|
1. 引言 本篇报告旨在对若干类事件进行综合量化分析，使投资者更加深入的理解不同事件的发生对股票价格的影响。在此基础上，我们将构造基于多事件驱动的组合投资策略。本篇报告的最后一部分，我们将事件驱动策略与多因子策略在组合权重优化的框架下相结合，构建了基于多因子多事件驱动的最优中性投资组合。实证结果表明，增加了事件驱动后的多因子组合，收益显著提升。 事件驱动研究的本质问题在于事件发生是否会产生超额收益或亏损？若能产生，该收益是否可持续存在？对于该问题的解答不仅有利于我们构建事件驱动选股策略，更重要的是使得投资者了解事件信息对股票价格运行所产生的影响，进而更深入的理解股票价格波动的成因。 我们利用风险模型对个股收益的分解，定义了事件异常收益AR（Abnormal Return），并根据不同事件对个股异常收益的影响，对事件属性进行了分类。在此基础上，我们构建了基于多事件驱动的组合投资策略。实证结果表明，组合收益稳健有效，在过去6年时间内均可稳定战胜基准指数。 事件驱动研究的本质仍然是对市场参与者内心预期、相互博弈的投资心理研究。本篇报告通过数据建模等方法，对事件影响进行了一定的统计观察。但模型终究只是研究工具，最终我们希望通过事件研究，使得投资者更深入的理解股票价格运行的成因及规律，进而达到无招胜有招之最高境界。 2. 异常收益 2.1 异常收益定义 从逻辑上而言，我们通常会研究事件发生前后，股票价格收益的分布情况，进而判断事件对股价的影响。但是，由于股票价格的波动受各种不同的风险因素影响，因此简单的利用收益率或者超额收益很难分辨出事件本身对股票价格所产生的影响。 我们通常利用异常收益来检验事件发生对股票价格所产生的影响。所谓事件异常收益指的是：在事件发生前后，股票收益率中，无法用市场、行业、风格所解释的收益部分称为异常收益。 风险模型对股票收益的分解为事件研究提供了较大的便利，通过统计事件发生前后，股票收益中无法利用已知因子所解释的部分，即特质收益项，就可以观察事件发生所导致的股票价格异常收益，即： 换言之，我们利用风险模型回归方程中的残差项作为事件发生窗口期内的股票异常收益，由于残差部分不包含任意行业与风格收益，因此可以纯粹的反映事件本身对股票价格的影响，这与我们定义异常收益的初衷思路是一致的。 并且，由于A股市场的公司事件往往多发生于中小创的股票，而这类股票在规模因子的驱动下，具有显著的风格收益，所以利用风险模型剔除风格收益的影响，完整的剥离出股票价格的异常收益，显得尤为重要。 2.2 事件核心逻辑 在定义了异常收益后，我们就可以对各类事件发生前后，个股异常收益的分布特征进行观察统计。我们首先给出事件驱动异常收益显著性统计的一般流程： Step1: 定义事件逻辑，统计事件（公告）发生时间点； Step2: 统计事件发生前后股票收益率，计算对应行业因子及风格因子； Step3: 根据风险模型回归方程，计算事件发生前后个股异常收益CAR； Step4: 计算事件发生全部个股异常收益AR均值； Step5: 异常收益均值显著性T检验； 我们对16种类型的事件公告前后若干个交易日的累计异常收益进行统计观察，其中包括：定向增发、限售股解禁、业绩预增、业绩预亏、高送转、股东增持、股东减持、员工持股、股权激励、快报同比盈增、快报同比盈亏、投资者调研、关联交易、违规事项、调入融资融券标的、沪深300指数成分股调整。
其中，业绩预增区分为扭亏、略增、续盈、预增。业绩预亏区分为首亏、略减、续亏、预减。股东减持区分为大宗交易减持、非大宗交易减持。员工持股区分为竞价转让、认购非公开发行。 2.3 事件发生前后20个交易日异常收益分布特征 我们下面将针对上述提到的若干种类事件，统计事件发生前后20个交易日，个股异常收益AR均值及累计异常收益CAR均值的分布特征情况。同时，我们将计算累计异常收益和异常收益均值T检验值，即原假设为事件异常收益AR=0，具体如下: 事件1：定向增发 事件2：限售股解禁 事件3：业绩预增 事件4：业绩预亏 事件5：高送转 事件6：股东增持 事件7：股东减持（非大宗交易） 事件8：股东减持（大宗交易） 事件9：员工持股（认购非公开发行） 事件10：股权激励
事件11：快报同比盈增
事件12：快报同比盈亏
事件13：投资者调研
进一步的可以发现，市场预期的影响在事件研究中起到了重要的作用。从上述分析中可以看到，大部分事件类型在公告日之前异常收益就有显著波动，而在事件实际发生之后即市场预期兑现后，异常收益则并不一定可以得到延续，例如定向增发、高送转等事件，此类效应尤为明显。
我们同样发现，不同事件异常收益影响的时间维度是不同的。部分事件的发生对股价表现为短期脉冲式影响，例如业绩预亏、高送转等，股价异常收益会在短时间迅速将事件影响完全反应，市场几乎表现为完全有效状态。而部分事件则对股价表现为持续性影响，例如业绩预增、股东增持、投资者调研等，该类事件在公告后一段时间内对个股仍然产生持续稳定的作用，因此酝酿了较好的投资机会。 3. 事件属性分类 我们根据事件发生对股票异常收益的影响，我们将事件分为5类，分别是：持续性阿尔法事件、持续性风险事件、短期阿尔法事件、短期风险事件和其他类型。具体事件属性分类如下所示： 根据分类，定义为持续性阿尔法事件的事件类型有4类，包括：业绩预增（扭亏、略增、预增）、股东增持、股权激励和投资者调研；定义为持续性风险事件的类型有2类，包括：股东减持（非大宗交易）和快报同比盈亏；其他事件即为短期事件或其他。
我们在上一节的研究中提到，由于短期事件受信息优势、交易速度等因素影响，较难把握，并且资金容量有限，因此比之短期事件，我们更加关注持续性事件的影响。其中，持续性阿尔法事件酝酿了较好的投资机会，而持续性风险事件则需要谨慎规避。 我们接下来将进一步考察上述提到的4类持续性阿尔法事件和2类持续性风险事件在公告日后60个交易日内的异常收益表现，方法与之前相同，具体结果如下: 持续性阿尔法事件1：业绩预增（扭亏、略增、预增）公告日后60天
持续性阿尔法事件2：股东增持公告日后60天
对于持续性风险事件的统计结果中看到，非大宗减持公告日后60个交易日异常收益持续下降，这期间的任意时间段均应该规避相应个股。而快报同比盈亏事件的影响时间约为40个交易日，此后异常收益短期回升并进入正常状态。总体而言，持续性风险事件将会导致累计异常收益持续下降，投资者对该类股票需谨慎规避。 4.多事件驱动组合策略构建 4.1 多事件驱动组合构建方式 由于个股事件发生的时间点不一致，因此事件驱动策略的组合构建问题很难找到完美的解决方式。通常而言，该类策略的组合构建有2种方法，第一种即为即时调仓策略，即事先将资金等额分配，当个股事件发生后，立即将对应股票选入组合，同时将组合中最早调入的个股卖出。该方法的好处在于可以获得事件发生后的及时收益，而不用等到特定换仓日，但该方法的缺点在于组合常常较不稳定，并且对于资金分配也较难把控。而第二中方法即为定期调仓策略，该方法与多因子策略逐月调仓类似，在特定调仓日（如每月末）一揽子买入处于事件影响状态下的股票组合。该方法的缺点在于会损失事件发生后的及时收益，但整体组合的稳定性相对而言较高。 显然，针对本篇报告的研究逻辑，我们更倾向于第二种组合构建方式。因为在前几个章节的分析中，我们通过对不同事件属性的分类，定义了持续性阿尔法事件，即在事件发生后的60个交易日个股异常收益持续稳定上升。因此，对于组合构建而言，只要个股在调仓日后的持有期内，个股始终处于事件状态的影响下，那么组合就可以获得该类事件的所带来的稳定收益。 具体而言，我们将所有事件利用状态变量1/0/-1来表示，其中状态1表示事件当前处于持续性阿尔法事件状态影响下，0 表示其他，-1表示事件当前处于持续性风险事件状态影响下。 我们以月频率作为调仓周期，并以每月第一个交易日作为换仓日。对于处于持续性阿尔法事件状态影响下的个股，若在换仓日，个股未来20个交易日仍处于阿尔法事件状态影响下，则将股票纳入组合。对于持续性风险事件而言，若在换仓日，个股未来存在大于1个交易日处于风险事件状态影响下，则规避组合选入该股票。
4.1 基于持续性阿尔法事件的多事件驱动策略 我们选择业绩预增、股东增持、股权激励、投资者调研作为持续性阿尔法事件，以每月第一个交易日作为调仓日，选择未来20个交易日处于上述事件影响状态下的股票构建多头组合，等权方式配置。考虑交易佣金单边0.1%、印花税0.1%，自2010年1月至2016年4月，换仓日剔除停牌、涨停、成交量异常股票，以当日开盘价作为成交价格。 组合累计收益如下所示：
组合累计超额收益如下：
上述回测结果表明，多事件驱动投资组合在过去6年时间内均战胜了中证500指数，表现稳定。逐年平均来看，组合可获得19.4%的年超额收益率，平均年信息比率达到2.36，组合平均持股个数约为400只，组合年均双边换手率约为4倍。 我们进一步利用业绩归因模型，对组合收益进行深入的分解观察，具体结果如下：
但是，归因结果同样表明，在风格层面，组合带有较为明显的市值风格特征，即组合选择的股票仍然以中小创居多，策略收益中存在部分风格收益。 5.事件驱动策略与多因子模型 5.1 事件收益与风格收益 在上一节的研究中，我们构建了基于持续性阿尔法事件的多事件驱动组合策略。实证检验结果表明，策略收益表现较为稳健。 但是，在我们对组合进行归因分解的时候发现，尽管策略获得了显著的事件异常收益，但是同样存在较为明显的风格收益。这不禁引发我们的思考：是否可以构建基于事件驱动策略的风格中性投资组合？ 在我们之前对阿尔法模型的研究报告中，我们通过权重优化的方法，构建了基于风险模型的风格中性投资组合，策略表现十分稳健。从本质上来说，事件导致的股票收益同样可以理解为阿尔法收益，尤其是持续性阿尔法事件所导致的收益更是存在长期稳定的特征，这与阿尔法因子的特征极为相似。 但是，从模型的角度出发我们却很难将事件作为因子来处理。一方面，是因为事件发生的时点并不一致；另一方面，事件为状态因子而不是截面因子，传统的截面因子处理方法无法运用于事件因子。所以这也导致了，长期以来，量化研究团队通常将多因子模型与事件驱动模型分为两个不同的大类而区别对待。
事实上，我们很难将事件收益与风格收益相互独立来看，究竟是事件发生产生了风格收益，还是市场风格导致了更多事件的发生？这个问题从模型的角度很难给出准确的答案。例如在上一节的组合构建中，如果我们利用权重优化约束将组合的市值敞口完全中性化，那么很有可能导致特质收益的贡献也大幅降低。所以，我们认为事件驱动所产生的收益一定是包含风格收益的，而我们要做的是在风格中性的基础上，获取事件收益中非风格收益的部分。 既然无法将事件状态因子作为传统截面因子的方法来处理，那我们选择在组合预期收益率中增加事件因子部分，使得组合的优化目标函数中包含事件驱动收益部分。 不能错过的高级研修：大数据时代的量化投资！ 上课地点：深圳 培训时间：2016年6月25-26日 来源：君唐资产 |
|
|
