使用股票日收益进行事件研究优质PPT.ppt
- 文档编号:15263667
- 上传时间:2022-10-28
- 格式:PPT
- 页数:38
- 大小:643KB
使用股票日收益进行事件研究优质PPT.ppt
《使用股票日收益进行事件研究优质PPT.ppt》由会员分享,可在线阅读,更多相关《使用股票日收益进行事件研究优质PPT.ppt(38页珍藏版)》请在冰豆网上搜索。
日数据和月数据相比在一些重要方面都有潜在的不同。
例如,股票收益的日数据和月数据相比,会偏离标准正态分布。
同时还存在非同步交易等问题。
二.使用日数据:
存在的问题n1.非正态性非正态性n日收益的分布呈高峰胖尾现象(ARCH效应),而不是正态分布。
这点与月数据不同。
使得股价方差呈相关,若不考虑这种相关性,会使得估计期市场模型的贝塔值被高估.n2.非同步交易对市场模型的参数估计的影响非同步交易对市场模型的参数估计的影响n由于多数事件研究法采用市场模型估计异常报酬,当股票当期没有交易发生或者只有极少交易发生的时候,市场模型将会产生较大偏差。
考虑到这个问题,事件研究的研究者们已经用了许多可供选择的方法进行参数估计。
本文主要是研究了OLS以及其余的一些方法。
n3.方差估计方差估计n日数据时间序列相关性存在的问题。
n特定证券超额收益横截面相关性问题。
n方差的稳定性问题。
即方差增大的问题。
三.研究设计-样本和数据的选择,模型、变量、数样本和数据的选择,模型、变量、数据来源和变量的描述性统计结果据来源和变量的描述性统计结果n1.数据与样本构造数据与样本构造n
(1)数据n研究所设定的抽样总体的资料来自于芝加哥大学股票价格研究中心,是有放回随机抽取的可用的250个日收益数据样本。
n抽取样本的时间范围是1962年6月2日1979年12月31日。
(2)样本构造n在所设定的总体中进行250次有放回的随机抽样,每次抽样包括50个证券。
最后获得250个样本,每个样本包括50个证券。
当选择每个证券时,同时就随机假定一个事件日,根据此事件日可以形成估计期和事件期,同时定义第0日为所抽取股票的事件日。
对任一证券i,估计期和事件期的长度最大是250天,估计期为-244天到-6天,-5到+5为事件日。
围绕该事件日,我们做两种长度的事件窗测试。
一种以事件日一天的长度作为事件窗;
第二种事件窗的长度则是事件日前5天至事件日后5天,共11天。
n对于每一个证券来说,在这250天中至少要有30天的日收益数据,并且最后20天的收益数据不能缺少。
2.超额收益的度量3个模型n均值调整收益模型(MeanAdjustedReturns)Ri的均值为股票i在估计期(一244,一6)内的日平均收益。
非正常收益等于观察到的收益与预期收益之间的差额。
市场调整收益模型(MarketAdjustedReturns)Rm,t为t日用CRSP市场指数计算的市场收益。
OLS市场模型这三种方法都在作者的BrownandWarner(1980,pp.207-209)中讨论过。
从以上三种非正常收益的确定方法来看,均值调整收益对特定证券的历史信息赋予了较大的权重,在该证券的变动与市场总体变动关联性不大关联性不大的情况下,用均值调整收益模型均值调整收益模型来计算非正常收益可能比较合适。
相反,如果特定证券的价格反应模型与市场组合的反应模式具有很高相关性很高相关性,市场调整收益模型市场调整收益模型可能对事件的价格反应更为敏感。
虽然采用较为折衷的市场模型在大多数情况下都能得到很好的结果,但是在运用过程中也必须充分考虑其局限性。
如收益和非正常收益的分布对统计检验的影响;
非同步交易对模型参数估计的影响;
事件日的不确定性与事件窗的长度;
事件日的聚集性的影响等。
本文过后会用Scholes-WilliamsandDimson的方法估计市场模型参数。
3.零假设下待检验统计量n零假设是指“0”事件日的超额收益均值为0.待检验的统计量为n如果At满足独立、同分布和正态的条件,那么在没有事件发生的情况下,待验统计量服从T分布。
当自由度大于200时,待验统计量就可近似看作标准正态分布。
(中心极限定理)(根据中心极限定理,如果样本量大于30,非正常收益的均值便近似的服从于标准正态分布。
)4.非正常收益的统计量检验n在这里引入超额收益水平的方法和作者在1980年月数据中的方法相似。
即引入常数,例如,为了模拟1非正常收益,0.01就被加入了。
在开始的模拟中,所有证券样本的非正常收益水平都是一样的。
n为了比较各模型的检验力,我们需要在事件日引入不同水平的非正常收益(即制造一个事件)。
引入的方法是:
对于每次抽样而言,对i证券事件日的收益定义不同水平的非正常收益,分别为0.005、0.01和0.02.四.研究结果-假设的检验结果、检验力、假设的检验结果、检验力、对结果的解释对结果的解释n1.日超额收益的分布表1给出的是收益和非正常收益样本总体的分布状况。
表中的参数是由每个样本中每家公司的估计量计算得出。
对每一家公司而言,非正常收益的计算基于估计期,最长的估计期为239个交易日,最短为20个交易日,所以统计值由12500(50250)个估计量计算。
A组(时间序列下时间序列下)中的结果中可以看出,在没有事件的影响下,日收益数据和用不同模型计算得出的非正常收益都偏离正态分布偏离正态分布。
从表1中可以看出这3种模型下发现异常收益存在能力相似。
nB组(横截面下横截面下)的结果是事件日“0”天250次抽样的平均值,计算方法是对每次抽样所包含的公司的事件日“0”天的计算值进行简单平均后作为该次抽样的代表值。
nB组当样本量为50时,平均超额收益基本上接近于标准正态分布接近于标准正态分布。
但它的偏度却大于正态分布下的值。
偏离正态性的趋势在横截面非正常收益的计算结果中有较为明显的改善,可看出符合中心极限定理的趋势。
而且,事件日平均非正常收益接近于零,并且三种模型之间无明显差。
2.待验统计量的特征描述n表2同时描述并揭示了三种模型的待验统计量的分布情况以及与标准正态分布的差距.n从表2中可以看出,各种统计量的经验分布更接近于标准正态分布。
n然而,统计量检验稍有偏斜和尖峰状态。
在所有方法中,学生化距离都超过了6.3.检验力n通过随机抽样的模拟过程,分析从各个模型得到的用于检验的统计量,可以比较事件性检验犯第一种类型错误的情况,即在原假设为真的情况下,但模型计算结果却拒绝了原假设;
同时也可进行检验犯第二种类型错误的情况,即当原假设为假的情况下,检验未能拒绝原假设。
在此过程中,检验力(Power)是进行比较的主要指标。
在相同的显著性水平下,检验越大,检验的判定力就越强。
就是说,当事件日存在非正常收益时,检验力越大的检验,越能够正确地拒绝原假设;
另一方面,针对任一公司随机选取的事件日,不同模型计算的待验统计量会表现出不同的概率来正确地接n受原假设。
=0.05单尾检验在事件日不同水平的非正常收益表3中可看出拒绝概率大约是月数据的三倍.n表3列示的是随机事件日“0”天的抽样测试结果。
当没有引入事件时,各模型错误拒绝原假设的比率在4.4到6.4之间,三种模型之间并无明显的差异。
相对来说由市场模型计算的统计量更容易拒绝原假设;
另一方面,当事件日“0”天确有非正常收益反应时,市场模型也能以较高的比率正确的拒绝原假设。
不同情况下的测试比率显示,用市场市场模型模型得出的检验统计量在不同情况下取得了良好良好的效果的效果。
4.敏感性分析n4.1小样本情形n将样本由50个缩小为5个或20个样本,研究发现小样本的检验力相对大样本来说没有显著的变化。
拟合优度也没有很大误差。
但是它们的偏度和峰度要比样本为50个证券时高。
4.2长事件期:
事件期长于一天时事件期为(-5,+5)11天。
零假设为在0事件日累计超额收益均值为0。
n表4所说明的是在任一公司所选定的11天事件期内随机选择一天作为非正常收益的反应日下各种模型的检验力度。
从中可以看出当事件期为11天时,各种模型检验的功效相似,相比事件期为1天时检验力都明显下降。
4.3聚集性n至此,本文所有结论均建立在事件日随机抽取的基础之上,然而时间的发生可能存在聚集的情况,例如某些上市公司可能在同一交易日公布盈余信息。
由于事件日相隔很近或发生重叠,事件日非正常收益之间就可能存在相关关系。
中心极限定理的前提条件之一独立性便不复存在。
那么,不同检验方法的检验力会受到不同程度的影响,表5显示了样本事件日发生重叠时各检验方法的检验力。
在表5中,一个惊人的结果是在均值调整模型下,在事件具有聚集性时,没有异常收益时,拒绝的概率为13.6.这种明显的误差在事件没有聚集性时并没有出现。
在作者过后看来,这种误差至少与时间序列下均值调整收益的自相关问题有关,而且,不仅仅与自相关有关。
五五.非同步交易:
非同步交易:
估计的几种可供估计的几种可供选择的方法选择的方法n非同步交易给利用每日股票收益进行经验研究带来了潜在的严重问题。
其中一个原因就是非同步交易的出现使得OLS下市场模型中的估计有偏差。
其证据就是股票交易相对不频繁会使偏小,同时,股票交易相对频繁会使偏大。
然而,本文呈现出的结果说明在估计市场模型系数时没有考虑非同步交易却并没有导致利用OLS市场模型进行事件研究的错误。
然而,即使使用OLS能被很好的说明,但使用它可能导致对超额收益的不精确的估计,使得检验相对降低说服力。
因此,有必要对市场模型参数估计的选择更多方法进行研究。
1.说明以及Scholes-Williams以及Dimson方法的说服力n对不同水平的异常收益来说,使用Scholes-Williams以及Dimson的方法得出的拒绝率,与使用OLS得出的结果相似。
2.通过交易频率形成的样本:
纽约交易所的证券对比美国交易所的证劵nB组中说明了当样本股票的交易频率不同于平均情况的结果。
我们没有交易频率的数据。
我们所用的替代物是交易记录。
我们有理由相信NYSE更容易比平均情况交易频繁,而AMEX不如平均情况交易频繁。
在表6的B组中,不同方法下的模拟结果都在NYSE和AMEX之间进行了比较.n对于NYSE中的股票来说,OLS下的估计值平均高于Scholes和Williams以及Dimson程序下的估计值;
正常值分别是0.96、0.94、0.91.对于AMEX下的股票来说,估计值的大小正好反过来了,正常值从OLS下市场模型的1.05到Dimson程序下的1.11.这些数字说明OLS下估计的偏差与Scholes和Williams以及Dimson所讨论的结果相似。
这些数字同样说明真正的和交易量之间的关系。
n然而,并不能证明除了OLS外别的方法可以提高检验的说服力。
没有异常收益的情况下所有方法下的拒绝率都接近于检验的显著性水平,从4.4到5.6.而且,当异常收益存在时,OLS、Scholes-Williams以及Dimson方法下的拒绝比率是相似的。
异常收益在0.01水平下的拒绝概率在NYSE样本中从64.4到65.2,在AMEX样本中从28.8到31.2.
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 使用 股票 收益 进行 事件 研究