事件研究-方法与应用汇总优秀PPT.ppt

《事件研究-方法与应用汇总优秀PPT.ppt》由会员分享，可在线阅读，更多相关《事件研究-方法与应用汇总优秀PPT.ppt（71页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、n事务探讨（Event Study）：方法与应用主要内容一、事务探讨的背景及在金融、会计探讨中的应用一、事务探讨的背景及在金融、会计探讨中的应用二、事务探讨的定义、基本原理与步骤二、事务探讨的定义、基本原理与步骤三、非正常酬劳率（三、非正常酬劳率（AR,CARAR,CAR）的估计与检验）的估计与检验四、事务探讨的具体实施：以检验上市公司年度盈四、事务探讨的具体实施：以检验上市公司年度盈余信息的有用性为例余信息的有用性为例五、事务探讨在五、事务探讨在SASSAS和和StataStata等软件上的实现等软件上的实现六、事务探讨：问题与扩展六、事务探讨：问题与扩展七、探讨七、探讨事务探讨的背景及在金

2、融、会计事务探讨的背景及在金融、会计探讨中的应用探讨中的应用n事务探讨主要是检验公司事务前后股票价格的行为（包括股票酬劳的均值和方差，股票交易量等）。nBall and Brown(1968),Beaver(1968),Fama et al.(1969)nPrior to that time,“there was little evidence on the central issues of corporate finance.Now we are overwhelmed with results,mostly from event studies”(Fama,1991,p.1600).n1

3、974-2000年，在JB,JF JFE,JFQA和RFS上，报告事务探讨结果的文章总数为565篇。其中JF和JFE各超过200篇（Kothari and Warner,2004）。n尚不包括主流的会计杂志，如AR,JAE,JAR,CAR,RAS.n主要的应用n1.财务决策对公司价值或股东财宝的影响，如Fama,Fisher,Jensen,and Roll（1969）探讨股票分割的市场影响。其他应用如兼并重组等的影响。n2.检验市场的有效性。假如，特定公司事务后存在系统的非零非正常酬劳率，表明同EMH不一样。通常是联合检验。n3.会计探讨领域，主要集中在盈余公告对股票价格的影响上。其他公告如股

4、息公告，配股增发公告，关联交易公告等。n4.经济学与法学探讨领域，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。事务探讨的定义、基本原理事务探讨的定义、基本原理n定义定义n指运用金融市场的数据资料来测定某一特指运用金融市场的数据资料来测定某一特定经济事务对公司价值的影响。定经济事务对公司价值的影响。n基本原理基本原理n 假设市场理性，则有关事务的影响将会立假设市场理性，则有关事务的影响将会立刻反映在证券价格之中。于是，运用相对来说刻反映在证券价格之中。于是，运用相对来说比较短期所视察到的证券价格就可以测定某一比较短期所视察到的证券价格就可以

5、测定某一事务的经济影响。事务的经济影响。事务探讨的基本步骤事务探讨的基本步骤1 1 事务定义（事务定义（Event definitionEvent definition）确定所要探讨的事务（重要事务）确定所要探讨的事务（重要事务）明确事务所涉及公司证券价格的探讨期间明确事务所涉及公司证券价格的探讨期间事务窗事务窗(event window)(event window)2 2 样本选择标准（样本选择标准（Selection criteriaSelection criteria）样本选择标准：应当将哪些公司包括进来确定标样本选择标准：应当将哪些公司包括进来确定标准（主要取决于探讨目的）。包括考虑数

6、据的准（主要取决于探讨目的）。包括考虑数据的可获得性。可获得性。概括数据样本的特征概括数据样本的特征(如公司的资本化市值、行如公司的资本化市值、行业代表性、整个期间事务的分布等业代表性、整个期间事务的分布等)，并说明，并说明通过选样可能导致的任何偏差通过选样可能导致的任何偏差 。3 3 估计正常和非正常酬劳率估计正常和非正常酬劳率 正常酬劳率是指假设不发生该事务条件下正常酬劳率是指假设不发生该事务条件下的预期酬劳率。的预期酬劳率。非正常酬劳率是指事务窗内实际的事后酬非正常酬劳率是指事务窗内实际的事后酬劳率减去事务窗内证券的正常酬劳率之劳率减去事务窗内证券的正常酬劳率之后的差额。后的差额。4 4

7、 参数估计（参数估计（Estimation procedureEstimation procedure）n界定估计窗(estimation window)(estimation window (event window利用估计窗数据进行参数估计,当t-150,-11(T0-T1)。T0T10T2T3(估计窗(事件窗(后事件窗5 5 检验（检验（Testing procedureTesting procedure）n原假设(the null hypothesis)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）n构造统计量（包括参数和非参数检验等）6 实

8、证结果（Empirical results）当样本有限时，实证结论可能受一两个公司（极端值）的严峻影响，因而必需作出相应的说明。7 7 说明和结论（说明和结论（Interpretation and Interpretation and conclusionsconclusions）说明有关事务的影响说明有关事务的影响(或无影响或无影响)产生的产生的缘由和机制。缘由和机制。非正常酬劳率的估计与检验非正常酬劳率的估计与检验估计窗：T0-T1（L1=T1-T0）事务窗：T1-T2（L2=T2-T1）事务日：0 事务窗后：T2-T3(L3=T3-T2)事务窗和估计窗之间通常应留有间隔T0T10T2T3

9、(估计窗(事件窗(后事件窗n事务窗的非正常酬劳率（收益）定义为：事务对公司价值（股东财宝）的影响程度。n假定：事务是外生的。n思索：何种状况下不是外生的？n估计非正常酬劳率之前，须要首先估计正常酬劳率（基准）。通盈余管理中的探讨思路基本上是一样的。n常见的正常酬劳率估计模型常见的正常酬劳率估计模型n统计模型统计模型n通过对酬劳行为的统计假设获得正常酬通过对酬劳行为的统计假设获得正常酬劳率。劳率。n经济模型经济模型n通过从理论上推导投资者行为来对统计通过从理论上推导投资者行为来对统计模型施加限制（模型施加限制（CAPMCAPM）.1 常均值酬劳率模型(the constant mean mode

10、l)即假定某一证券的平均酬劳率不随时间的变更而变更。通常，可以将估计窗的公司酬劳率均值作为正常酬劳率。评论：均值酬劳率模型虽然简洁，但可得到与困难的模型相近的结果Brown and Warner（1980、1985）。由于即使接受了更为困难的模型也未能降低ARs的方差，因此估计CAR对模型的选择并不敏感性。2市场模型(market model)即假定市场酬劳率与证券酬劳率之间存在稳定的线性关系。市场模型剔除了酬劳率中与市场酬劳率波动相关的部分，从而降低了AR的方差。n可以证明，通过市场模型估计的CAR的方差要少于通过均值酬劳率获得的CAR的方差。n市场模型中n均值酬劳率模型中3.其他统计模型通

11、常，统计模型是因素模型，而因素通常是交易证券的组合（Typically the factors are portfolios of traded securities.）因素模型（factor model）one-factor model(e.g.market model)multifactor model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探讨多因素模型。其他因素：规模。n由于附加因素的边际说明实力很小，事务探讨中运用多因素模型的优点有限。n有时由于数据获得的限制，比如无法获得事务前的估计期数据，就可以受约束的市场模型，即经市场

12、调整的酬劳模型（marked-adjusted-return model）。n经市场调整的酬劳模型常常用于首次公开发行（IPO）证券抑价（underpricing）的探讨（Ritter，1990）。n这一模型往往作为最终的考虑。n4.经济模型n主要包括：CAPM和APTn在20世纪70年头中，CAPM得到了广泛应用。后来发觉应用CAPM出现了偏差，事务探讨中几乎停止运用了CAPM模型。n对CAPM模型的拓展：nFama-French（1993）三因素模型nCarhart（1997）四因素模型 n计算正常酬劳率的其他分类法计算正常酬劳率的其他分类法n均值调整酬劳模型（均值调整酬劳模型（Mean-

13、adjusted return model）n市场调整酬劳模型（市场调整酬劳模型（market-adjusted return model）n风险调整酬劳模型（风险调整酬劳模型（risk-adjusted return model）均值调整酬劳模型（Mean-adjusted return model）是证券i在估计期（t0-t1期间）的平均酬劳率。即，正常酬劳率是股票前几期的平均酬劳率市场调整酬劳模型（market-adjusted return model）以市场酬劳率作为个股的正常酬劳率，即在market model 中，令即：该模型应用于无法事前估计模型参数的状况。现阶段我国实证探讨中

14、得到了广泛应用。n风险调整酬劳模型（risk-adjusted return model）n主要指通过市场模型（Market model）和资本资产定价模型（CAPM）来估计正常酬劳率和非正常酬劳率。市场模型下的AR估计1.在估计窗运用市场模型，以估计正常酬劳率从估计窗中运用OLS得到n依据OLS的估计原理，可知：2.把 代入事务窗中求非正常酬劳率（AR）*表示事务窗的数据ARAR的统计性质的统计性质nAR的期望收益为0，具有无偏性；nAR的协方差矩阵由两部分构成：第1项是来源将来扰动项的方差，第2项来源于抽样误差。n获得单个证券AR的分布后，就可以求得AR加总的分布。3.计算每只证券事务窗的

15、累计非正常酬劳率CAR与标准化非正常酬劳率SCAR 4.计算N只证券的平均累计非正常酬劳率 5.统计检验。即检验全部证券（或不同组证券）平均累积非正常酬劳是否显著异于0或存在显著差异。统计量统计量J J1 1与与J J2 2的选择的选择n假如对于不同的证券，非正常酬劳率一样（或差别不大），则接受J2较好；n假如对于方差较大的证券，非正常酬劳率较大，则接受J1较好。n探讨结果对J1与J2的选择并不敏感。CAS的计算：留意事项n依据不同的探讨设计，CAR的计算形式有所不同：n（1）可以计算每个公司i事务窗（t1，t2）的CARi(t1,t2)，检验全部公司的CARi(t1,t2)（i1，2，N）的

16、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。n每个公司i事务窗（t1，t2）的CARi(t1,t2)计算如下：n留意，计算每个公司在事务窗（t1，t2）的CAR时，就是累计值，不能取平均。即：n（赵宇龙，2000：P91的表述是错误的）n（2）假如选择的事务窗足够长，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)中每天全部公司的平均AR，然后逐期滚动累加（假如只有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：n在事务窗每一天的全部公司的平均酬劳n第一步：，tt1.t2。n其次步：

17、n,（Endt1t2滚动累积，计算t2-t1+1个CAR）n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。n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。事务探讨中的横截面模型事务探讨中的横截面模型（一）横截面模型（Cross-Sectional Models）通过回来分析探讨各个公司的具体特征变量（如规模、盈利状况等）与非正常酬劳率的关系。nAsquith 和Mullins(1986)把股票增发公告的非正常酬劳率对增发的规模（增发规模用其占公司总资产的比率来表示）和公告前11个月的累积非正常酬劳率

18、进行回来，发觉增发规模越大，则负的非正常酬劳率越大；前11个月的累积非正常酬劳率越大，则负的非正常酬劳率越小。事务探讨的具体实施n以检验上市公司年度盈余信息的有用性为例以检验上市公司年度盈余信息的有用性为例n1.1.定义事务：年度盈余信息披露定义事务：年度盈余信息披露n2.2.样本选择：假定年度：样本选择：假定年度：1999-20021999-2002，公司：，公司：沪深两市全部公司（也可以限定某一行业和某沪深两市全部公司（也可以限定某一行业和某些特定性质的样本）些特定性质的样本）n3.3.从数据库中获得上市公司的股票酬劳率、年从数据库中获得上市公司的股票酬劳率、年度盈余以及年报披露日（事务日

19、）等数据度盈余以及年报披露日（事务日）等数据n4.数据清洁（处理缺失值和剔除极端值）n5.合并股票酬劳率和年报披露日数据。n通常合并的关键变量：dm，ndn（1）干脆按dm，nd合并（市场调整酬劳模型）n（2）当须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）n6.将事务日标为0，确定相对估计窗，如（-110，-10），相对事务窗，如（-1，+10）。n7.用估计窗数据估计市场模型参数和常均值收益。n8.将估计参数数据集合并到原有数据集，通过事务窗的数据和估计的参数计算正常酬劳率和非正常酬劳率（AR,CAR）。n在上述过程，第5和6项相对较难。n9.对AR,CAR

20、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。n10.报告和说明事务探讨在事务探讨在SASSAS上的实现上的实现n以检验上市公司年度盈余信息的有用性为例以检验上市公司年度盈余信息的有用性为例n/*/*清洁数据清洁数据*/*/n/*/*合并股票酬劳率和市场酬劳率合并股票酬劳率和市场酬劳率*/*/n/*/*重新定义年度，将重新定义年度，将T-1T-1年年7 7月月1 1日日T T年年6 6月月3030日定义为日定义为T T年度年度*/ndata Trade1;nset Trade0;nif Trade_datemdy(7

21、,1,year(Trade_date)then year=year(Trade_date);nelse year=year(Trade_date)+1;nmonth=month(Trade_date);ndm=stock_code;nrun;n/*对披露日数据进行处理*/n/*将交易数据同事务日数据（年报披露日）合并，将交易日少于事务日的观测定义为1*/ndata dataevnt;nmerge trade1 disclosure1;nby dm year;nif date_disclose=.then delete;nbefore=trade_datedate_disclose;nrun;n

22、/*产生事务日前后的相对交易日*/nproc sort data=dataevnt;nby dm date_disclose trade_date;nrun;nproc means data=dataevnt noprint;nby dm date_disclose;noutput out=nreturns(drop=_type_ _freq_)sum(before)=bef_sum;nrun;n/*产生估计窗和事务窗数据*/ndata estper evntper;nmerge dataevnt(drop=before)nreturns;nby dm date_disclose;nif fi

23、rst.date_disclose then relday=-bef_sum-1;nrelday+1;nif-100=relday -10 then output estper;nif-1=relday=10 then output evntper;nrun;n/*用估计窗数据估计参数*/nPROC REG DATA=estper OUTEST=mmparam(rename=(INTERCEPT=alpha Mrkret=beta)keep=dm date_disclose intercept Mrkret)NOPRINT;nBY dm date_disclose;nMODEL return=

24、Mrkret;nQUIT;nRUN;n/*计算事务窗的AR和CAR*/nDATA ar;nMERGE evntper mmparam;nBY dm date_disclose;nAR =RETURN-ALPHA-BETA*Mrkret;nRUN;n*compute cumulative abnormal returns;nPROC MEANS DATA=ar NOPRINT;nBY dm date_disclose;nOUTPUT OUT=car SUM(ar)=CAR;nRUN;n/*检验CAR是否显著异于0和不同组CAR是否存在显著差异*/nPROC MEANS DATA=car N ME

25、AN T prt;nTITLE Overall results;nVAR car;nRUN;nPROC SORT DATA=car;nBY evntdum;nPROC TTEST data=car;ntitle Test of equal AR for positive and negative earnings surprises;nVAR car;nCLASS evntdum;nRUN;事务探讨：问题与扩展事务探讨：问题与扩展n1.AR1.AR不听从正态分布不听从正态分布n运用非参数检验（符号检验和秩检验）运用非参数检验（符号检验和秩检验）n非参数检验通常不独立运用，而主要用非参数检验通常

26、不独立运用，而主要用于检验参数检验结论的有用性。于检验参数检验结论的有用性。n2.2.抽样间隔：运用日、周还是月数据抽样间隔：运用日、周还是月数据nKothari Kothari 和和 Warner Warner（20042004）指出，从事务探）指出，从事务探讨过去讨过去3030多年的运用历程来看，其基本的统计多年的运用历程来看，其基本的统计形式并没有发生变更。两个主要的变更主要表形式并没有发生变更。两个主要的变更主要表现为：现为：n（1 1）用日数据取代月数据；）用日数据取代月数据；n（2 2）对）对ARAR和和CARCAR的估计和统计推断技术变得更的估计和统计推断技术变得更加困难。加困难

27、。n探讨表明，削减抽样间隔可以导致势的增长。探讨表明，削减抽样间隔可以导致势的增长。n3.3.事务日的不确定性事务日的不确定性n有时我们收集到的事务日可能并不是真有时我们收集到的事务日可能并不是真正的事务日，真正的事务日可能是其前正的事务日，真正的事务日可能是其前1 1日、当日或者后日、当日或者后1 1日。日。n通常的处理方法是将事务窗扩展到通常的处理方法是将事务窗扩展到2 2天天（T0-T+1T0-T+1）,探讨表明两天事务窗口的势探讨表明两天事务窗口的势值照旧良好。值照旧良好。n其他方法：最大似然估计（其他方法：最大似然估计（MLEMLE）n4.可能的偏差n由非同步交易（Nonsynchr

28、onous trading）导致的偏差。n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务间隔上进行了记录，这时，非交易或非同步交易的影响就会产生。n例如，在事务探讨中我们通常运用收盘价（每天最终的交易价格），而事务的冲击很可能没有发生在这一时刻，从而导致偏差出现。n修正方法：运用购买持有策略来估计累积非正常酬劳率（BHAR）n事实上，在事务探讨中，原委应当运用CAR还是BHAR，也存在确定的争议。尽管CAR和BHAR等同于事务期证券持有者的财宝变动n从经济学的角度来讲，BHAR更好理解。n但CAR也有自身的优势，除了通过加总可以保留丰富的酬劳率信息外，由于AR听从正态分

29、布时，CAR照旧听从正态分布，从而为统计检验供应了便利。n在已有文献中，尽管CAR和BHAR均用于事务探讨。但CAR主要用于短时窗的信息含量探讨，而BHAR主要用于长时窗的关联探讨。检验的势（检验的势（powerpower）1.power1.power指拒绝原假设的可能性，也可以指拒绝原假设的可能性，也可以理解为运用统计方法对事务反映的检验理解为运用统计方法对事务反映的检验的敏感性。的敏感性。2.2.实证探讨表明，在考虑检验的实证探讨表明，在考虑检验的powerpower时，时，必需先考虑样本的分布。为了提高必需先考虑样本的分布。为了提高powerpower，可以通过增加样本容量、缩短事务窗、

30、，可以通过增加样本容量、缩短事务窗、找寻更为具体的原假设等方法。找寻更为具体的原假设等方法。偏差及模型扩展偏差及模型扩展（一）群或集群效应（一）群或集群效应（clustering）在事务日只有一天的状况下，处理在事务日只有一天的状况下，处理clustering的方法有两种：的方法有两种：n1.把非正常酬劳率相关的股票作为一个组合，把该组合看成是一只股票，干脆计算其非正常酬劳率。n2.分别计算每一只股票的非正常酬劳率，不再相加。原假设是事务对每一只股票都没有影响。其基本方法是引入含有虚拟变量的多元回来模型。nSalinger（1992）对非正常酬劳率相关的问题进行了更深化的探讨。n并指出，残差项

31、不仅存在连续时间上的相关（intertemporal correlation），而且存在横截面上的相关（contemporaneous correlation）。n其他问题n短时窗还是长时窗n短时窗、长时窗探讨中事务窗的确定n长时窗探讨中统计推断要特殊谨慎。n感谢大家人有了学问，就会具备各种分析实力，明辨是非的实力。所以我们要勤恳读书，广泛阅读，古人说“书中自有黄金屋。”通过阅读科技书籍，我们能丰富学问，培育逻辑思维实力；通过阅读文学作品，我们能提高文学鉴赏水平，培育文学情趣；通过阅读报刊，我们能增长见识，扩大自己的学问面。有很多书籍还能培育我们的道德情操，给我们巨大的精神力气，鼓舞我们前进。