mcpField
G
grad-event-study

grad-event-study

github.com/asgard-ai-platform数据与数据库24339 次安装21 周前更新
代码仓库

关于 grad-event-study

grad-event-study 是用于量化特定事件市场反应的事件研究分析技能，适合研究财务公告、并购或政策变化的分析者。它通过比较实际收益与预期正常收益计算异常收益及累计异常收益，并提供统计检验流程。

主要功能

  1. 01定义事件日及估计和事件窗口
  2. 02使用市场模型估算正常收益
  3. 03计算异常收益与累计异常收益
  4. 04提供参数与非参数统计检验
  5. 05说明研究假设及常见干扰因素

适用场景

  1. 01测量财报公告或并购的市场反应
  2. 02分析政策或监管事件的影响
  3. 03比较不同事件类型的市场反应
  4. 04检验半强式市场效率

安装

复制下面的命令，在终端中运行。

$npx skills add https://github.com/asgard-ai-platform/skills --skill grad-event-study

安装后在 Claude Code 中输入/grad-event-study确认已加载。

附带文件examples/sample_scenario.md

详细介绍

事件研究法（Event Study）

概述

事件研究法（Fama 等，1969；MacKinlay，1997）通过将实际收益与预期（正常）收益模型进行比较，分离出特定事件带来的异常收益。事件窗口内的累计异常收益（CAR）用于量化市场的总体反应。

适用场景

  • 衡量市场对财报公告、并购、政策变更或监管事件的反应
  • 检验半强式市场效率
  • 量化企业披露的经济意义
  • 比较不同事件类型或企业特征下的市场反应

不适用场景

  • 事件日期不明确，或信息逐步泄露
  • 混杂事件与事件窗口重叠
  • 公司股票流动性差，存在许多零收益日
  • 市场广泛预期该事件，且在事件窗口开始前已完全计入价格

假设

IRON LAW: Event study validity requires that the event was UNANTICIPATED —
if the market priced it in before the event window, abnormal returns will
be zero even if the event matters.

主要假设：

  1. 事件日期可以精确确定，且事件出乎意料
  2. 事件窗口内不存在混杂事件
  3. 正常收益模型在估计窗口内设定正确
  4. 市场微观结构效应（交易稀疏、买卖价差反弹）不会扭曲收益

方法

步骤 1 — 定义事件和窗口

确定事件日期（第 0 天）。设置估计窗口（例如，[-250, -11]）以估计正常收益。设置事件窗口（例如，[-1, +1] 或 [-5, +5]）以捕捉市场反应。

步骤 2 — 估计正常收益

使用市场模型：Ri,t = αi + βi × Rm,t + εi,t，并在估计窗口内进行估计。其他模型包括常数均值收益模型或 Fama-French 因子模型。模型设定请参阅 references/。

步骤 3 — 计算异常收益和累计异常收益

对于事件窗口内的每一天，AR = 实际收益 - 预期收益。CAR = 事件窗口内 AR 之和。计算跨公司的 CAAR（累计平均异常收益）。

步骤 4 — 统计检验

使用参数检验（横截面 t 检验、Patell 检验）和非参数检验（符号检验、秩检验）检验 H₀：CAR = 0。为验证稳健性，同时报告两类检验结果。

输出格式

## Event Study: [Event Description]

### Window Design
| Window | Period | Rationale |
|--------|--------|-----------|
| Estimation | [-250, -11] | [rationale] |
| Event | [-1, +1] | [rationale] |

### Abnormal Returns
| Day | AR (%) | t-stat |
|-----|--------|--------|
| -1 | x.xx | x.xx |
| 0 | x.xx | x.xx |
| +1 | x.xx | x.xx |

### Cumulative Abnormal Returns
| Window | CAR (%) | t-stat | p-value | Significant? |
|--------|---------|--------|---------|-------------|
| [-1, +1] | x.xx | x.xx | x.xx | [Yes/No] |

### Cross-Sectional Analysis
- [If applicable: regression of CAR on firm characteristics]

### Limitations
- [Note any confounding events or assumption violations]

注意事项

  • 事件日期聚集（例如，行业范围的监管措施）会违反横截面独立性假设
  • 估计窗口过短会导致正常收益参数噪声较大
  • 事件窗口过长会增加出现混杂事件的概率
  • 低价股和流动性差的证券会人为抬高异常收益
  • 市场模型假设 β 恒定——结构性断点会使该假设失效
  • 发表偏倚：发现 CAR 为零的研究很少发表

参考文献

  • MacKinlay, A. C. (1997). 经济学与金融学中的事件研究。Journal of Economic Literature, 35(1), 13-39.
  • Fama, E. F., Fisher, L., Jensen, M. C., & Roll, R. (1969). 股票价格对新信息的调整。International Economic Review, 10(1), 1-21.
  • Kolari, J. W., & Pynnönen, S. (2010). 基于异常收益横截面相关性的事件研究检验。Review of Financial Studies, 23(11), 3996-4025.

评论

支持 Markdown