（金融保险）金融研究的数
量分析方法简析
金融事件研究中的数量分析方法简析
【内容摘要】：金融事件研究法是在市场理性的前提假定下，将金融资产的实
际收益分解为正常收益和非正常收益，从而把事件发生对资产所产生的影响转化
为资产的非正常收益在时间序列上的运动情况来加以研究。而在处理非正常收益
上，针对不同的研究目的和约束情况，能够分别使用参数估计和非参数估计俩大
类方法中的各种模型，来构建统计量以对非正常收益的变化特征做假设检验，进
而判断事件发生对资产收益的影响。
【 Abstract】 ：
Underthehypothesisofrationalityinthefinancialmarketplaceanf
inancialeventstudydividestheactualreturnoffinancialassetsin
totwoparts,thenormaloneandtheabnormalone,andthenturnstostud
ythetime-serieschangesofassets’abnormalreturntoknowtheeffe
tudyingandconstraints,twomainmethods,theparametricestimatea
ndthenonparametricestimatewiththeirownsub-modelsaresuitable
ofstatisticstotestthecharactersoftheabnormalreturn’schange
sunderthenullhypothesisthatonimpactontheabnormalreturnbyeve
nt,sotoknowtheimpactonassets’return.
【关键词】：事件研究法非正常收益参数估计非参数估计
【Keyword】：event-studyabnormalreturn
parametricestimatenonparametricestimate
壹、金融事件研究法简介；
1、 事件研究（eventstudy）；
事件研究是专门针对某壹特定事件，研究其发生所产生的影响的方法。传统
的直接观察法需要在壹个较长的时期中进行观察、取样，而它只需要在壹个短得
多的时期中取样，节省成本。因此，事件研究法在许多领域都有广泛的应用，尤
其是在金融、财务以及法律等领域。当研究某壹领域时，其有不同的实现手段。
2、 金融事件研究的基本假定和实现思路；
在金融分析中，事件研究法假定市场是理性的，即市场能够迅速地对某壹事
件的影响做出反映，而这主要反映在 X公司资产的价格变化里。因此，能够通过
壹个相对较短的时期中资产价格的变化来测算事件发生所产生的经济影响。
具体实现的基本思路是，在事件可能产生影响之前的某壹时期中估计出该资
产的正常收益；再在事件产生影响的时期中观察该资产收益的实际变化；通过比
较上述俩个收益，间接地测算该资产因为事件的影响而出现的非正常收益。随后，
能够构造出多种统计量，且使用假设检验的方法来对非正常收益进行显著性检验，
从而判断事件对 X公司的影响情况。
3、 金融事件研究法的发展历史；
在金融分析领域里，事件研究方法主要经历了以下壹些重大发展。
1) JamesDolly（1933）提出了最初的研究方法，他通过研究股票分拆期间
名义价格的变化来验证分拆的价格效应；
2) 从三十年代初到六十年代末，研究的复杂程度提高，其代表人物为
JohnMyers和 ArchieBakay（ 1948）， （ 1956， 1957，
1958）和 JohnAshley（1962），主要的进步在于提出了去除股票市场的
总体价格运动趋势和分离干扰事件的方法；
3) 到了六十年代末，RayBalland和 PhilipBrown（1968)，以及 Eu-geneFama
（1969)已经引入了和当下基本相同的研究方法，主要研究盈利的信息内
容和剔除股利同步增加产生的后的股票分拆的影响。
4) 此后的发展主要集中在对早先使用的统计假设所导致的复杂性进行修正，
以进行更加具体的假设检验。代表是 StephenBrownand和 JeroldWarn-er
于 1980年和 1985年发表的论文。
4、 金融事件研究的壹般步骤；
根据 的观点，事件研究方法没有唯壹的标准分析程式，
壹般是按照以下七个步骤来进行分析：
1) 定义事件：即确定所要研究的事件且界定事件对 X公司的资产价格产生
影响的时期，也称为事件窗；
2) 确定取样标准：即确定如何选择为该事件研究所需的样本 X公司的标准，
这壹般仍要考虑数据可获得性的限制；
3) 正常收益 R（return）和非正常收益 AR(abnormalreturn)的估计模型选
择：正常收益的估计模型主要有常均收益模型、市场模型以及因素模型
和市场调整收益模型等；然后，再结合事件窗中的实际收益就能够计算
出非正常收益，即有：
其中，、和分别为第 i个 X公司 t时日的非正常收益、实际收益和正常收益；
4) 估计程序：利用事件窗之前的估计窗的数据，在壹定的模型设定下就能
够估算出正常收益数值，进而算出非正常收益的数值；
5) 检验程序：即要对非正常收益进行显著性检验，关键在于确定原假设和
加总单个 X公司非正常收益的方法；
6) 经验诊断：由于实证分析的结论要受计量经济模型设定的影响，尤其是
在有限样本时，实证分析更易受到离群值的影响，这就需要运用经验模
型进行诊断；
7) 解释实证结果且作出结论：即寻求实证结论和经济理论结论间的统壹。
二、金融事件研究法中的数量分析方法概述；
从之上分析，我们能够见出，事件研究的核心思想是将非正常收益作为事件影响
的测度：以非正常收益为基础，构造统计量且进行假设检验，以判断事件窗内的
非正常收益的均值和方差等特性是否发生改变，以此来判断事件发生的影响作用。
总的说来，事件研究法中的数量分析方法能够大致分为参数估计和非参数估计俩
个大类。
1、参数估计方法；
参数估计方法的基本思想是：首先，依据所选的估计正常收益的模型，在估
计窗中作出实际收益对解释变量的回归，得到残差，即非正常收益的估计；为了
得到全面的推论，应当将非正常收益加总起来考察其总效应，而考虑到时间和 X
公司俩个方向上都能够加总，且各个 X公司间是否相互独立，应当分别构造统计
量来进行检验。
另外，参数检验仍提供了区分事件是影响非正常收益的均值仍是其方差的原假设
方法、评价所用统计量检验能力的力度分析方法以及分析非正常收益和事件特殊
值间的截面交叉回归模型；等等。限于篇幅，本文就不在对这些补充性的参数检
验模型进行分析。
2、非参数估计方法；
非参数估计方法是在不依赖某壹特定分布的基础上来构件统计量且做假设
检验。事件分析中，是以事件发生前后的非正常收益的某壹特征来设立统计量的。
主要有俩类方法：符号检验和秩检验。其基本思想是：
符号检验：在各类资产的非正常收益相互独立的，非正常收益的期望值为正
和为负的可能性都应该为 ，因此，事件窗内为正的非正常收益的个数应该在
总个数的壹半左右；由此能够构件统计量来进行检验。
秩检验：由于符号检验在非正常收益分布有偏的情况下，即使事件发生对资
产价格且无影响，非正常收益为正的期望概率也不是 。因此而提出的秩检验
是将各只证券在各个时期上的非正常收益以每时日来进行排秩，能够证明得出各
只证券的期望秩数；由此能够构件统计量来进行检验。
接下来，我们将遵循事件分析的程式顺序，详细地讨论上述的各类分析方法。
三、金融事件分析的参数估计方法；
在进行估计之前，为了行文方便和简洁，作出俩个适用于本小节的规定，它们且
不影响后面的数量分析方法的正确性：
第壹，正常收益的估计采用市场模型，因为能够证明该模型将收益的壹部分和市
场收益的变化联系起来且加以提出，使得此时的非正常收益的方差减少了，所以
模型的精度要高壹些。
第二，假设检验中，原假设都是假定事件发生对证券的非正常收益没有显著的影
响；这主要是出于方便判定统计量分布的惯例考虑。
第三，以下图来表示事件研究的时间线：
|估计窗|事件窗|事后窗|
T0T10T2T3
1、正常收益的估计；
市场模型为，
（t=T0+1,……，T1）
其中，表示第 i只证券在估计窗的 t时日上的实际收益率，表示在 t时日上的市场收益率，
和为回归参数，为回归残差；
表示为矩阵形式即
在实际收益服从多元联合正态分布，且在时间序列上独立同分布的假设下，
应用 OLS估计，可得如下的参数估计：
所以，正常收益的估计为。（1）
2、非正常收益的估计；
非正常收益的估计是将（1）式中的和事件窗中的市场收益数据结合起来先估计
出事件窗内的正常收益，再用事件窗内的实际收益数据相减而得出的，即有，
在实际收益服从上述分布的条件下，非正常收益服从联合正态分布，而且
可见，非正常收益是无偏的；且其方差由俩部分组成，第壹个部分来自未来的扰
动引起的，而第二项则由中的样本错误添加进去的。因此，随着 L1的增加，第
二个部分渐进于 0，样本错误逐渐减少，非正常收益也就渐进独立，消除序列自
相关。
因此，更进壹步，在 H0的假设下，非正常收益满足：
服从于；
这样，就求到了任何非正常收益的样本分布；
3、非正常收益的加总统计量估计；
当要全面地推断某壹特定事件时，能够将非正常收益的样本值加总来构造个反映
事件的累积效应的新的统计量。由于能够在时间和 X公司俩个维度上进行加总，
而且 X公司间可能存在相关性，因此，应当分情况进行讨论：
1) 单只证券的跨时间加总统计量估计；
对壹个只有壹只证券的样本而言，能够得到如下的加总非正态收益统计量
CAR（cumulativeabnormalreturns）,
，其中
且有；
同样地，在 H0的假设下，能够得到
服从
这样，我们就构造了壹个基于正态分布的显著性检验，用以检验 H0。此外，
仍 能 够 使 用 标 准 化 的 加 总 非 正 态 收 益 统 计 量 ， SCAR
（standardizedcumulativeabnormalreturns）,
其服从自由度为（L1-2）的 t分布，当样本大于 30，它也近似服从标准正态
分布。这就是壹个基于 t分布的事件影响检验。
2) 多只独立证券的加总统计量估计；
如果有多只证券即有多个事件，如果它们的事件窗没有任何的重叠时，就能
够认为它们是相互独立的。此时可令
于是有，
在 H0的条件下，服从于 N（0，），而因为未知，则能够构造统计量，
渐进服从于标准正态分布；
其中，=；
同样地，我们也能够在次情况下构造壹个标准化的加总非正常收益的统计量
来做检验，即
在 H0的条件下，统计量
渐进地服从标准正态分布，这又为我们在存在多个互不相关的证券的情
况下提供了另壹个假设检验的途径。
3) 多只相关证券的加总统计量估计（聚类推断）；
当各只证券的事件窗产生重合时，即多个事件在时日上是相对集聚的，
非正常收益将会和自身相关。前面提出的加总统计量的分布就会失效。
Bernard(1987)讨论了和这种聚类相关的壹些问题。认为当多个集聚的事件
都有同壹个事件日时，能够用俩种方法来进行推断。
第壹种方法是，将各只证券的非正常收益分别加总到事件日上，构成壹
只证券组合。由于这种方法允许各只证券的非正常收益间存在相关关系，所
以其构造的统计量能够套用前面所做的分析。
第二种方法是，不使用加总统计量，而是对各只证券间的截面数据采用
多元回归和对事件日设置虚拟变量的方法来对原假设进行检验。这种方法不
仅能够检验非正常收益为正仍是为负等多个假设，仍能够处理存在偏聚类时
的情况。
四、金融事件研究的非参数估计方法；
从上述对参数估计方法的分析能够见出，其关键在于寻找到 AR或者 CAR、SCAR
的分布已知或能够推断的相关统计量，以此来做假设检验。这就局限且提高了参
数估计的应用范围和难度。而非参数估计则不需要对 AR的总体分布等作出特殊
的假设，直接从样本数据出发进行推断。因此，有其在事件研究中相当的应用。
构造非参数统计量的方法很多，例如有顺序统计量、符号统计量、秩统计量
和正态记分统计量等。这里介绍事件研究中常用的俩类检验，符号检验和秩检验。
1、符号检验；
如前所述，对某只证券而言，在其无自相关的前提假定，符号检验认为若事
件对证券没有明显影响，则对事件窗中为正或为负的概率是壹样的。于是能够构
造如下的假设检验：
其中，p=Pr(0)；
同时构造统计量，
其中，是该证券的非收正常收益的总数，而是为正的非正常收益的总数。在
增大时，是渐进服从标准正态分布的；
则在的显著性水平下，当时，能够拒绝原假设，即认为该证券的非正常收益
为正的概率不是 0，即认为事件对该证券有明显的影响。
2、秩检验；
如前所述，当非正常收益分布有偏时，符号检验将失效。为此，Corrado（1989）
提出对非正常收益进行秩检验。该检验认为，如果事件对证券无影响则事件日上
的非正常收益应为 0。令表示证券 i在 t时日上的非正常收益的秩，如果事件对
该证券没有影响，则其在 t=0的事件日的非正常收益的期望应该为 0，即其秩应
该为。所以，能够构造如下的假设检验：
构造统计量为
其中，
其中，渐进服从标准正态分布，在大样本条件下能够设定显著性水平，如果或者，
则能够拒绝原假设，认为事件对该证券的收益有显著的影响。
五、 实证分析；
应用上述事件研究的分析方法，我们对上市 X公司的数据做了壹个实证分析。
股票的选择：我们选取的股票是上海证券市场的波导股份（代码 600136）。
选取它的原因是，该股连续几年的年报业绩相当优良，属于标准的绩优股，而且
在其公布年报前后的较长时间内没有其它的事件对其有明显的影响。这样会使消
费者对年报形成利好的预期，而且能够明确地确定没有其它的干扰因素，从而有
利于年报公告效应发挥作用。
窗宽的确定：该股 2003年年报是在 2004年 2月 21日，公布每股收益
元每股净资产 ，业绩应该相当优良。我们只选取了该股票和大盘前后各 10
天的数据，主要是考虑到较短的窗宽能够有效地避免其它因素的干扰，如下：
时间 对数收益率(%)(波导股份) 对数收益率(%)(Ａ股指数)
2004-02-09
2004-02-10
2004-02-11
2004-02-12
2004-02-13 0
2004-02-16
2004-02-17 0
2004-02-18
2004-02-19 0
2004-02-20
2004-02-23
2004-02-24
2004-02-25
2004-02-26
2004-02-27
2004-03-01
2004-03-02
2004-03-03
2004-03-04
2004-03-05
注意：数据中的零点是当日收盘价和前日收盘价相等所致，且非特殊数据。
一、估算非正常收益 AR：利用 EVIEWS软件：
我们首先做了序列的平稳性检验：
1、对大盘时间序列数据的 ADF检验
1、1判断单整阶数
在开始检验前，我们做出俩点检验规则的选择：第壹，滞后期，选在 3；因为
根据 Schwert的公式，要哦滞后 8期，样本数不过，而壹般的做法是滞后 3
期；第二，显著性水平选在 5%；
由于经济数据的阶数壹般不会超过 2，所以，我从二阶开始往下做：
二阶差分的分析情况：
ADFTestStatistic 1%CriticalValue*
5%CriticalValue
10%CriticalValue
*MacKinnoncriticalvaluesforrejectionofhypothesisofaunitroot.
AugmentedDickey-FullerTestEquation
DependentVariable:D(DPBD,2)
Method:LeastSquares
Date:07/07/04Time:17:19
Sample(adjusted):19061920
Includedobservations:15afteradjustingendpoints
Variable Coefficien
t
t-Statistic Prob.
D(DPBD(-1))
D(DPBD(-1),2)
D(DPBD(-2),2)
D(DPBD(-3),2)
R-squared Meandependentvar
AdjustedR-squared
Akaikeinfocriterion
Sumsquaredresid Schwarzcriterion
Loglikelihood F-statistic
Durbin-Watsonstat Prob(F-statistic)
壹阶差分的分析情况：
ADFTestStatistic 1%CriticalValue*
5%CriticalValue
10%CriticalValue
*MacKinnoncriticalvaluesforrejectionofhypothesisofaunitroot.
AugmentedDickey-FullerTestEquation
DependentVariable:D(DPBD)
Method:LeastSquares
Date:07/07/04Time:17:20
Sample(adjusted):19051920
Includedobservations:16afteradjustingendpoints
Variable Coefficien
t
t-Statistic Prob.
DPBD(-1)
D(DPBD(-1))
D(DPBD(-2))
D(DPBD(-3))
R-squared Meandependentvar
AdjustedR-squared
Akaikeinfocriterion
Sumsquaredresid Schwarzcriterion
Loglikelihood F-statistic
Durbin-Watsonstat Prob(F-statistic)
没有差分的分析情况：
DependentVariable:DPBD
Method:LeastSquares
Date:07/08/04Time:01:03
Sample(adjusted):19021920
Includedobservations:19afteradjustingendpoints
Variable Coefficien t-Statistic Prob.
t
DPBD(-1)
R-squared Meandependentvar
AdjustedR-squared
Akaikeinfocriterion
Sumsquaredresid Schwarzcriterion
Loglikelihood Durbin-Watsonstat
可见，大盘时间序列数据不需要差分处理，能够直接进行单位根检验。
1、2单位根检验：
由于对 ..P未知，我们首先是对含有漂移项、确定性趋势项的完备模型设定
形式进行检验：
ADFTestStatistic 1%CriticalValue*
5%CriticalValue
10%CriticalValue
*MacKinnoncriticalvaluesforrejectionofhypothesisofaunitroot.
AugmentedDickey-FullerTestEquation
DependentVariable:D(DPBD)
Method:LeastSquares
Date:07/08/04Time:01:12
Sample(adjusted):19021920
Includedobservations:19afteradjustingendpoints
Variable Coefficien
t
t-Statistic Prob.
DPBD(-1)
C
@TREND(1901) -05
R-squared Meandependentvar
AdjustedR-squared
Akaikeinfocriterion
Sumsquaredresid Schwarzcriterion
Loglikelihood F-statistic
Durbin-Watsonstat Prob(F-statistic)
结果是拒绝了原假设，于是，大盘的时间数列数据是平稳的。检验中止。
2、对个股时间序列数据的 ADF检验；
2、1判断单整阶数：
具体做法如上面对大盘数据的操作，结果如下：
二阶差分的情况：
ADFTestStatistic 1%CriticalValue*
5%CriticalValue
10%CriticalValue
*MacKinnoncriticalvaluesforrejectionofhypothesisofaunitroot.
AugmentedDickey-FullerTestEquation
DependentVariable:D(BD,2)
Method:LeastSquares
Date:07/08/04Time:01:28
Sample(adjusted):19061920
Includedobservations:15afteradjustingendpoints
Variable Coefficien
t
t-Statistic Prob.
D(BD(-1))
D(BD(-1),2)
D(BD(-2),2)
D(BD(-3),2)
R-squared Meandependentvar
AdjustedR-squared
Akaikeinfocriterion
Sumsquaredresid Schwarzcriterion
Loglikelihood F-statistic
Durbin-Watsonstat Prob(F-statistic)
壹阶差分的情况：
ADFTestStatistic 1%CriticalValue*
5%CriticalValue
10%CriticalValue
*MacKinnoncriticalvaluesforrejectionofhypothesisofaunitroot.
AugmentedDickey-FullerTestEquation
DependentVariable:D(BD)
Method:LeastSquares
Date:07/08/04Time:01:28
Sample(adjusted):19051920
Includedobservations:16afteradjustingendpoints
Variable Coefficien
t
t-Statistic Prob.
BD(-1)
D(BD(-1))
D(BD(-2))
D(BD(-3))
R-squared Meandependentvar
AdjustedR-squared
Akaikeinfocriterion
Sumsquaredresid Schwarzcriterion
Loglikelihood F-statistic
Durbin-Watsonstat Prob(F-statistic)
可见，个股数据是壹阶自回归的数据；下面就开始对该数据的壹阶差分数据做单
位根检验：
2、2单位根检验：
首先，仍然是对完备形式的检验：
ADFTestStatistic 1%CriticalValue*
5%CriticalValue
10%CriticalValue
*MacKinnoncriticalvaluesforrejectionofhypothesisofaunitroot.
AugmentedDickey-FullerTestEquation
DependentVariable:D(BD)
Method:LeastSquares
Date:07/08/04Time:01:37
Sample(adjusted):19031920
Includedobservations:18afteradjustingendpoints
Variable Coefficien
t
t-Statistic Prob.
BD(-1)
D(BD(-1))
C
@TREND(1901)
R-squared Meandependentvar
AdjustedR-squared
Akaikeinfocriterion
Sumsquaredresid Schwarzcriterion
Loglikelihood F-statistic
Durbin-Watsonstat Prob(F-statistic)
可见，由于 DF值在 5%水平下不显著，且确定性时间趋势项的 t值也不显著，则
应该对去除了确定性时间趋势项后的模型进行检验。
对去除确定性趋势项的模型的检验
ADFTestStatistic 1%CriticalValue*
5%CriticalValue
10%CriticalValue
*MacKinnoncriticalvaluesforrejectionofhypothesisofaunitroot.
AugmentedDickey-FullerTestEquation
DependentVariable:D(BD)
Method:LeastSquares
Date:07/08/04Time:01:43
Sample(adjusted):19031920
Includedobservations:18afteradjustingendpoints
Variable Coefficien
t
t-Statistic Prob.
BD(-1)
D(BD(-1))
C
R-squared Meandependentvar
AdjustedR-squared
Akaikeinfocriterion
Sumsquaredresid Schwarzcriterion
Loglikelihood F-statistic
Durbin-Watsonstat Prob(F-statistic)
由于 DF值和漂移项的 t值都不显著，因此，，则我们去除了漂移项来进行单位根
检验：
ADFTestStatistic 1%CriticalValue*
5%CriticalValue
10%CriticalValue
*MacKinnoncriticalvaluesforrejectionofhypothesisofaunitroot.
AugmentedDickey-FullerTestEquation
DependentVariable:D(BD)
Method:LeastSquares
Date:07/08/04Time:01:56
Sample(adjusted):19031920
Includedobservations:18afteradjustingendpoints
Variable Coefficien
t
t-Statistic Prob.
BD(-1)
D(BD(-1))
R-squared Meandependentvar
AdjustedR-squared
Akaikeinfocriterion
Sumsquaredresid Schwarzcriterion
Loglikelihood F-statistic
Durbin-Watsonstat Prob(F-statistic)
结果为拒绝了原假设，于是，该个股的时间序列数据也为平稳数据。检验中止。
所以可见，俩类数据都是平稳的时间序列数据，能够进行回归分析。做了 DDPBD（大盘壹
阶差分数据）对 DBD（个股壹阶差分数据）的 OLS回归，且做了 DW检验、ARCH
检验等，结果如下：
DependentVariable:DBD
Method:LeastSquares
Date:07/01/97Time:16:08
Sample(adjusted):19021920
Includedobservations:19afteradjustingendpoints
Variable Coefficien
t
t-Statistic Prob.
C
DDPBD
R-squared Meandependentvar
AdjustedR-squared
Akaikeinfocriterion
Sumsquaredresid Schwarzcriterion
Loglikelihood F-statistic
Durbin-Watsonstat Prob(F-statistic)
ARCHTest:
F-statistic Probability
Obs*R-squared Probability
可见回归模型应该是通过了异方差和自相关的检验的，回归方程是真实的。
于是，能够认为该回归的残差就是我们需要的非正常收益 AR；
对 AR显著性的分析：当下我们就能够利用 AR来进行事件对资产收益的显著性影
响了。因为是非参数估计课程，我们这里就不用 CAR的方法了而直接地采用非参
数的方法。
在这里，我们也做了壹个改进，没有使用前面书上介绍的符号检验和秩检验的方
法。因为符号检验本身不能检验均值不为 0的序列，而这里的收益率序列不能保
证其均值就是为 0的；而秩检验是将前后的所有数值视作壹个样本来检验事件日
是否为平均的秩数，但在理论且没有理由说明事件对资产有明显影响就要求当天
的收益率壹定要明显变动，因为上海证券市场不壹定是强势有效的；
其实，我们认为，通过分析 AR来判断事件是否对资产收益率有明显影响，其检
验的本质在于判断事件前后的 AR有没有明显差异；如果俩者间是有显著性差异
的，那我们认为事件对该股票是有明显差异的；反之则没有。
因此，我们能够将前后俩个 AR序列见作是俩个相关的样本，检验其是来自
于壹个总体仍是不同的总体。如果事件没有明显影响，那么前后俩个样本的分布
应该是比较接近的，那么被判为来自同壹个总体的可能性就应该较大；反之则应
该被判为来自不同的总体。
在对 AR的壹定假定下，要实现这个检验应该有很多方法，例如游程检验（若
假定 AR是随机分布）、判别分析等，在非参数分析的方法中，我们认为能够用
WilcoxonSignedRanksTest来作分析。利用 Spss软件，结果如下：
TestStatistics
VAR00004-VAR00001
Z
.(2-tailed) .515
aBasedonnegativeranks.
bWilcoxonSignedRanksTest
结果表明，年报公布前后俩周交易日内，该股票的 AR且没有显著性的差异；这
和我们事先的想法且不壹样。在查阅了壹些其它壹些相关文章和资料，我们认为
这应该是由于年报消息的提前泄露，从而导致了利好消息提前被市场吸收和消化，
使得在公布日当天，资产的收益率反而没有明显的相应变动了，甚至其它壹些股
票仍会出现相反的变动。
为了印证我们的想法，我们设计了这么壹个检验：壹般认为，年报信息会提前壹
个到俩个月泄露到市场中去，那么该股票在公布日前的壹、俩个月的收益率和公
布日报表出来后收益率的即时表现就应该有明显的差异。而刚好波导股份这只股
票在公布前壹、俩个月内且没有什么其它的特别利好或者不利的消息出来，刚好
能够用来做这个实验。
于是，我们用了波导股份在 2003年 12月 19日到 2004年 1月 30日这 5周
内每周的周对数收益率和 2004年 2月 21日后的 5个交易日的日收益率来做对比。
前面之所以用周收益率，壹是因为提前知道年报信息的人会在前面壹段较长的时
间内吸取筹码所以需要用壹个较长时间段，而后面为了避免其它干扰因素和考虑
到年报效应的即时性又只能用较短的日收益率，所以为了前后匹配，就只能采用
这种方法来将前面壹段较长的时间压缩；二是周收益率能反映出壹段较长时间内
的大概趋势，比较适合评价长期内的收益率变化。
用 Spss软件再做了个 WilcoxonSignedRankTest，结果如下：
TestStatistics
VAR00007-VAR00006
Z
.(2-tailed) .043
aBasedonpositiveranks.
bWilcoxonSignedRanksTest
结果表明，这俩个样本间是存在显著差异的；这就印证了我们的猜想，即证券市
场上的确是存在着年报信息的提前泄露的可能，从而导致了年报效应的提前释放，
反而到了公布日利好消息对股价失去了刺激能力了；甚至因为前面信息提前披露，
市场过度反应，股价过高而导致矛盾的结果。
六、本文的壹个小结；
首先，本文存在着壹些不足之处：第壹，学生对数据分析技术的掌握仍是不够牢
靠，尤其是回归建模中对时间序列的平稳性检验、修正等；第二，由于知识有限
和时间紧迫的关系，只做了单只股票的分析，很难避免结果的偶然性。
其次，学生认为本文中也有壹点创新的地方：第壹，就是对非正常收益的前后差
异的检验上，借用了判断俩相关样本的总体异同性的思想，应该比简单的 CAR（累
加法）和符号检验的可靠性要好壹些吧；第二，设计了壹个比较前几周的周收益
率和公布后日收益率的检验来观测年报信息提前泄露的影响。
参考书目：
1. :《TheEconometricsofFinancialMarkets》
PrincetonUniversityPress,1997
2. LINSHAO-KUNG：
《TheImpactofDomesticListingontheHShares:AnEventStudyApproach》
《ChineseJournalofAppliedProbabilityandStatistics》,1997
3. 喻国平：《事件研究：经济和金融研究的重要方法》
《经济和金融》第 239期
4．段瑞强：《金融市场的事件研究方法》
《统计和决策》地 170期
