2023年金融市场分析方法专题 单事件效应检验

一、前言

1.1、多事件融合策略概述

本篇报告从多事件信息出发，将多维度检验得到的有效事件进行聚合，并最终融入到原有指数增强组合。 首先是建立事件库，从各事件的数据源获取原始事件信息，并进行初步清洗；其次是筛选有效事件，参考事件 评价维度，逐一检验单事件有效性、测算单事件组合绩效；而后是聚合有效事件，利用全部有效事件得到个股 预期收益，作为多事件因子；最后是融入增强组合，将多事件因子与现有阿尔法进行融合，尝试提升增强绩效。

经过测试发现：基于事件评估的四维体系，从初始的 17 类事件中筛选出 11 类有效事件。重新整合事件类 别后，对单个事件构建事件组合，发现各类事件的作用域不尽相同：股权激励、股份回购、机构调研和超预期 信息适用于全部三个指数；股东增减持和限售股解禁适用于沪深 300；定向增发、负面公告和预告快报适用于 中证 500 或中证 1000。由多事件信息聚合为多事件因子，设定为中等训练期和极值聚合方法后，因子相对各 指数有明显增强效果。最后将多事件因子融合入原有 300 增强组合，在动态叠加极值因子后，组合绩效得到全 面提升，年化超额从 10.6%提升至 11.7%、信息比率从 2.43 提升至 2.71、最大回撤率从 5.0%缩减至 4.7%、月 度胜率从 74%提升至 76%。

1.2、事件库介绍

综合考虑事件关注度和数据可得性，选择 17 类事件作为初始事件库，共分为 7 个大类：利润分配、再融 资、股权变动、公司业绩、公司治理、负面公告和其它。由于篇幅原因，部分类型事件未作讨论，如成份股调 整、两融、破发等，我们会在后续报告中另作补充。事件数据源主要来自万德底层数据库和朝阳永续数据库， 报告中所有事件数据提取的截止日期为 2022 年底。对于每类事件，会根据事件逻辑保留相应的关键属性，并 作逐一清洗。

二、单事件效应检验

2.1、事件评价维度

为了全方位评估事件有效性，建立 4 个维度的评价体系，分别从事件逻辑、事件效应、可验证性和可操作 性进行逐一辨别。首先是事件逻辑，作为判断有效性的先决条件，具体有三个方面：一是政策层面支持力度； 二是市场上的关注度和认可度；三是事件逻辑是否清晰无歧义。其次是可验证性，用于从数据层面判断后续做 检验的必要性，具体有三个方面：一是历史样本量是否充足；二是历史数据的时间跨度是否足够；

三是事件触 发日在过往历史上是否可回溯。再者是事件效应，主要参考事件研究法做统计检验，以 CAR（累计异常收益） 区分有效性，重点关注事后窗口 CAR 的显著性、持续性和单调性；另外可以依据事件关键属性筛选样本，有助 于提纯事件并凸显效应。最后是可操作性，需要结合事件自身特性与策略构建方式，以便将事件信息转化为策 略信号，比如事件效应的持续性需要覆盖策略持仓期、事件触发域需要覆盖策略域等；另外，本文后续将事件 信息用于改进增强组合，则还需关注事件逐年胜率，以保证对现有组合有稳健的提升效果。

事件逻辑的评估虽然基于非量化方法，但却是对事件基本面的方向性判断，比后续步骤的重要性更强、优 先级更高。为了对比不同事件的特性，选择四种典型事件作为分析对象，股权激励、高送 转、股东增减持和股份回购均是上市公司披露的重要事项，受到投资者和卖方分析师的密切关注。

其中，股权激励的事件逻辑清晰、正向作用突出、实施意愿较强，属于市场公认的积极事件，同时相关政 策成熟度较高、支持力度较大，利于减轻政策风险影响。与之相对的则是送转事件，2015 至 2017 年是高送转 炒作高峰期，部分公司实行“滥送转”、市场投机氛围浓厚，在 2018 年交易所发布相关指引之后，乱象得到有 效整治，但事件量随之呈明显下滑、市场关注度也出现断层。事件自身的逻辑也很重要，尤其对于回购、定增 之类的表象事件有必要细究背后的来龙去脉，譬如定增项目的发展前景、回购股份的具体用途等等，这些差异 可能会带来截然不同的市场反馈。还有事件信息披露的细节，比如相关政策对股东增减持信息披露的及时性和 完整性有明确要求，更有利于观察事件效应。

2.2、事件效应检验方法

事件效应检验主要采用事件研究法（Event Study），将所有事件样本按触发日对齐，再测算前后窗口内的 异常收益，根据其显著程度判断事件有效性。事件窗口方面，以时点 T0 作为事件触发日，以 20 交易日为间隔 单位，确定事前事后窗口长度，本报告中默认窗口长度为前后 60 个交易日。

异常收益（AR），表示个股真实收益超出预期收益的部分。具体度量是通过截面回归将市场、行业和风格 这些风险因素剥离后，得到的残差收益作为异常收益，再计算特定窗口内的累计值作为累计异常收益（CAR）。 其中，行业划分标准参考中信一级行业，风格因素参考 Barra CNE5 的十大类风格因子的构建方法。值得一提的 是，异常收益的度量不仅限于上述方法，在回归方法、业绩基准、预期收益因素等方面有着诸多选择。考虑到 后续会用于改进增强效果，事件筛选需避免对行业或风格的堆叠，更适宜反映增量信息。

2.3、事件效应回测

2.3.1、激励类事件

激励类事件涉及股权激励和员工持股计划，均属于公司提高员工积极性的激励手段。但两者存在一定差异， 员工持股计划审批较宽松、适用对象范围更广；股权激励虽然有考核机制，但对激励对象而言投入成本更低、 风险更小。激励类事件的时间跨度较长，并且包含多个关键时间节点。以“股权激励-股票期权”为例，分为 四个时段：方案阶段、等待阶段、行权阶段和锁定阶段，相较而言方案阶段更受投资者关注、市场反应更强烈， 因此后续回测仅涉及方案阶段的时点。

将激励事件方案阶段的预案公告日、股东大会公告日和实施公告日分别作为事件触发日，可以发现事前与 事后窗口普遍都有显著正向 CAR。对于股权激励事件：1）预案的事前反应不算显著，触发当日达到反应峰值， 事后延续正向效应；2）正向效应持续跨度较长，直至首次实施日后的 100 个交易日仍有显著 CAR；3）逐年表 现稳定，在事后的 60 日窗口内，各年均能维持正向 CAR。对于员工持股事件，1）预案前偏弱负向效应，触发 当日达到正向反应峰值，而后延续正向效应；2）尽管总体的事后 CAR 为显著正向，但以近两年表现而言，存 在失效现象。

从两类激励事件对比来看，股权激励的表现明显更占优：1）总体收益更高且波动更小，股权激励事后 60 日的 CAR 超过 3%、略高于员工持股的同期收益，并且曲线形态上更平滑；2）逐年表现更稳定，回溯过去 16 年的表现，股权激励始终维持显著正向效应，尤其近几年没有明显的衰退迹象。进一步对“股权激励-首次实施日”做属性检验，从结果来看：1）折溢价率、激励数量占比、激励标的和 激励方式都不具备区分度；2）停止实施属性的系数显著为负，表明投资者需密切关注激励项目的进度，若发 现终止迹象或已经发布停止公告，及时脱离相关个股、避免事件风险。

2.3.2、负面公告类事件

负面类事件涉及违规处罚、立案调查、诉讼仲裁和担保。这四类事件的样本量和分布存在明显差异：1） 样本总量由高到低依次为担保、诉讼仲裁、违规处罚和立案调查；2）违规处罚和立案调查的月度分布较为均 匀，诉讼仲裁和担保与财报发布月份较为同步；3）违规处罚在 300 内的数量占比较高，其余三类均以小市值 股票居多。从事件效应表现来看，1）立案调查最为突出，事前与事后均维持负向效应，且负收益累计量较高、逐年 表现稳定；2）违规处罚表现不俗，事前无明显效应，但事后负向效应显著且具有持续性； 3）诉讼仲裁稍显 弱势，事后存在负向效应但显著性偏低；4）担保表现不佳，事前显著正向效应，而事后无明显效应。对比来 看，立案调查与违规处罚更适宜作为候选事件。

进一步对“违规处罚”做属性检验，从结果来看：1）主体关系和时间差均不具备区分度；2）处分类型和 违规类型可作为事件筛选条件，其中弱处罚和定期报告类违规的系数均显著为正，表明偏弱的违规类型和处分 类型对公司的影响有限，可以考虑剔除相关样本。

2.3.3、股东增减持类事件

股东增减持类事件通常会区分细分类别：1）按照实施情况分为实际增减持和拟定增减持；2）按照变动方 向分为增持和减持；3）按照持有人类型分为个人、公司和高管。在实际增减持中：减持类别占比较高，达 73%；公司类别占较高，达到 40%。在拟定增减持中：减持类别占据绝对数量，将近 90%；高管类别占比较高， 达到 44%。

根据回测结果，实际增持类的 CAR 曲线呈“阶梯型”形态，事件效应集中在触发日前后 的 4 个交易日窗口，前向的事前窗口与后向的事后窗口均无明显效应，尤其事后效应没有持续性、不具备可操 作性。由此，尝试检验关键属性，发现“持有人类型”属性具有明显区分度。其中，在 1-40 的短期窗口内个 人与高管均显著为正，而在 41-60 的中期窗口内仅高管保持显著，表明筛选相关样本有助于凸显事后效应。从 实际增持与实际高管增持的回测结果来看，两者曲线形态出现明显差异，后者在事前成显著负向效应、在事后 呈持续正向效应。

2.3.4、股份回购类事件

回顾股份回购类事件的发展历程：1）2008 年之前处于起步阶段，期间回购数量较少；2）2008 年开始进 入快速发展阶段，当年 10 月证监会发布《上市公司回购股份补充规定》；3）2018 年末至 2019 年，迎来第一 波回购热潮，源于 2018 年 10 月通过修正案进一步放宽回购限制；4）2020 年末至 2022 年，迎来第二波回购 热潮。回购流程涉及四个时间节点，包括预案公告日、股东大会公告日、实施公告日和完成公告日，通常预案 日的市场反应最强烈。

根据回测结果，事前呈显著负向效应，事后短期窗口曲线走平、中期出现上升趋势。进一步检验属性，短 期窗口内无显著属性，中长期窗口内低回购比例和其他回购目的均显著为负，可以考虑适当剔除相关样本以提 纯事件。对比过滤后的事件效应，再拉长事后窗口至 100 个交易日，虽然短期内呈弱负向效应，但中长期的持 续性和收益累计量均有明显提升。

2.3.5、分红类事件

分红类事件主要分为现金分红和股票分红，一般会随中报和年报披露分红方案。尽管分红事件的时间跨度 不长，但包含较多时间节点，涉及预披露公告日、预案公告日、股东大会公告日、实施公告日、股权登记日和 除权除息日，其中预披露和预案是市场反应较强烈的时点。 根据回测结果：1）派息事件的事件效应均发生在事前窗口，事后曲线走平无明显效应；2）送转事件的事 前事后均呈显著正向效应，但事前效应的显著性和收益累积量要明显更高；3）对比送转的预披露时点和预案 时点，前者在事前反馈更强烈 CAR 超过 15%，而两者在事后效应差异稍小；4）送转的预披露事件触发量偏少， 尤其近 3 年无事件量、不具备可操作性；5）送转的预案事件存在失效迹象，2020 年之前在事后短期均显著为 正，但近两年均不显著。

送转事件中，最关键的属性是送转比例。以 0.5 为间隔划分为三个类别：低送转（低于 0.5）、一般送转 （0.5 至 1.0）和高送转（大于 1）。从检验结果来看，送转比例区分度特比显著，低送转显著为负、一般送转 不显著、高送转显著为正。而从各年事件量来看，高送转仅集中在 2015 年至 2017 年，近 5 年均是低送转占多 数。结合前文不难发现，自 2018 年相关指引出台，先是相关事件量出现断崖式下跌，而后是事件效应也有明 显衰退，市场关注度也由此锐减。

2.3.6、再融资类事件

股权再融资的途径主要有三种：配股、公开增发和定向增发。首先从事件总量而言，配股和公开增发的数 量都过少，以至于不具备可验证性；其次公开增发近 10 年仅有零星触发，也不具备可操作性。定向增发虽然 事件量最多，但也经历过高潮和低谷：2012 年至 2016 年是第一波高峰，处于快速发展阶段；2017 年至 2019 年是政策收紧阶段，事件量出现锐减；2020 年至今是第二波高峰，源于相关政策再度放开。

从定增的事件效应来看：1）以初始预案为触发日，事件效应主要集中在事后短期窗口内，事前及事后中 长期均无明显效应；2）以证监会批复为触发日，事前事后均有显著正向效应，且保持一定持续性；3）以新股 发行为触发日，事前存在显著正向反应，事后则没有事件效应。总结而言，定增事件的操作期处于预案之后与 新股发行之前的窗口内，需要规避预案披露早期的过度反应及方案落地后的利好出尽。

2.3.7、机构调研类事件

机构调研事件的数据总量较多且逐年递增，从 2012 年近 2000 条记录，到 2022 年超过 16000 条记录。从 属性占比来看：1）调研主体类型中，以证券公司和基金公司为主，两者总占比过半；2）调研活动类型中，特 定对象调研占据绝对多数，占比超过 70%。 从机构调研的事件效应来看：1）事前事后窗口均为显著正向效应，CAR 曲线的单调性强、稳定性高；2） 对比事前事后表现，虽然事后效应有明显削弱，但在事后的 100 交易日内始终有持续性；3）逐年表现尤其稳 定，仅 2021 年在中长期窗口内有所反复。

进一步对“机构调研”做属性检验，从结果来看：1）主体类型中，基金公司在短期和长期均显著为正， 可重点关注相关样本；2）活动类型中，业绩说明会和路演活动在长期显著为负，可考虑适当剔除相关样本以 提纯事件。

2.3.8、限售股解禁类事件

限售股解禁类事件，数量分布上以小市值股票占多数，总量呈逐年递增趋势。事件属性主要有股份类型和 数量占比，其中股份类型包括首发原股东限售股、首发机构配售股份、公开增发一般股份、定向增发机构配售 股份和股权分置限售股份。时间节点包括公告日期和可流通日期，通常在可流通日前后的事件效应更突出。此 外，根据两个时点计算衍生属性“日期差”，即公告日期与可流通日期间的跨度。 从限售股解禁的事件效应来看：事前短期窗内呈显著负向效应，事后呈显著持续正向效应，逐年表现均比 较稳定。

进一步对“限售股解禁”做属性检验，从结果来看：1）高占比属性在中长期内显著为负；2）股份类型中 仅首发机构配售股份显著为正，其余的公开增发股份和手法原股东限售股均呈弱负向；3）短跨度日期差显著 为正。可参考检验结果，对于日期跨度短、低占比的样本做适当筛选。

2.3.9、业绩预告类事件

业绩预告类事件，数量分布集中在 1、4、7、8、10 月份，中小市值股票的占比逐年增高。根据预计净利 润的变动情况，业绩预告的类型可分为九类，将其整合为三大类：亏损（首亏、预减、略减、续亏），不定 （续盈、不确定），盈利（扭亏、略增、预增）。 从业绩预告的表现来看，所属类型与事件效应比较一致：1）亏损类中的首亏、略减、预减和续亏表现出 相近的曲线形态，事前与事后维持显著负向效应，触发当日为负向峰值，细分类别中以首亏和预减较为突出； 2）不定类中的不确定和续盈表现出相近的曲线形态，事前事后未表现出显著事件效应，唯独在触发日前后的 短期窗口内呈显著负向效应；3）盈利类中的扭亏、略增和预增表现出相近的曲线形态，事前与事后维持显著 正向效应，触发当日为正向峰值，细分类别中以扭亏和预增较为突出。

2.3.10、业绩快报类事件

业绩快报类事件，仅在每年的 1 至 4 月份公告，其中 2 月份是事件触发的高峰期。根据快报净利润与一致 预期净利润的偏离程度，计算衍生指标“偏离幅度”，其中一致预期数据来源于万德底层数据并取最近预测值。 然后以+5%和-5%为界限划分为三类：超预期（偏离幅度大于 5%）、符合预期（偏离幅度-5%至 5%）和低预期 （偏离幅度低于-5%）。先对“业绩快报”进行属性检验，从结果来看：1）低预期属性显著为负；2）符合预期属性显著为正；3） 超预期属性显著为正，相较于符合预期，其系数值更高和显著性更强，表明该类别划分能有效区分事后效应的 表现。

从业绩快报的表现来看，所属类型与事件效应比较一致：1）低预期类别，事前事后的短期窗口内呈显著 负向效应，但在中长期区间内出现较大波动，整体单调性偏弱；2）符合预期类别，触发当日为正向峰值，事 后 60 日窗口内呈持续正向效应，但在更长期的窗口内走平；3）超预期类别，触发当日为正向峰值，事后短期 窗口内为弱正向效应，而中长期窗口内正向效应更显著；4）超预期与符合预期相比较，前者收益累积量更高 且后劲更足。

2.3.11、超(低)预期信息类事件

超预期信息和低预期信息均来源于朝阳永续数据库，从多种数据源进行加工处理后归类为超预期或者低预 期。可能超预期信息的类别涉及分析师调升、核心研究员调升、文本超预期、业绩预告超预期和业绩增速超预 期等；可能低预期信息包含较多细类，涉及分析师调降、核心研究员调降、文本低预期、一致预期调低和业绩 预告低预期等。 从超(低)预期信息的事件效应来看：1）超预期信息类事件，事前事后始终维持正向事件效应，触发当日为 正向峰值，事后效应要明显弱于事前效应，逐年表现尤为稳定；2）低预期信息类事件，总体呈负向事件效应， 但单调性欠佳，且事后的中长期窗口内负向效应有明显削弱。

进一步对“超(低)预期信息”做属性检验，从结果来看：1）超预期信息中，仅业绩增速类别显著为正；2） 低预期信息中，文本低预期、预报快报和分析师下调均显著为负，其中文本类的显著性最强。

2.4、事件效应小结

对前期测试结果进行汇总：1）明确了事件的触发时点和有区分度的关键属性；2）罗列 了事件效应的方向、显著性和持续性；3）综合事件表现得出有效性结论。适当剔除表现欠佳的事件类别，如事后效应偏弱的事件（负面公告-担保）、事件样本过少的事件（再融资-配股）、存在政策风险的事件（利润分 配-送转）等。

三、单事件组合检验

3.1、事件组合构建

在有效事件的基础上，进一步检验事件组合的指数增强效果。具体做法是：1）在每月末按自然日前推观 察期；2）若观察期内有指数成份股触发事件，将其纳入到组合中；3）若观察期内同一个股有多次触发，则仅 取最近的触发记录；4）若当期无个股触发事件，则沿用上期的触发结果作为持仓；5）最后将组合内个股按流 通市值加权。 回测方面：1）默认回测区间为 2010 年至 2022 年；2）参考基准可选沪深 300、中证 500 和中证 1000；3） 剔除换仓当日不可交易个股；4）以均价为成交价格；5）费率设定为买入千一、卖出千二。另外，考虑到过低 持股量或长时间空仓会对回测结果造成干扰，不宜采用细分类别作为触发条件，后续会将部分类别整合为大类 事件，以满足每月最低持股量的要求。

3.2、事件组合回测

3.2.1、股权激励组合

对于股权激励事件，前文的事后效应结果表明：正向效应持续期较长，从预案公告日直至首次实施日之后 的 100 个交易日。因此，纳入多个时间节点作为触发日，包括预案公告日、股东大会公告日和首次实施日。 从回测结果来看：1）股权激励对于沪深 300、中证 500 和中证 1000 均有正向超额表现；2）若拉长观察 期，沪深 300 超额略有下降、中证 500 超额基本持平、中证 1000 超额有所上升；3）以近一年表现而言，中证 500 超额表现最为突出，60 日观测期的超额收益达 21.4%。

3.2.2、定向增发组合

对于定向增发事件，前文的事后效应结果表明：有必要区别不同时点，初始预案日之后的短期窗口反应充 分，以致于中长期窗口效应有明显衰退，而后续审批时点均有显著持续的正向效应。因此，将预案公告日单独 归为一类，将股东大会公告日、发审委审核日和证监会通过日归为一类。 从回测结果来看：1）定向增发对沪深 300 无增强效果，但对中证 500 和中证 1000 有正向超额；2）对比 不同时点，预案时点的增强效果偏弱、甚至相对中证 1000 呈负超额，而后续时点均为正超额。

3.2.3、负面公告组合

对于负面公告事件，前文的事后效应结果表明：诉讼仲裁和担保的事后效应并不显著。因此，仅纳入违规 处罚和立案调查作为负面公告类别。 从回测结果来看：1）负面公告对中证 1000 有明显负超额表现；2）30 日观测期下年化负超额可达-13.2%， 但拉长观测期负超额收益会有明显衰退；3）尽管往年均稳定负超额，但近一年表现欠佳。

3.2.4、股东增持组合

对于股东增持事件，前文的事后效应结果表明：筛选持有人类型能明显提升事后效应表现，而变动比例也 可作为筛选属性。因此，将高管持有人和非低变动占比作为筛选条件，对比筛选前后的组合表现。 从回测结果来看：1）股东增持对沪深 300 有一定增强效果；2）仅筛选高管类别或非低占比类别，均表现 欠佳，而同时筛选两项条件后能获取正向超额；3）在筛选的基础上拉长观测期，能小幅提升正超额收益。

3.2.5、限售股解禁组合

对于限售股解禁事件，前文的事后效应结果表明：若公告日与可流通日的跨度距离较短，更能凸显事后效 应。因此，将两者日期差作为筛选条件，对比筛选前后的组合表现。 从回测结果来看：1）限售股解禁对沪深 300 有一定增强效果；2）筛选日期差属性后，组合超额有负转正； 3）在筛选的基础上拉长观测期，能大幅提升正超额收益。

3.2.6、股份回购组合

对于股份回购事件，前文的事后效应结果表明：事后短期内无显著效应，但在中长期窗口有持续显著的正 向效应。因此，选择较长的观测期为主。 从回测结果来看：1）股份回购对沪深 300、中证 500 和中证 1000 均有正向超额；2）对比不同股票池的 增强效果，对大市值增强效果略强些；3）拉长观测期能有效提升正超额收益。

3.2.7、机构调研组合

对于机构调研事件，前文的事后效应结果表明：事后的正向效应显著、持续且逐年稳定性强，但收益累积 量要明显弱于事前窗口；在调研主体类型中，基金公司具备显著区分度。因此，事先对样本做主体类型属性的 筛选。 从回测结果来看：1）机构调研对中证 500 和中证 1000 均有正向超额；2）对比不同股票池的增强效果， 对小市值增强效果略强些；3）拉长观测期能有效提升正超额收益，其中沪深 300 超额由负转正；4）近一年表 现欠佳，对三个指数均为负超额收益。

3.2.8、预告快报组合

对于业绩预告和业绩快报事件，将正向类别（预告盈利和快报超预期）归为同一类，将负向类别（预告亏 损和快报低预期）归为同一类。前文的事后效应结果表明：预告盈利中的预增和扭亏表现更突出，预告亏损中 的首亏和预减表现更突出。在测试中，尝试将同一大类中不同细分类别进行组合，有助于实现强强结合效果。 从回测结果来看：1）业绩类事件对中证 1000 有明显增强效果；2）单类别中，预增、扭亏、首亏和续亏 均表现突出；2）多类别组合中，预增和扭亏叠加超预期能明显提升超额收益和胜率，首亏和续亏的组合在负 率上有一定提升。

3.2.9、超预期信息组合

对于超预期信息事件，前文的事后效应结果表明：业绩增速类别有显著区分度。因此，将信息类别作为筛 选条件，对比筛选前后的组合表现。 从回测结果来看：1）超预期信息对沪深 300、中证 500 和中证 1000 均有可观的正向超额；2）经过业绩 增速筛选后，组合的超额收益大都有明显提升，尤其对沪深 300 有一倍以上的提升幅度；3）对比不同指数增 强效果，相对中证 500 有更强的超额表现。

3.3、事件组合小结

对前文回测结果进行汇总：1）明确了事件的观测范围、事件触发日和关键属性；2）罗 列了各指数内事件组合的超额表现。从作用域来看，股权激励、股份回购、机构调研和超预期信息适用于全部 三个指数；股东增减持和限售股解禁适用于沪深 300；定向增发、负面公告和预告快报适用于中证 500 或中证 1000。

四、多事件信息聚合

4.1、多事件因子构建方法

通过前文一系列的测试，大致框定了有效事件的类别、触发时点、关键属性、持续周期和作用域。但考虑 到单一事件的覆盖度有限，并且部分事件效应存在一定周期性，更适宜将多类事件信息聚合。另外，后续事件 信息会用于改进增强组合，可将不定期触发的事件信号转为定期生成的事件因子，便于融入多因子框架。 多事件因子构建流程如下：1）划分观察期与训练期：以月末调仓日为起点往前倒推，先划定观察期再划 定训练期，两者互不重合。其中，观察期用于确定事件的触发情况，训练期用于确定事件的预期收益。

2）统 计事件触发情况：在观察期内，同类事件仅取距离调仓日最近的触发记录，也需要计算触发日与调仓日间的日 期差。3）计算事件预期收益：将累计异常收益作为预期收益的度量方法，具体是计算训练期内同类事件样本 的均值。此外，考虑到事件效应的时间敏感度较高，根据观察期内触发事件的日期差去匹配训练期相同日期差 的累计异常收益。4）聚合多事件预期收益：整合观察期内每只个股的所有事件预期收益，可以得到二维的预 期收益矩阵，对事件维度进行聚合即可得到当期的多事件因子值。

4.2、多事件因子概览

为了展示多事件因子的特点，对其覆盖量、域覆盖度、风格相关性分别进行统计。1）覆盖量逐年走高，从 2014 年的 1000+逐步抬升到 2022 年的 2000+；2）覆盖量呈一定周期性，源于财 报披露相关事件；3）指数内覆盖度较高，近几年三个指数覆盖度均过半；4）银行、TMT 是覆盖度较高的行业。从风格相关性来看，多事件因子与大类因子的相关性普遍偏低，略微片中大市值和高动量。

4.3、多事件因子回测

对多事件因子进行分组多空回测，具体设定：1）股票池为指数内成份股，同时剔除新股、ST 股、一字板 股、停牌股；2）分为 5 组，每组等权配置；3）按次月首个交易日的均价成交；4）回测区间从 2014 年至 2022 年。 在测试过程中，会对训练期长度和聚合方法进行参数测试。其中，聚合方法可选均值或极值，均值会兼顾 所有事件效应，极值会凸显最强的事件效应。从测试结果来看：1）对比各指数绩效，中证 1000 强于中证 500 和沪深 300；2）对比聚合方法，沪深 300 内均值和极值的表现大致相当，但中证 500 和中 证 1000 内极值方法效果明显占优；3）对比训练期，总体上适宜采用 2 至 4 年的中等长度，而对于中证 500 和 中证 1000 可考虑拉长训练期。

对多事件因子进行增强组合回测，优化组合的具体设定：1）最大化多事件因子暴露度，特别地会对因子 值补 0，表明个股的事件效应预期收益为 0；2）股票池为全市场，剔除 ST 股、新股、近期停牌股；3）风险因 子中，行业因子参考中信一级行业，风格因子参考 Barra CNE5 的十大类因子；4）优化约束包含指数内下限、 个股偏离限制、行业偏离限制、风格偏离限制、跟踪误差上限和换手上限。回测的具体设定：1）持仓中剔除 一字板股、停牌股；2）按次月首个交易日的均价成交；3）交易费率为买入千一、卖出千二；4）回测区间从 2014 年至 2022 年。

从回测表现来看：1）多事件因子对沪深 300、中证 500 和中证 1000 均有正向超额收益；2）对比不同对 标指数，中证 1000 增强效果最为突出、中证 500 略弱些；3）参数测试结果与上述的多空结果基本一致，即极 值方法效果更优、训练期适宜采用中等长度。

五、融入指数增强组合

5.1、多事件因子融合方法

我们选择上篇报告的沪深 300 增强组合作为基准组合，阿尔法源是将成长、流动性、分析师和高频这四类 因子等权配置，再固定叠加分析师事件信号，详细内容可参考《基于大类因子与分析师预期事件的指数增强策 略》。自 2014 年至 2022 年，该组合的年化超额收益为 10.6%、信息比率为 2.43、超额最大回撤率是 5.04%、月 度胜率为 74%。 在原始阿尔法的基础上融合多事件因子：1）两种候选多事件因子，一种是 1200 日训练期并以均值聚合， 另一种是 800 日训练期并以极值聚合；2）两种叠加方法，一种是在原阿尔法的基础上以固定系数叠加，另一 种是以动态的修正系数叠加，具体是参考过去一段时间多事件因子的分组单调性程度，数值范围 0~1。组合优 化方面，基本沿用基准组合的设定，将年化跟踪误差控制在 4.5%左右、将年化换手率控制在 3 倍左右。

5.2、增强组合改进效果

为了明确具体改进效果，分为四个层次作对比。第一层是比较是否叠加多事件因子：从总体比较来看，叠 加后有较明显改进。第二层是比较两种多事件因子：均值因子的改进效果并不明显，而极值因子的年化超额均 有所提升。第三层是比较叠加方法：固定叠加下，改进组合与基准组合的表现大致相当；动态叠加下，改进组 合有显著提升。第四层是比较修正系数的观测长度：适当拉长观测长度有助于提升改进效果、提升稳定性。 总结而言，动态叠加长观测期的极值因子，相对于基准组合有全面提升：年化超额从 10.6%提升至 11.7%、 信息比率从 2.43 提升至 2.71、最大回撤率从 5.0%缩减至 4.7%、月度胜率从 74%提升至 76%。

进一步对比分年表现，可以明确改进提升的根源。固定叠加组合的表现较为激进，在因子表现强势年份有 明显提升，但在因子表现弱势的年份也有明显下滑，因此两者相抵后在整体上既无显著提升又是加大组合波动 性。动态叠加组合的表现较为柔和，虽然强势年份的提升幅度不及固定叠加，但在弱势年份也同步减少叠加权 重，有效控制了下滑程度，因此在总体上既能提升收益又能减少风险，有了全面提升。

六、总结

本篇报告围绕事件展开，从建立初始事件库，而后逐一检验事件窗口有效性和事件组合增强效果，再到聚 合多事件信息构建多事件因子，最后用于改进基准增强组合。经过这一系列流程，对于事件的特性和应用有了 全方面把握。 基于事件评估的四维体系，从初始的 17 类事件中筛选出 11 类有效事件。重新整合事件类别后，对单个事 件构建事件组合，发现各类事件的作用域不尽相同。由多事件信息聚合为多事件因子，设定为中等训练期和极 值聚合方法后，因子相对各指数有明显增强效果。最后将多事件因子融合入原有 300 增强组合，在动态叠加极 值因子后，组合绩效得到全面提升，年化超额从 10.6%提升至 11.7%、信息比率从 2.43 提升至 2.71、最大回撤 率从 5.0%缩减至 4.7%、月度胜率从 74%提升至 76%。

（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）