1、 请务必阅读正文之后的信息披露和法律声明 金融工程金融工程研究研究 证券证券研究研究报告报告 金融工程专题报告金融工程专题报告 2018 年年 09 月月 25 日日 相关研究相关研究 Table_ReportInfo 量化宏观策略分析（一）中国企业的税收负担及其对上市公司投资价值的影响2018.09.16 量化研究新思维（十二）基于横截面和时间序列指标的因子择时2018.09.16 FICC 系列研究之十一揭开“逆周期因子”的神秘面纱2018.09.12 Table_AuthorInfo 分析师:冯佳睿 Tel:(021)23219732 Email: 证书:S0850512080006 分
2、析师:沈泽承 Tel:(021)23212067 Email: 证书:S0850516050001 事件驱动策略因子化的适用条事件驱动策略因子化的适用条件件 Table_Summary 投资要点：投资要点：事件驱动策略的因子化。事件驱动策略的因子化。研究发现，分析师推荐、机构调研、限售股解禁等事件具有常见选股因子不能解释的超额收益。在多因子模型中引入事件因子，能够显著提升收益预测模型的精度与多因子组合的表现。事件驱动策略因子化的条件事件驱动策略因子化的条件。在现有的事件驱动策略因子化框架下，具有不能被常见选股因子解释的超额收益，超额收益对时间不敏感，发生股票数量较多、在时间序列上分布均匀的事件
3、，在因子化的过程中，具有更好的效果。条件条件 1：超额收益。：超额收益。事件驱动策略的评估往往以宽基指数为基准。超额收益既可能源于事件，也可能源于风格或其他因子。在多因子框架下，风格或其它因素的影响已经考虑在内，因此需要不能被解释的事件收益提供额外的信息。条件条件 2：对时间的敏感性对时间的敏感性。在事件驱动策略因子化的过程中，我们淡化了事件发生的时点。如果超额收益在事件发生后短时间内发酵，时间上滞后的事件因子的选股效力将会大打折扣。条件条件 3：股票数量与分布。：股票数量与分布。若发生事件股票数量较少，在引入事件因子后，大部分股票的预期收益不会受到影响，对收益预测模型与因子组合的改进效果有限
4、；若发生事件股票数量在时间分布上极不均匀，会造成参数估计与因子溢价预测的较大误差。风险提示：历史统计规律失效。风险提示：历史统计规律失效。金融工程研究 金融工程专题报告2 请务必阅读正文之后的信息披露和法律声明 目目 录录 1.事件驱动策略的因子化.5 1.1 多因子与事件驱动的比较.5 1.2 事件驱动与多因子的结合.5 1.3 引入事件因子后的多因子组合表现.6 2.事件驱动策略因子化的适用条件.7 2.1 超额收益.7 2.2 超额收益对时间的敏感性.8 2.3 发生事件股票数量与时间分布.9 2.4 本章小结.10 3.总结.11 金融工程研究 金融工程专题报告3 请务必阅读正文之后的
5、信息披露和法律声明 图目录图目录 图 1 分析师推荐事件月溢价时间序列（2010.2-2018.8）.6 图 2 分析师推荐事件月溢价累计序列（2010.2-2018.8）.6 图 3 基金增持组合相对中证 500 净值（2011.12-2014.8）.7 图 4 基金增持组合相对中证 500 净值（2014.8-2018.8）.7 图 5 业绩预增事件股票各月份发生数量（2010.10-2018.6）.10 金融工程研究 金融工程专题报告4 请务必阅读正文之后的信息披露和法律声明 表目录表目录 表 1 多因子模型与事件驱动策略组合构建对比.5 表 2 引入事件类因子前后收益预测模型变化（20
6、12.2-2018.8）.6 表 3 引入事件类因子前后最大化预期收益组合对比（2012.1-2018.8）.6 表 4 引入事件类因子前后沪深 300 指数增强策略对比（2012.1-2018.8）.7 表 5 基金增持组合 FF3 回归分析（2011.12-2014.8）.8 表 6 基金增持组合/增持比例截面溢价（2011.12-2018.8）.8 表 7 业绩预增事件股票风险调整后超额收益（1-12 周，2009Q4-2018Q2）.8 表 8 员工持股计划事件策略股票超额收益（2014.7-2018.7）.9 表 9 业绩预增事件因子截面溢价（2010.1-2018.6）.10 金融
7、工程研究 金融工程专题报告5 请务必阅读正文之后的信息披露和法律声明 近期的研究中，我们先后研究了分析师推荐、机构调研、限售股解禁等事件在多因子模型中的应用。实证结果显示，发生事件股票具有不能被常见选股因子所解释的超额收益。将上述事件引入多因子模型，能够显著提升收益预测模型的精度与多因子组合的表现。在事件策略因子化的过程中，我们也发现，并非所有类型的事件都适合引入到多因子模型之中。1）具有“真正的”超额收益，2）超额收益对建仓时点不敏感，3）股票数量较多，时间分布均匀的事件驱动策略，在引入多因子模型的过程中具有更好的效果。1.事件驱动策略的因子化事件驱动策略的因子化 1.1 多因子与事件驱动的
8、比较多因子与事件驱动的比较 常见因子选股框架下，因子大致分为广义上的风格（市值、估值、行业、板块等）、行为（低频、高频的价量指标，市场微观结构数据等）、基本面（财务数据、分析师一致预期数据）3 个维度。而事件驱动策略，在组合构建时，与换仓周期较为固定的多因子模型存在诸多差异。例如，指数样本股调整等事件，在每年固定月份构建组合，其余时间并不发生；业绩预告相关等事件则会根据上市公司公告不定期发生；业绩超预期等具备额外筛选条件的事件，会出现股票数量较少，组合低仓位或空仓的情形。因此，在实际投资中，许多投资者会倾向于将多因子组合与事件驱动策略分割独立运行。表表 1 多因子模型与事件驱动策略组合构建对比
9、多因子模型与事件驱动策略组合构建对比 策略类型策略类型 组合构建特点组合构建特点 多因子模型多因子模型 固定换仓周期、组合仓位固定。类型类型 1：指数样本股调整、高送转：指数样本股调整、高送转 每年特点时点发生，并构建组合。事件驱动策略事件驱动策略 类型类型 2：业绩预告、分析师推荐：业绩预告、分析师推荐 事件不定期发生，组合构建时间不确定。类型类型 3：业绩超预期：业绩超预期 可能会出现股票较少，组合低仓位或空仓的情形。资料来源：海通证券研究所 1.2 事件驱动与多事件驱动与多因子的结合因子的结合 在近期的研究中，我们发现，在考虑了常见选股因子的影响后，发生事件公司仍然具有不能被解释的超额收
10、益。以分析师推荐事件为例，定义上月被赋予买入评级的股票因子值为 1。如图 1、图 2 所示，通过截面回归模型发现，在 69%的月份分析师推荐事件虚拟变量前的回归系数大于零，月均溢价为 0.50%，信息比为 1.75，在时间序列上显著大于零。除了分析师推荐事件外，相关专题研究中还发现，诸如机构调研、限售股解禁等事件都具有不能被常见选股因子所解释的超额收益。在已有的多因子模型基础上，引入事件因子，可以丰富既有的因子维度，进一步提升收益预测模型的精度。金融工程研究 金融工程专题报告6 请务必阅读正文之后的信息披露和法律声明 图图1 分析师推荐事件分析师推荐事件月溢价时间序列（月溢价时间序列（2010
11、.2-2018.8）-3.0%-2.0%-1.0%0.0%1.0%2.0%3.0%4.0%201002201007201012201105201110201203201208201301201306201311201404201409201502201507201512201605201610201703201708201801201806截面溢价 资料来源：Wind，海通证券研究所 图图2 分析师推荐事件分析师推荐事件月溢价累计序列（月溢价累计序列（2010.2-2018.8）0.8 0.9 1.0 1.1 1.2 1.3 1.4 1.5 1.6 2010012010062010112011
12、04201109201202201207201212201305201310201403201408201501201506201511201604201609201702201707201712201805累计溢价 资料来源：Wind，海通证券研究所 如表 2 所示，在引入事件因子后，股票预期收益率与实际收益率之间的 RankIC、IC月胜率、月均值、信息比上升，月标准差下降。因此，在考虑事件因素的影响后，收益预测模型的精度与稳定性都获得了提升。表表 2 引入事件类因子前后收益预测模型变化引入事件类因子前后收益预测模型变化（2012.2-2018.8）收益预测模型收益预测模型 月胜率月胜率
13、月均值月均值 月标准差月标准差 信息比信息比 引入前引入前 RankIC 0.92 0.1666 0.1089 5.30 IC 0.95 0.1357 0.1011 4.65 引入后引入后 RankIC 0.96 0.1689 0.1066 5.49 IC 0.95 0.1379 0.0991 4.82 资料来源：Wind，海通证券研究所 1.3 引入事件因子后的多因子组合表现引入事件因子后的多因子组合表现 除了收益预测模型的变化，也可以直接比较事件因子引入前后，多因子组合的表现差异。一方面，引入事件类因子能够提升最大化预期收益组合（预期收益率最高的 100只股票构成的等权组合）的业绩。如表
14、3 所示，引入了事件类因子后的最大化预期收益组合，年化收益率由 46.7%上升至 47.7%，年化波动率维持在 31.2%，因此组合信息比由 1.50 上升至 1.53。考察风险调整后的超额收益，引入事件类因子前，最大化预期收益组合的 FF3 调整后 alpha 日均值为 8.4bps，标准误为 1.3bps，对应 T-统计量为 6.32；引入事件类因子后，组合 FF3 调整后 alpha 日均值上升至 8.9bps，回归标准误差保持不变，对应 T-统计量上升至 6.97。表表 3 引入事件类因子前后最大化预期收益组合对比引入事件类因子前后最大化预期收益组合对比（2012.1-2018.8）收
15、益预测收益预测 模型模型 组合收益率组合收益率 FF3 调整后日收益（调整后日收益（bps）年化收益率年化收益率 年化波动率年化波动率 信息比信息比 Alpha 标准误差标准误差 T-统计量统计量 引入前 46.7%31.2%1.50 8.4 1.3 6.32 引入后 47.7%31.2%1.53 8.9 1.3 6.97 资料来源：Wind，海通证券研究所 另一方面，比较引入事件类因子后，沪深 300 与中证 500 指数增强组合的收益变化。引入前，沪深300增强组合的年化超额收益为10.06%、信息比与收益回撤比分别为2.58、2.59；引入事件因子后，年化超额收益上升至 12.08%、信
16、息比与收益回撤比分别上升至 3.29、3.69。引入事件类因子后，中证 500 增强组合的年化收益与信息比分别由20.13%、3.47 上升至 22.07、3.81。由于最大回撤由引入前的 5.23%上升至引入后的6.36%，组合收益回撤比由 3.85 下降至 3.47。金融工程研究 金融工程专题报告7 请务必阅读正文之后的信息披露和法律声明 表表 4 引入事件类因子前后沪深引入事件类因子前后沪深 300 指数增强策略对比指数增强策略对比（2012.1-2018.8）业绩基准业绩基准 收益预测模型收益预测模型 年化超额收益年化超额收益 跟踪跟踪误差误差 信息比信息比 最大回撤最大回撤 收益回撤
17、比收益回撤比 沪深 300 引入前 10.06%3.90%2.58 3.88%2.59 引入后 12.08%3.68%3.29 3.28%3.69 中证 500 引入前 20.13%5.81%3.47 5.23%3.85 引入后 22.07%5.80%3.81 6.36%3.47 资料来源：Wind，海通证券研究所 综上所述，从回测结果来看，在多因子模型中引入事件类型因子，可以进一步提升主动管理组合与指数增强组合的业绩。2.事件驱动策略因子事件驱动策略因子化的适用条件化的适用条件 在过往的研究中，我们积累了很多事件驱动策略。不过，在尝试进行事件驱动策略因子化的时候，我们发现，并非所有类型的事件
18、策略都能对多因子组合起到明显的贡献。结合近期的研究经验，我们总结了适合因子化的事件驱动策略可能符合的几类共性。2.1 超额收益超额收益“超额收益”是事件驱动策略能否因子化的必要条件。在事件策略中，宽基指数是最为常见的业绩基准。但是，事件策略相对宽基指数的超额收益，源于事件、风格、其他选股的共同作用。在多因子模型中，我们已经考虑了其他选股因子对股票收益的影响。因此，事件信息需要具备“不能被常见选股因子解释的额外收益”，才能提供额外的收益预测信息。以曾经构建的“基金增持”策略为例（或者说基金持股比例变化因子）：根据基金季报计算“基金持股/A 股流通股本之比”，并选择比例上升最多的 100 只股票，
19、构建等权组合。如图 3、图 4 所示，2011.12-2014.8 期间，该组合相对中证 500 指数净值稳健上升。组合年化收益为 31.20%，高出同期中证 500 指数 19.12%，信息比为 1.68。图图3 基金增持组合相对中证基金增持组合相对中证 500 净值净值（2011.12-2014.8）0.8 1.0 1.2 1.4 1.6 1.8 201112302012022020120330201205172012062820120808201209182012110520121214201301292013031820130503201306182013072920130906201
20、3102820131206201401172014030620140417201405302014071120140821基金增持/中证500 资料来源：Wind，海通证券研究所 图图4 基金增持组基金增持组合相对中证合相对中证 500 净值净值（2014.8-2018.8）1.0 1.2 1.4 1.6 1.8 2.0 2.2 2.4 2014082920141106201501082015031720150519201507202015092120151126201601272016040520160606201608082016101720161215201702222017042620
21、170629201708292017110320180104201803132018051720180718基金增持/中证500 资料来源：Wind，海通证券研究所 但是，如果对组合净值进行 FF3 归因的话，我们发现，组合风险调整后的日均 alpha仅为 2bps，并不显著异于零；而组合的风格显著暴露于小盘股与成长股上。在2011.12-2014.8，市场存在显著的小盘与成长股效应，这也是组合相对中证 500 指数超额收益的主要来源。金融工程研究 金融工程专题报告8 请务必阅读正文之后的信息披露和法律声明 表表 5 基金增持组合基金增持组合 FF3 回归分析（回归分析（2011.12-201
22、4.8）截距项截距项 MKT SMB HML 参数估计 0.0002 1.1878 0.7518 -1.2535 标准误差 0.0002 0.0192 0.0398 0.0488 T 统计量 1.01 61.95 18.88 -25.68 P 值 0.3119 0.0000 0.0000 0.0000 资料来源：Wind，海通证券研究所 2014.8-2018.8，由于市场风格出现了数次反复，基金增持组合相对中证 500 指数的超额收益也并不稳定，年化超额收益与信息比均大幅下降至 9.04%、0.67。且从相对净值可以看出，组合超额收益的累计主要集中于 2015 年上半年及四季度的小盘、成长行
23、情中。综上所述，基金增持组合的超额收益主要源于市值、估值等风格，而在多因子模型中，这些因素对股票收益的影响已经考虑在内。从截面回归的结果，也可以看出，基金增持组合股票对应虚拟变量或者基金增持比例因子的截面溢价也并不显著。因此，基金增持事件，或者说基金增持比例，并不是合适的因子化对象。表表 6 基金增持组合基金增持组合/增持比例截面溢价（增持比例截面溢价（2011.12-2018.8）月胜率月胜率 月均值月均值 月标准差月标准差 信息比信息比 基金增持股票 Dummy 0.52 0.0015 0.0152 0.34 基金增持比例 0.47 -0.0005 0.0046 -0.35 资料来源：Wi
24、nd，海通证券研究所 2.2 超额收益对时间的敏感性超额收益对时间的敏感性 事件的发生往往是不定期的，而多因子组合的换仓周期又是相对固定的。这也制约了多因子组合与事件驱动策略的结合。在事件驱动策略因子化的框架中，我们尝试淡化了事件策略的时效性。例如，在构建分析师推荐事件因子时，我们以过去一个月为窗口构建事件因子，而不区分事件发生于月初或是月末。这种对事件发生时间的淡化，也会带来额外的要求。例如，如果事件驱动策略收益集中于事件发生后的较短时间窗口，当构建对应因子时，事件超额收益已经消失。因此，在事件策略因子化时，我们希望事件驱动策略的超额收益在事件发生后能够较好的保持。例如，分析师推荐事件，在事
25、件发生后 1-12 周都有累计增加的超额收益。除了分析师推荐事件外，业绩预告事件策略也具有类似的特征。根据上市公司披露的业绩预告，按照之前构建策略时的参数设臵，筛选单季度净利润在 1000 万以上，单季度净利润增速在 30%以上的股票。按照业绩预告披露后一交易日的交易状态，剔除停牌、涨跌停、ST 股票，并按收盘价作为计算未来 1-12 周股票的风险调整后收益。如表 7 所示，对于满足条件的 12000 多个样本，在单季度业绩预增事件发生后的风险调整后超额收益均不断上升。因此，从超额收益对时间的敏感性看，业绩预增事件是符合事件策略因子化的要求的。表表 7 业绩预增事件股票风险调整后超额收益（业绩
26、预增事件股票风险调整后超额收益（1-12 周，周，2009Q4-2018Q2）超额收益超额收益 W=1 W=2 W=3 W=4 W=5 W=6 均值 0.12%0.34%0.60%0.68%0.73%0.87%T-统计量 2.76 5.60 8.02 7.81 7.55 8.11 超额收益 W=7 W=8 W=9 W=10 W=11 W=12 均值 0.92%1.11%1.19%1.36%1.60%1.79%T-统计量 7.92 9.00 9.12 9.85 11.04 11.84 资料来源：Wind，海通证券研究所 金融工程研究 金融工程专题报告9 请务必阅读正文之后的信息披露和法律声明 2
27、.3 发生事件股票数量与时间分布发生事件股票数量与时间分布 在因子化的过程中，我们发现，有些事件既具有不能被解释的超额收益，也对建仓时点敏感性不强。但是，在加入到多因子模型后，对收益预测模型的改进与组合的提升并不明显。分析发现，这与发生事件股票的在不同时间段上的分布息息相关。引入事件策略后的多因子模型下，股票的预期收益是因子预期收益与事件预期收益之和。对于没有事件发生的股票，其事件预期收益为零。所以，如果发生事件股票的数量过少，仅有极少数股票的预期收益被改变，那么收益预测模型与多因子组合的变化也会非常有限。以员工持股计划事件为例。假设有“员工持股计划事件策略”，于董事会预案日后一个交易日按收盘
28、价买入股票（剔除停牌与涨跌停标的），持有一个月。表 8 统计了上述策略样本股相对中证 500 指数与截面风险调整后的残差收益。样本期间，员工持股计划事件股票相对中证 500 指数的超额收益均值为 0.50%，不显著大于零。从分年度的收益来看，2014、2017 年，对应股票的超额收益均小于零。若使用控制其他常见因子影响后的截面回归残差收益，员工持股计划事件的超额收益均值为 1.78%，显著大于零。分年度来看，除了 2014 年的收益为-1.10%外，其他年份的收益均值都显著大于零。因此，我们认为，员工持股计划事件具有不能被常见选股因子所解释的超额收益。表表 8 员工持股计划事件策略股票超额收益
29、（员工持股计划事件策略股票超额收益（2014.7-2018.7）年份年份#样本样本 相对中证相对中证 500 截面回归截面回归 超额收益超额收益 T 统计量统计量 残差收益残差收益 T 统计量统计量 2014 47-2.01%-1.47 -1.10%-0.89 2015 198 1.82%1.52 3.32%3.46 2016 141 0.61%0.74 1.64%2.32 2017 201-0.61%-0.99 1.10%2.19 2018 95 1.14%1.32 1.65%2.21 2014-2018 682 0.50%1.09 1.78%4.74 资料来源：Wind，海通证券研究所 但
30、是，如果将员工持股计划事件进行因子化，修正发生事件股票的预期收益率时，我们会发现，平均每期被修正的股票均值约为 11 只。相对于接近 3000 只股票的样本池，可以预期，对 11 只股票的收益修正不会对整个收益预测模型的精度产生显著的影响。因此，如果发生事件股票具有显著的超额收益，但是对应股票数量较少，其考虑事件收益前后的股票预期收益变化有限，对最后多因子组合的影响也较小。因此，发生事件的股票数量，也是事件驱动策略是否适合因子化的条件之一。除了股票数量外，其实事件发生的时间分布，也会影响其在收益预测模型中的效果。因为，收益预测模型中的因子溢价预测一般是使用因子过去一段时间的历史表现加总得到的。
31、如果事件的发生在时间序列上极不均匀，会出现某期因子溢价难以估计，从而导致收益预测模型中的因子溢价预测出现较大偏差的问题。如图 5 所示，由于业绩预告披露的季节性，满足要求的业绩预增股票在时间序列上分布极不均匀。例如，1 月份（业绩较好的公司倾向于较早发布业绩预告）与 4 月份（年报与一季报的集中披露）平均有 300 只符合条件的业绩预增股票；而 11 月与 12 月，符合预增要求的个股往往在 10 只以内。金融工程研究 金融工程专题报告10 请务必阅读正文之后的信息披露和法律声明 图图5 业绩预增事件股票各月份发生数量（业绩预增事件股票各月份发生数量（2010.10-2018.6）010020
32、0300400500600201001201004201007201010201101201104201107201110201201201204201207201210201301201304201307201310201401201404201407201410201501201504201507201510201601201604201607201610201701201704201707201710201801201804业绩预增事件股票数量 资料来源：Wind，海通证券研究所 如前文所言，当某个月份发生事件股票数量较少时，当月事件因子对应的截面溢价估计将会出现较大误差。如表 9 所示
33、，从全样本看，虽然事件截面溢价的月胜率 68%，月均值为 0.60%，但月标准差较大，对应信息比为 0.70，并不显著异于零。按照 50 为阈值，将样本 102 个月分成两部分，我们会发现：在发生事件股票数量大于 50 的月份，事件的截面溢价月胜率为 71%，均值为 0.55%，信息比为 1.74，显著大于零；而当发生事件股票小于等于 50 时，虽然事件截面溢价的均值为 0.66%，当小样本下存在较高的估计误差，信息比仅为 0.56。表表 9 业绩预增事件因子截面溢价（业绩预增事件因子截面溢价（2010.1-2018.6）#月份月份#股票股票 月胜率月胜率 月均值月均值 月标准差月标准差 信息
34、比信息比 N50 52 226 0.71 0.55%1.09%1.74 全样本 102 122 0.68 0.60%2.95%0.70 资料来源：Wind，海通证券研究所 通过业绩预增事件的例子，我们发现，如果事件发生在时间序列上分布不均匀，由于样本数较少，会导致参数估计存在较大的误差，并影响事件有效性的长期判断与预测。2.4 本章小结本章小结 在事件驱动策略因子化的过程中，需要满足特定的条件：具有不能被常见选股因子所解释的超额收益。具有不能被常见选股因子所解释的超额收益。事件驱动策略往往以宽基指数作为业绩基准，事件相对基准的超额收益既可能源于事件，也可能源于风格等其他因素。而在多因子模型中，
35、风格等因素的选股效果已经被相关因子所解释。因此，事件策略需要具备常见选股因子之外的风险调整后收益，才能在收益预测模型中提供额外的信息。事件策略的收益对时间不敏感。事件策略的收益对时间不敏感。事件驱动策略建仓灵活，多因子组合建仓固定。为了融入多因子组合，我们淡化了因子化的事件对应发生的时间。如果事件驱动策略的超额收益在事件发生后短时间内快速发酵，当多因子组合构建时，发生在月初的事件失去了超额收益的效应，对收益预测模型的帮助也会有限。事件发生股票数量与时间分布。事件发生股票数量与时间分布。引入事件因子后，收益预测模型中的股票超额收益等于因子收益加事件收益。如果发生事件股票数量过少，仅有少数股票的预
36、期收益被修改，对收益预测模型与组合业绩的影响微乎其微。此外，如果发生事件股票数量在时间序列分布上极不均匀。在某些月份，由于发生事件股票数量较少，事件因子截面溢价的估计会存在较大的误差，直接影响事件因子的有效性与截面溢价的预测，从而影响收益预测模型的效果。金融工程研究 金融工程专题报告11 请务必阅读正文之后的信息披露和法律声明 3.总结总结 事件驱动策略与多因子组合构建方面存在较大的差异。在以往的策略研发与投资中，事件策略与多因子策略往往是独立运行。但是，研究发现，诸如分析师推荐、机构调研、限售股解禁等事件，在控制了常见选股因子后仍然有不能被解释的超额收益。将上述因子融入到多因子模型之后，收益
37、预测模型的精度，主动管理组合与指数增强组合的业绩都获得了明显的提升。不过，并非所有事件驱动策略都适合因子化。研究发现，具有显著风险调整后超额收益，建仓时点对超额收益影响较小，发生事件股票数量较多且在时间序列上分布均匀的事件，更适合引入到多因子框架之中。例如，机构增持事件，其超额收益主要源于风格等因素，不具备显著的风险调整后收益，无法为收益预测模型提供额外的信息；员工持股计划事件虽然具有显著的超额收益，但是发生事件股票的数量较小，对收益预测模型的影响有限；业绩预增事件的发生在时间数量上极不均匀，造成部分月份事件超额收益的估计存在较大偏差，从而影响收益预测模型中溢价的预测。风险提示：历史统计规律失
38、效。风险提示：历史统计规律失效。金融工程研究 金融工程专题报告12 请务必阅读正文之后的信息披露和法律声明 信息披露信息披露 分析师声明分析师声明 冯佳睿 金融工程研究团队 沈泽承 金融工程研究团队 本人具有中国证券业协会授予的证券投资咨询执业资格，以勤勉的职业态度，独立、客观地出具本报告。本报告所采用的数据和信息均来自市场公开信息，本人不保证该等信息的准确性或完整性。分析逻辑基于作者的职业理解，清晰准确地反映了作者的研究观点，结论不受任何第三方的授意或影响，特此声明。法律声明法律声明 本报告仅供海通证券股份有限公司（以下简称“本公司”）的客户使用。本公司不会因接收人收到本报告而视其为客户。在
39、任何情况下，本报告中的信息或所表述的意见并不构成对任何人的投资建议。在任何情况下，本公司不对任何人因使用本报告中的任何内容所引致的任何损失负任何责任。本报告所载的资料、意见及推测仅反映本公司于发布本报告当日的判断，本报告所指的证券或投资标的的价格、价值及投资收入可能会波动。在不同时期，本公司可发出与本报告所载资料、意见及推测不一致的报告。市场有风险，投资需谨慎。本报告所载的信息、材料及结论只提供特定客户作参考，不构成投资建议，也没有考虑到个别客户特殊的投资目标、财务状况或需要。客户应考虑本报告中的任何意见或建议是否符合其特定状况。在法律许可的情况下，海通证券及其所属关联机构可能会持有报告中提到的公司所发行的证券并进行交易，还可能为这些公司提供投资银行服务或其他服务。本报告仅向特定客户传送，未经海通证券研究所书面授权，本研究报告的任何部分均不得以任何方式制作任何形式的拷贝、复印件或复制品，或再次分发给任何其他人，或以任何侵犯本公司版权的其他方式使用。所有本报告中使用的商标、服务标记及标记均为本公司的商标、服务标记及标记。如欲引用或转载本文内容，务必联络海通证券研究所并获得许可，并需注明出处为海通证券研究所，且不得对本文进行有悖原意的引用和删改。根据中国证监会核发的经营证券业务许可，海通证券股份有限公司的经营范围包括证券投资咨询业务。
