1、金融事件研究中的數量分析方法簡析【內容摘要】：金融事件研究法是在市場理性的前提假定下，將金融資產的實際收益分解為正常收益和非正常收益，從而把事件發生對資產所產生的影響轉化為資產的非正常收益在時間序列上的運動情況來加以研究。而在處理非正常收益上，針對不同的研究目的和約束情況，可以分別使用參數估計和非參數估計兩大類方法中的各種模型，來構建統計量以對非正常收益的變化特征做假設檢驗，進而判斷事件發生對資產收益的影響。【Abstract】：Under the hypothesis of rationality in the financial marketplace an financial event

2、 study divides the actual return of financial assets into two parts, the normal one and the abnormal one, and then turns to study the time-series changes of assets abnormal return to know the effects of the happening of an event on assets. Under different objects of studying and constraints, two mai

3、n methods, the parametric estimate and the nonparametric estimate with their own sub-models are suitable to analyze the abnormal return. The general procedure is to make kinds of statistics to test the characters of the abnormal returns changes under the null hypothesis that on impact on the abnorma

4、l return by event, so to know the impact on assets return.【關鍵詞】：事件研究法 非正常收益 參數估計 非參數估計【Keyword】：event-study abnormal return parametric estimate nonparametric estimate一、金融事件研究法簡介；1、 事件研究（event study）；事件研究是專門針對某一特定事件，研究其發生所產生的影響的方法。傳統的直接觀察法需要在一個較長的時期中進行觀察、取樣，而它只需要在一個短得多的時期中取樣，節省成本。因此，事件研究法在許多領域都有廣泛的應用

5、，尤其是在金融、財務以及法律等領域。當研究某一領域時，其有不同的實現手段。2、 金融事件研究的基本假定和實現思路；在金融分析中，事件研究法假定市場是理性的，即市場可以迅速地對某一事件的影響做出反映，而這主要反映在公司資產的價格變化里。因此，可以通過一個相對較短的時期中資產價格的變化來測算事件發生所產生的經濟影響。具體實現的基本思路是，在事件可能產生影響之前的某一時期中估計出該資產的正常收益；再在事件產生影響的時期中觀察該資產收益的實際變化；通過比較上述兩個收益，間接地測算該資產因為事件的影響而出現的非正常收益。隨后，可以構造出多種統計量，并使用假設檢驗的方法來對非正常收益進行顯著性檢驗，從而判

6、斷事件對公司的影響情況。3、 金融事件研究法的發展歷史；在金融分析領域里，事件研究方法主要經歷了以下一些重大發展。 1) James Dolly（1933）提出了最初的研究方法，他通過研究股票分拆期間名義價格的變化來驗證分拆的價格效應；2) 從三十年代初到六十年代末，研究的復雜程度提高，其代表人物為John Myers和Archie Bakay（1948），C. Austin Barker（1956，1957，1958）和John Ashley（1962），主要的進步在于提出了去除股票市場的總體價格運動趨勢和分離干擾事件的方法；3) 到了六十年代末，Ray Balland 和PhilipBro

7、wn（1968)，以及Eu-geneFama（1969)已經引入了與現在基本相同的研究方法，主要研究盈利的信息內容和剔除股利同步增加產生的后的股票分拆的影響。4) 此后的發展主要集中在對早先使用的統計假設所導致的復雜性進行修正，以進行更加具體的假設檢驗。代表是Stephen Brownand和Jerold Warn-er于1980年和1985年發表的論文。4、 金融事件研究的一般步驟；根據John. Y. Campbell的觀點，事件研究方法沒有唯一的標準分析程式，一般是按照以下七個步驟來進行分析：1) 定義事件：即確定所要研究的事件并界定事件對公司的資產價格產生影響的時期，也稱為事件窗；2)

8、 確定取樣標準：即確定如何選擇為該事件研究所需的樣本公司的標準，這一般還要考慮數據可獲得性的限制；3) 正常收益R（return）和非正常收益AR(abnormal return)的估計模型選擇：正常收益的估計模型主要有常均收益模型、市場模型以及因素模型和市場調整收益模型等；然后，再結合事件窗中的實際收益就可以計算出非正常收益，即有： 其中，、和分別為第i個公司t時日的非正常收益、實際收益和正常收益；4) 估計程序：利用事件窗之前的估計窗的數據，在一定的模型設定下就可以估算出正常收益數值，進而算出非正常收益的數值；5) 檢驗程序：即要對非正常收益進行顯著性檢驗，關鍵在于確定原假設和加總單個公司

9、非正常收益的方法；6) 經驗診斷：由于實證分析的結論要受計量經濟模型設定的影響，尤其是在有限樣本時，實證分析更易受到離群值的影響，這就需要運用經驗模型進行診斷；7) 解釋實證結果并作出結論：即尋求實證結論和經濟理論結論間的統一。二、金融事件研究法中的數量分析方法概述； 從以上分析，我們可以看出，事件研究的核心思想是將非正常收益作為事件影響的測度：以非正常收益為基礎，構造統計量并進行假設檢驗，以判斷事件窗內的非正常收益的均值和方差等特性是否發生改變，以此來判斷事件發生的影響作用。總的說來，事件研究法中的數量分析方法可以大致分為參數估計和非參數估計兩個大類。1、參數估計方法；參數估計方法的基本思想

10、是：首先，依據所選的估計正常收益的模型，在估計窗中作出實際收益對解釋變量的回歸，得到殘差，即非正常收益的估計；為了得到全面的推論，應當將非正常收益加總起來考察其總效應，而考慮到時間和公司兩個方向上都可以加總，且各個公司間是否相互獨立，應當分別構造統計量來進行檢驗。 另外，參數檢驗還提供了區分事件是影響非正常收益的均值還是其方差的原假設方法、評價所用統計量檢驗能力的力度分析方法以及分析非正常收益和事件特殊值間的截面交叉回歸模型；等等。限于篇幅，本文就不在對這些補充性的參數檢驗模型進行分析。2、非參數估計方法；非參數估計方法是在不依賴某一特定分布的基礎上來構件統計量并做假設檢驗。事件分析中，是以事

11、件發生前后的非正常收益的某一特征來設立統計量的。主要有兩類方法：符號檢驗和秩檢驗。其基本思想是：符號檢驗：在各類資產的非正常收益相互獨立的，非正常收益的期望值為正和為負的可能性都應該為0.5，因此，事件窗內為正的非正常收益的個數應該在總個數的一半左右；由此可以構件統計量來進行檢驗。秩檢驗：由于符號檢驗在非正常收益分布有偏的情況下，即使事件發生對資產價格并無影響，非正常收益為正的期望概率也不是0.5。因此而提出的秩檢驗是將各只證券在各個時期上的非正常收益以每時日來進行排秩，可以證明得出各只證券的期望秩數；由此可以構件統計量來進行檢驗。接下來，我們將遵循事件分析的程式順序，詳細地討論上述的各類分析

12、方法。三、金融事件分析的參數估計方法； 在進行估計之前，為了行文方便和簡潔，作出兩個適用于本小節的規定，它們并不影響后面的數量分析方法的正確性： 第一，正常收益的估計采用市場模型，因為可以證明該模型將收益的一部分與市場收益的變化聯系起來并加以提出，使得此時的非正常收益的方差減少了，所以模型的精度要高一些。 第二，假設檢驗中，原假設都是假定事件發生對證券的非正常收益沒有顯著的影響；這主要是出于方便判定統計量分布的慣例考慮。 第三，以下圖來表示事件研究的時間線： | 估計窗 | 事件窗 | 事后窗 | T0 T1 0 T2 T31、正常收益的估計； 市場模型為， （t=T0+1,，T1） 其中，表

13、示第i只證券在估計窗的t時日上的實際收益率，表示在t時日上的市場收益率，和為回歸參數，為回歸殘差；表示為矩陣形式即在實際收益服從多元聯合正態分布，且在時間序列上獨立同分布的假設下，應用OLS估計，可得如下的參數估計： 所以，正常收益的估計為。 （1）2、非正常收益的估計； 非正常收益的估計是將（1）式中的 和事件窗中的市場收益數據結合起來先估計出事件窗內的正常收益，再用事件窗內的實際收益數據相減而得出的，即有， 在實際收益服從上述分布的條件下，非正常收益服從聯合正態分布，而且 可見，非正常收益是無偏的；且其方差由兩部分組成，第一個部分來自未來的擾動引起的，而第二項則由中的樣本錯誤添加進去的。因

14、此，隨著L1的增加，第二個部分漸進于0，樣本錯誤逐漸減少，非正常收益也就漸進獨立，消除序列自相關。 因此，更進一步，在H0的假設下，非正常收益滿足： 服從于； 這樣，就求到了任何非正常收益的樣本分布；3、非正常收益的加總統計量估計； 當要全面地推斷某一特定事件時，可以將非正常收益的樣本值加總來構造個反映事件的累積效應的新的統計量。由于可以在時間和公司兩個維度上進行加總，而且公司間可能存在相關性，因此，應當分情況進行討論：1) 單只證券的跨時間加總統計量估計；對一個只有一只證券的樣本而言，可以得到如下的加總非正態收益統計量CAR（cumulative abnormal returns）,，其中且

15、有；同樣地，在H0的假設下，可以得到服從這樣，我們就構造了一個基于正態分布的顯著性檢驗，用以檢驗H0。此外，還可以使用標準化的加總非正態收益統計量，SCAR（standardized cumulative abnormal returns）,其服從自由度為（L1-2）的t分布，當樣本大于30，它也近似服從標準正態分布。這就是一個基于t分布的事件影響檢驗。2) 多只獨立證券的加總統計量估計；如果有多只證券即有多個事件，如果它們的事件窗沒有任何的重疊時，就可以認為它們是相互獨立的。此時可令于是有，在H0的條件下，服從于N（0，），而因為未知，則可以構造統計量， 漸進服從于標準正態分布；其中， =；

16、同樣地，我們也可以在次情況下構造一個標準化的加總非正常收益的統計量來做檢驗，即 在H0的條件下，統計量漸進地服從標準正態分布，這又為我們在存在多個互不相關的證券的情況下提供了另一個假設檢驗的途徑。3) 多只相關證券的加總統計量估計（聚類推斷）；當各只證券的事件窗產生重合時，即多個事件在時日上是相對集聚的，非正常收益將會與自身相關。前面提出的加總統計量的分布就會失效。Bernard(1987)討論了與這種聚類相關的一些問題。認為當多個集聚的事件都有同一個事件日時，可以用兩種方法來進行推斷。第一種方法是，將各只證券的非正常收益分別加總到事件日上，構成一只證券組合。由于這種方法允許各只證券的非正常收

17、益間存在相關關系，所以其構造的統計量可以套用前面所做的分析。第二種方法是，不使用加總統計量，而是對各只證券間的截面數據采用多元回歸和對事件日設置虛擬變量的方法來對原假設進行檢驗。這種方法不僅可以檢驗非正常收益為正還是為負等多個假設，還可以處理存在偏聚類時的情況。四、金融事件研究的非參數估計方法；從上述對參數估計方法的分析可以看出，其關鍵在于尋找到AR或者CAR、SCAR的分布已知或可以推斷的相關統計量，以此來做假設檢驗。這就局限并提高了參數估計的應用范圍和難度。而非參數估計則不需要對AR的總體分布等作出特殊的假設，直接從樣本數據出發進行推斷。因此，有其在事件研究中相當的應用。構造非參數統計量的

18、方法很多，例如有順序統計量、符號統計量、秩統計量和正態記分統計量等。這里介紹事件研究中常用的兩類檢驗，符號檢驗和秩檢驗。1、符號檢驗；如前所述，對某只證券而言，在其無自相關的前提假定，符號檢驗認為若事件對證券沒有明顯影響，則對事件窗中為正或為負的概率是一樣的。于是可以構造如下的假設檢驗： 其中，p=Pr(0)； 同時構造統計量，其中，是該證券的非收正常收益的總數，而是為正的非正常收益的總數。在增大時，是漸進服從標準正態分布的；則在的顯著性水平下，當時，可以拒絕原假設，即認為該證券的非正常收益為正的概率不是0，即認為事件對該證券有明顯的影響。2、秩檢驗；如前所述，當非正常收益分布有偏時，符號檢驗

19、將失效。為此，Corrado（1989）提出對非正常收益進行秩檢驗。該檢驗認為，如果事件對證券無影響則事件日上的非正常收益應為0。令表示證券i在t時日上的非正常收益的秩，如果事件對該證券沒有影響，則其在t=0的事件日的非正常收益的期望應該為0，即其秩應該為。所以，可以構造如下的假設檢驗：構造統計量為其中， 其中，漸進服從標準正態分布，在大樣本條件下可以設定顯著性水平，如果或者，則可以拒絕原假設，認為事件對該證券的收益有顯著的影響。五、 實證分析；應用上述事件研究的分析方法，我們對上市公司的數據做了一個實證分析。股票的選擇：我們選取的股票是上海證券市場的波導股份（代碼600136）。選取它的原因

20、是，該股連續幾年的年報業績相當優良，屬于標準的績優股，而且在其公布年報前后的較長時間內沒有其它的事件對其有明顯的影響。這樣會使消費者對年報形成利好的預期，而且可以明確地確定沒有其它的干擾因素，從而有利于年報公告效應發揮作用。窗寬的確定：該股2003年年報是在2004年2月21日，公布每股收益1.53元每股凈資產7.9500，業績應該相當優良。我們只選取了該股票和大盤前后各10天的數據，主要是考慮到較短的窗寬可以有效地避免其它因素的干擾，如下：時間對數收益率(%)(波導股份)對數收益率(%)(股指數)2004-02-094.571.442004-02-10-1.97-0.742004-02-11

21、0.77-0.782004-02-121.76-0.852004-02-130-0.322004-02-162.22.292004-02-1700.42004-02-183.270.772004-02-191.1102004-02-20-1.610.292004-02-23-7.18-2.382004-02-24-0.630.032004-02-25-3.46-2.112004-02-26-1.520.472004-02-270.661.222004-03-011.760.882004-03-020.55-0.152004-03-03-2.56-1.522004-03-04-0.770.442

22、004-03-052.03-0.4注意：數據中的零點是當日收盤價與前日收盤價相等所致，并非特殊數據。一、 估算非正常收益AR：利用EVIEWS軟件：我們首先做了序列的平穩性檢驗：1、對大盤時間序列數據的ADF檢驗1、 1判斷單整階數在開始檢驗前，我們做出兩點檢驗規則的選擇：第一，滯后期，選在3；因為根據Schwert的公式，要哦滯后8期，樣本數不過，而一般的做法是滯后3期；第二，顯著性水平選在5%；由于經濟數據的階數一般不會超過2，所以，我從二階開始往下做：l 二階差分的分析情況：ADF Test Statistic-3.316333 1% Critical Value*-2.7411 5%

23、Critical Value-1.9658 10% Critical Value-1.6277*MacKinnon critical values for rejection of hypothesis of a unit root.Augmented Dickey-Fuller Test EquationDependent Variable: D(DPBD,2)Method: Least SquaresDate: 07/07/04 Time: 17:19Sample(adjusted): 1906 1920Included observations: 15 after adjusting e

24、ndpointsVariableCoefficientStd. Errort-StatisticProb. D(DPBD(-1)-2.6706670.805307-3.3163330.0069D(DPBD(-1),2)1.0268020.6596991.5564720.1479D(DPBD(-2),2)0.8951900.5042691.7752220.1035D(DPBD(-3),2)0.4230660.2809381.5059060.1603R-squared0.821512 Mean dependent var-0.091333Adjusted R-squared0.772833 S.D

25、. dependent var3.089019S.E. of regression1.472289 Akaike info criterion3.834693Sum squared resid23.84400 Schwarz criterion4.023506Log likelihood-24.76019 F-statistic16.87623Durbin-Watson stat2.034523 Prob(F-statistic)0.000199l 一階差分的分析情況：ADF Test Statistic-3.243524 1% Critical Value*-2.7275 5% Critic

26、al Value-1.9642 10% Critical Value-1.6269*MacKinnon critical values for rejection of hypothesis of a unit root.Augmented Dickey-Fuller Test EquationDependent Variable: D(DPBD)Method: Least SquaresDate: 07/07/04 Time: 17:20Sample(adjusted): 1905 1920Included observations: 16 after adjusting endpoints

27、VariableCoefficientStd. Errort-StatisticProb. DPBD(-1)-1.7259170.532112-3.2435240.0070D(DPBD(-1)0.6023690.4052901.4862690.1630D(DPBD(-2)0.7494690.3525122.1260830.0549D(DPBD(-3)0.3290140.2674451.2302090.2422R-squared0.650072 Mean dependent var0.028125Adjusted R-squared0.562590 S.D. dependent var1.708

28、848S.E. of regression1.130181 Akaike info criterion3.294950Sum squared resid15.32770 Schwarz criterion3.488097Log likelihood-22.35960 F-statistic7.430927Durbin-Watson stat2.067286 Prob(F-statistic)0.004503l 沒有差分的分析情況：Dependent Variable: DPBDMethod: Least SquaresDate: 07/08/04 Time: 01:03Sample(adjus

29、ted): 1902 1920Included observations: 19 after adjusting endpointsVariableCoefficientStd. Errort-StatisticProb. DPBD(-1)0.0007680.2266000.0033890.9973R-squared-0.013829 Mean dependent var-0.129474Adjusted R-squared-0.013829 S.D. dependent var1.131152S.E. of regression1.138947 Akaike info criterion3.

30、149280Sum squared resid23.34959 Schwarz criterion3.198988Log likelihood-28.91816 Durbin-Watson stat1.878307可見，大盤時間序列數據不需要差分處理，可以直接進行單位根檢驗。1、2單位根檢驗：由于對D.G.P未知，我們首先是對含有漂移項、確定性趨勢項的完備模型設定形式進行檢驗：ADF Test Statistic-4.178811 1% Critical Value*-4.5348 5% Critical Value-3.6746 10% Critical Value-3.2762*MacKi

31、nnon critical values for rejection of hypothesis of a unit root.Augmented Dickey-Fuller Test EquationDependent Variable: D(DPBD)Method: Least SquaresDate: 07/08/04 Time: 01:12Sample(adjusted): 1902 1920Included observations: 19 after adjusting endpointsVariableCoefficientStd. Errort-StatisticProb. D

32、PBD(-1)-1.0024340.239885-4.1788110.0007C-0.1290660.574379-0.2247050.8251TREND(1901)-4.88E-050.050482-0.0009660.9992R-squared0.524113 Mean dependent var-0.096842Adjusted R-squared0.464627 S.D. dependent var1.639712S.E. of regression1.199764 Akaike info criterion3.346066Sum squared resid23.03095 Schwa

33、rz criterion3.495188Log likelihood-28.78763 F-statistic8.810707Durbin-Watson stat1.897778 Prob(F-statistic)0.002630結果是拒絕了原假設，于是，大盤的時間數列數據是平穩的。檢驗中止。2、 對個股時間序列數據的ADF檢驗；2、1判斷單整階數：具體做法如上面對大盤數據的操作，結果如下：l 二階差分的情況：ADF Test Statistic-2.514514 1% Critical Value*-2.7411 5% Critical Value-1.9658 10% Critical V

34、alue-1.6277*MacKinnon critical values for rejection of hypothesis of a unit root.Augmented Dickey-Fuller Test EquationDependent Variable: D(BD,2)Method: Least SquaresDate: 07/08/04 Time: 01:28Sample(adjusted): 1906 1920Included observations: 15 after adjusting endpointsVariableCoefficientStd. Errort

35、-StatisticProb. D(BD(-1)-2.2004590.875103-2.5145140.0288D(BD(-1),2)0.7314670.7259281.0076300.3353D(BD(-2),2)0.4752810.5369210.8851980.3950D(BD(-3),2)0.1094720.2782920.3933700.7016R-squared0.715083 Mean dependent var0.304000Adjusted R-squared0.637379 S.D. dependent var5.307200S.E. of regression3.1958

36、91 Akaike info criterion5.384787Sum squared resid112.3509 Schwarz criterion5.573600Log likelihood-36.38590 F-statistic9.202600Durbin-Watson stat1.846122 Prob(F-statistic)0.002463l 一階差分的情況：ADF Test Statistic-1.924128 1% Critical Value*-2.7275 5% Critical Value-1.9642 10% Critical Value-1.6269*MacKinn

37、on critical values for rejection of hypothesis of a unit root.Augmented Dickey-Fuller Test EquationDependent Variable: D(BD)Method: Least SquaresDate: 07/08/04 Time: 01:28Sample(adjusted): 1905 1920Included observations: 16 after adjusting endpointsVariableCoefficientStd. Errort-StatisticProb. BD(-1

38、)-0.8737850.454120-1.9241280.0784D(BD(-1)0.1272380.4054880.3137900.7591D(BD(-2)0.2029460.3638070.5578380.5872D(BD(-3)0.0253160.2604720.0971930.9242R-squared0.390520 Mean dependent var0.016875Adjusted R-squared0.238150 S.D. dependent var3.155657S.E. of regression2.754383 Akaike info criterion5.076582

39、Sum squared resid91.03953 Schwarz criterion5.269729Log likelihood-36.61266 F-statistic2.562975Durbin-Watson stat1.886587 Prob(F-statistic)0.103581可見，個股數據是一階自回歸的數據；下面就開始對該數據的一階差分數據做單位根檢驗：2、2單位根檢驗：l 首先，仍然是對完備形式的檢驗：ADF Test Statistic-2.245377 1% Critical Value*-4.5743 5% Critical Value-3.6920 10% Criti

40、cal Value-3.2856*MacKinnon critical values for rejection of hypothesis of a unit root.Augmented Dickey-Fuller Test EquationDependent Variable: D(BD)Method: Least SquaresDate: 07/08/04 Time: 01:37Sample(adjusted): 1903 1920Included observations: 18 after adjusting endpointsVariableCoefficientStd. Err

41、ort-StatisticProb. BD(-1)-0.7913260.352424-2.2453770.0414D(BD(-1)-0.0037880.252164-0.0150230.9882C0.5627911.4669980.3836340.7070TREND(1901)-0.0644460.129183-0.4988750.6256R-squared0.387916 Mean dependent var0.222222Adjusted R-squared0.256755 S.D. dependent var3.038730S.E. of regression2.619740 Akaik

42、e info criterion4.957157Sum squared resid96.08252 Schwarz criterion5.155017Log likelihood-40.61441 F-statistic2.957553Durbin-Watson stat1.857338 Prob(F-statistic)0.068753可見，由于DF值在5%水平下不顯著，且確定性時間趨勢項的t值也不顯著，則應該對去除了確定性時間趨勢項后的模型進行檢驗。l 對去除確定性趨勢項的模型的檢驗ADF Test Statistic-2.275940 1% Critical Value*-3.8572

43、5% Critical Value-3.0400 10% Critical Value-2.6608*MacKinnon critical values for rejection of hypothesis of a unit root.Augmented Dickey-Fuller Test EquationDependent Variable: D(BD)Method: Least SquaresDate: 07/08/04 Time: 01:43Sample(adjusted): 1903 1920Included observations: 18 after adjusting en

44、dpointsVariableCoefficientStd. Errort-StatisticProb. BD(-1)-0.7262710.319108-2.2759400.0379D(BD(-1)-0.0455590.231825-0.1965250.8468C-0.0987480.611499-0.1614860.8739R-squared0.377035 Mean dependent var0.222222Adjusted R-squared0.293973 S.D. dependent var3.038730S.E. of regression2.553306 Akaike info

45、criterion4.863667Sum squared resid97.79056 Schwarz criterion5.012062Log likelihood-40.77300 F-statistic4.539191Durbin-Watson stat1.852972 Prob(F-statistic)0.028740由于DF值和漂移項的t值都不顯著，因此，則我們去除了漂移項來進行單位根檢驗：ADF Test Statistic-2.350704 1% Critical Value*-2.7057 5% Critical Value-1.9614 10% Critical Value-1

46、.6257*MacKinnon critical values for rejection of hypothesis of a unit root.Augmented Dickey-Fuller Test EquationDependent Variable: D(BD)Method: Least SquaresDate: 07/08/04 Time: 01:56Sample(adjusted): 1903 1920Included observations: 18 after adjusting endpointsVariableCoefficientStd. Errort-Statist

47、icProb. BD(-1)-0.7183910.305607-2.3507040.0319D(BD(-1)-0.0463490.224609-0.2063570.8391R-squared0.375952 Mean dependent var0.222222Adjusted R-squared0.336949 S.D. dependent var3.038730S.E. of regression2.474376 Akaike info criterion4.754293Sum squared resid97.96057 Schwarz criterion4.853223Log likeli

48、hood-40.78863 F-statistic9.639035Durbin-Watson stat1.861816 Prob(F-statistic)0.006813結果為拒絕了原假設，于是，該個股的時間序列數據也為平穩數據。檢驗中止。所以可見，兩類數據都是平穩的時間序列數據，可以進行回歸分析。做了DDPBD（大盤一階差分數據）對DBD（個股一階差分數據）的OLS回歸，并做了DW檢驗、ARCH檢驗等，結果如下：Dependent Variable: DBDMethod: Least SquaresDate: 07/01/97 Time: 16:08Sample(adjusted): 190

49、2 1920Included observations: 19 after adjusting endpointsVariableCoefficientStd. Errort-StatisticProb. C0.0154480.5155300.0299640.9764DDPBD1.5399480.3224254.7761430.0002R-squared0.572988 Mean dependent var-0.133684Adjusted R-squared0.547870 S.D. dependent var3.335806S.E. of regression2.243017 Akaike

50、 info criterion4.552821Sum squared resid85.52912 Schwarz criterion4.652236Log likelihood-41.25180 F-statistic22.81154Durbin-Watson stat1.826839 Prob(F-statistic)0.000175ARCH Test:F-statistic0.868000 Probability0.484397Obs*R-squared2.852918 Probability0.414863可見回歸模型應該是通過了異方差和自相關的檢驗的，回歸方程是真實的。于是，可以認為該

51、回歸的殘差就是我們需要的非正常收益AR； 對AR顯著性的分析：現在我們就可以利用AR來進行事件對資產收益的顯著性影響了。因為是非參數估計課程，我們這里就不用CAR的方法了而直接地采用非參數的方法。 在這里，我們也做了一個改進，沒有使用前面書上介紹的符號檢驗和秩檢驗的方法。因為符號檢驗本身不能檢驗均值不為0的序列，而這里的收益率序列不能保證其均值就是為0的；而秩檢驗是將前后的所有數值視作一個樣本來檢驗事件日是否為平均的秩數，但在理論并沒有理由說明事件對資產有明顯影響就要求當天的收益率一定要明顯變動，因為上海證券市場不一定是強勢有效的； 其實，我們認為，通過分析AR來判斷事件是否對資產收益率有明顯影響，其檢驗的本質在于判斷事件前后的AR有沒有明顯差異；如果兩者間是有顯著性差異的，那我們認為事件對該股票是有明顯差異的；反之則沒有。因此，我們可以將前后兩個AR序列看作是兩個相關的樣本