票报酬率和市场报酬率*/,-,50,/*重新定义年度，将T-1年7月1日T年6月30日定义为T年度*/dataTrade1;setTrade0;ifTrade_datemdy(7,1,year(Trade_date)thenyear=year(Trade_date);elseyear=year(Trade_date)+1;month=month(Trade_date);dm=stock_code;run;,-,51,/*对披露日数据进行处理*/*将交易数据同事件日数据（年报披露日）合并，将交易日少于事件日的观测定义为1*/datadataevnt;mergetrade1disclosure1;bydmyear;ifdate_disclose=.thendelete;before=trade_datedate_disclose;run;,-,52,/*产生事件日前后的相对交易日*/procsortdata=dataevnt;bydmdate_disclosetrade_date;run;procmeansdata=dataevntnoprint;bydmdate_disclose;outputout=nreturns(drop=_type_freq_)sum(before)=bef_sum;run;,-,53,/*产生估计窗和事件窗数据*/dataestperevntper;mergedataevnt(drop=before)nreturns;bydmdate_disclose;iffirst.date_disclosethenrelday=-bef_sum-1;relday+1;if-100=relday-10thenoutputestper;if-1=relday=10thenoutputevntper;run;,-,54,/*用估计窗数据估计参数*/PROCREGDATA=estperOUTEST=mmparam(rename=(INTERCEPT=alphaMrkret=beta)keep=dmdate_discloseinterceptMrkret)NOPRINT;BYdmdate_disclose;MODELreturn=Mrkret;QUIT;RUN;,-,55,/*计算事件窗的AR和CAR*/DATAar;MERGEevntpermmparam;BYdmdate_disclose;AR=RETURN-ALPHA-BETA*Mrkret;RUN;*computecumulativeabnormalreturns;PROCMEANSDATA=arNOPRINT;BYdmdate_disclose;OUTPUTOUT=carSUM(ar)=CAR;RUN;,-,56,/*检验CAR是否显著异于0和不同组CAR是否存在显著差异*/PROCMEANSDATA=carNMEANTprt;TITLEOverallresults;VARcar;RUN;PROCSORTDATA=car;BYevntdum;PROCTTESTdata=car;titleTestofequalARforpositiveandnegativeearningssurprises;VARcar;CLASSevntdum;RUN;,-,57,事件研究：问题与扩展,1.AR不服从正态分布使用非参数检验（符号检验和秩检验）非参数检验通常不独立使用，而主要用于检验参数检验结论的有用性。,-,58,2.抽样间隔：使用日、周还是月数据Kothari和Warner（2004）指出，从事件研究过去30多年的使用历程来看，其基本的统计形式并没有发生变化。两个主要的变化主要表现为：（1）用日数据取代月数据；（2）对AR和CAR的估计和统计推断技术变得更加复杂。研究表明，减少抽样间隔可以导致势的增长。,-,59,3.事件日的不确定性有时我们收集到的事件日可能并不是真正的事件日，真正的事件日可能是其前1日、当日或者后1日。通常的处理办法是将事件窗扩展到2天（T0-T+1）,研究表明两天事件窗口的势值依然良好。其他方法：最大似然估计（MLE）,-,60,4.可能的偏差由非同步交易（Nonsynchronoustrading）导致的偏差。要求在一个确定长度的间隔上记录价格，而事实上可能在其他长度不规则的事件间隔上进行了记录，这时，非交易或非同步交易的影响就会产生。,-,61,例如，在事件研究中我们通常使用收盘价（每天最后的交易价格），而事件的冲击很可能没有发生在这一时刻，从而导致偏差出