除息套利与税收效应：股息落差为什么不等于股息

一、一个应该很简单的问题#

股票在除息日会跌，跌幅应该等于每股股息。逻辑很干净：昨天买你能拿到 1 块钱股息，今天买拿不到，所以今天的股票应该便宜 1 块钱。

但实证研究从 1970 年就发现，落差通常小于股息。Elton 和 Gruber 1970 年的解释至今仍是标准框架：因为股息和资本利得的税率不同。

对一个持有到除息的投资者，卖出的临界条件是：

$P_{cum} - t_g(P_{cum} - P_0) = P_{ex} - t_g(P_{ex} - P_0) + D(1 - t_d)$

整理后得到那个著名的比值：

$\frac{P_{cum} - P_{ex}}{D} = \frac{1 - t_d}{1 - t_g}$

落差比等于「一减股息税率」除以「一减资本利得税率」。 如果股息税率高于资本利得税率，落差就小于股息。反过来，测出落差比就能反解边际投资者的税率——这是金融学里少数几个能从价格直接读出税收信息的地方，所以文献极多。

这篇文章不讨论这个公式对不对。我要问的是另一个问题：即使这个公式百分之百正确，你能测出来吗？

方法是构造一个真值已知的世界。我把税率写死：

TD_TRUE, TG_TRUE = 0.25, 0.15
RATIO_TRUE = (1 - TD_TRUE) / (1 - TG_TRUE)      # = 0.882353

然后生成 6000 个除息事件，价格严格按这个比值下跌，再叠加正常的日内波动。如果连在这个世界里都测不准，那么真实数据里的那些估计值就更需要怀疑。

二、数据生成：唯一诚实的部分#

import numpy as np

SIG_D = 0.019      # 除息日特异日收益波动 ≈ 1.9%
TICK  = 0.01

def gen(n, rng, ratio=RATIO_TRUE, sig=SIG_D, tick=TICK,
        yield_lo=0.004, yield_hi=0.030, no_noise=False, ratio_one=False):
    P = rng.uniform(18., 220., n)                       # 股价
    y = rng.uniform(yield_lo, yield_hi, n)              # 年化股息率
    D = np.maximum(0.01, np.round(P * y / 4 / 0.01) * 0.01)   # 季度股息，落到分
    r = 1.0 if ratio_one else ratio
    noise = np.zeros(n) if no_noise else rng.normal(0, sig, n) * P
    P_ex = np.round((P - r * D + noise) / tick) * tick
    return dict(P=P, D=D, y=y, P_ex=P_ex, drop=P - P_ex, r_true=r)

关键在于 noise 那一行。除息日的股票不会只因为除息而变动——它同时受市场、行业、公司自身消息的影响。1.9% 的日波动对一只 50 美元的股票就是 0.95 美元，而一笔季度股息可能只有 0.25 美元。

噪声是信号的四倍。这就是整个问题的核心。

三、单个事件：完全测不出来#

6000 个事件，逐个计算「落差 / 股息」：

标准差 7.06，真值 0.88。信噪比约为 0.125。

5 到 95 分位跨越 21.8 个单位——这个量的「合理范围」比它本身大 25 倍。而 41.8% 的除息日，股票价格是上涨的，此时落差为负，比值也为负，这在理论框架里毫无意义。

右图更直观：真值斜率 0.8824 那条线和斜率 1.0 那条线几乎贴在一起，而散点在纵向铺满了整个图。要区分的两条假设之间的距离，远小于数据本身的散布。

单个除息事件不携带任何可用的税收信息。这一点其实文献里都知道，所以大家都做横截面聚合。问题是——聚合之后就够了吗？

四、四种估计量：都无偏，都不可用#

我实现了文献里最常见的四种算法：

from scipy import stats

def estA(d): return np.mean(d['drop'] / d['D'])                    # 逐事件比值取均值
def estB(d): return d['drop'].mean() / d['D'].mean()               # 总落差/总股息
def estC(d): return stats.linregress(d['D'], d['drop']).slope      # 美元 OLS
def estD(d):                                                       # 价格归一化 OLS
    return stats.linregress(d['D']/d['P'], d['drop']/d['P']).slope

先看单次抽样（n=6000，就像你手上那份真实数据）：

A = 0.9256    B = 0.9875    C = 1.2174    D = 1.0148

四个答案，跨度 0.29，没有一个接近真值 0.8824。反解出的股息税率分别是 21.3%、16.1%、−3.5%、13.7%——从「符合美国合格股息税率」到「负税率」，你想要什么结论都能拿到。

但下这个判断之前，必须先分清是偏差还是方差。 单次抽样区分不了，所以我做了 400 次重复：

四个估计量全部近似无偏。 偏差绝对值最大 0.0074，而 |偏差|/抽样SD 最大只有 0.09——远小于 1，说明观察到的偏离完全可以由抽样噪声解释。

问题不在偏差，在方差。

抽样标准差从 0.0592（B）到 0.1272（D），差 2.15 倍。而这些标准差本身有多大？B 是最好的一个，0.0592——意味着 6000 个事件给出的估计值，95% 置信区间宽度约 ±0.116。而无税假设（1.0）和真值（0.8824）之间只差 0.118。

用 6000 个事件，你恰好在「能不能区分有税和无税」的边缘上。区分不同税率？想都别想。

要把落差比钉到 ±0.01 的精度：

需约 210,516 个事件

21 万个季度除息事件。美国上市公司里稳定派息的大约 2000 家，每年 4 次，需要 26 年的全市场数据。而 26 年里税法改了好几轮——你测出来的是一个平均意义上不存在的「平均边际投资者」。

用最好的估计量 B 在 400 次重复上取均值，反解 td = 0.2468（真值 0.25）。这说明方法本身是对的，只是它需要的数据量远超任何人手上有的。

五、噪声股息比：低股息率股票是毒药#

真正决定精度的不是样本量，而是噪声与股息的比值：

$\text{NSR} = \frac{\sigma_{daily} \times P}{D}$

估计量始终无偏（均值都在 0.88 附近），但不确定性跨越 31 倍。

股息率 0.2% 的股票，估计值的标准差是 0.657——比真值本身还大。而 6% 股息率的股票，标准差 0.021，是可用的。

这有一个直接的实践推论，而且和大多数人的直觉相反：在这类研究里加入更多低股息率的公司，不是在增加样本量，是在往水里倒墨水。 每一个 0.2% 股息率的观测都在往估计量里注入 39 倍于信号的噪声。正确做法是按 NSR 加权，或者干脆设一个 NSR 上限把它们剔除掉。

注意估计量 D（价格归一化）在低股息率区间彻底失效，SD 高达 4.842。它把 D/P 当自变量，而 D/P 在低股息股票上几乎全部挤在 0 附近——回归斜率被一小撮点主导了。「归一化」听起来总是更严谨，但归一化的分母如果和噪声相关，它会放大而不是缩小误差。

六、三个安慰剂#

安慰剂 1 — 零税（真值精确等于 1.000000）。 把税率全部设为 0，落差应该精确等于股息：

D 估计 0.993917 ± 0.1273  |  反解 td = +0.1552

估计量正确地跟到了 1.0 附近（偏差 −0.006），但标准差 0.1273 意味着单次抽样很容易报出 0.87 或 1.12。而 0.87 会被反解成「股息税率 26%」——在一个税率精确为零的世界里。

这是本文最实用的一条警告：如果你在真实数据上得到 0.87，你无法区分「边际投资者税率 25%」和「税率为零但运气不好」。

安慰剂 2 — 零噪声。 把日波动关掉，只留 tick 取整：

D 估计 0.882383  |  与真值绝对偏差 2.99e-05

误差降低了三个数量级。噪声是唯一的敌人。

安慰剂 3 — 零噪声且无 tick 取整。 纯恒等式检验：

A 估计 0.8823529412  |  绝对偏差 1.70e-14

精确到浮点精度。这确认了数据生成过程和估计量之间没有实现层面的 bug——所有偏离都来自我故意注入的噪声，不来自代码错误。

tick 取整的方向性检查：

即使 tick 粗到 1 毛钱，偏差也只有 0.003——离散化不是这个问题的瓶颈，可以放心忽略。

七、能不能靠它赚钱：抓息交易#

理论说落差小于股息，那么低税率投资者是不是应该在除息日前买入、除息后卖出，赚那个差额？

def strategy(n, rng, td, tg, hold=1, hs_bp=12.0):
    d = gen(n, rng)
    P, D = d['P'], d['D']
    buy  = P * (1 + hs_bp/1e4)
    sell = d['P_ex'] * (1 - hs_bp/1e4)
    cg   = sell - buy
    total = cg * (1 - tg) + D * (1 - td)     # 资本利得/亏损按 tg 对称计税
    return total / P * 100, d

关键洞察是：决定你赚不赚的不是你的税率高低，而是你自己的比值 (1−td)/(1−tg) 与市场已嵌入的比值 0.8824 谁大。

注意公司那一行：它的股息税率（10.5%）高于免税账户，收益却更高。 因为公司同时有 21% 的资本利得税率，可以用除息日的账面亏损抵税。比值 1.1329 是四类里最高的。你的绝对税率无关紧要，重要的是股息税和资本利得税的相对关系。

盈亏平衡点的检验： 固定资本利得税 15%，扫描股息税率，找零点：

零成本盈亏平衡股息税率 0.2758（理论值 = 边际投资者 td = 0.25）  偏差 +0.0258

这是一个内部一致性检验，也是对整个框架的验证：盈亏平衡点应该精确落在边际投资者的税率上，因为价格正是由那个人定的。实测 0.2758 vs 真值 0.25，偏差 0.026——在抽样误差范围内。

但下一行才是重点：

12bp 成本后：曲线全段低于零（td=0 处仍为 −0.2025%）
—— 不存在盈亏平衡税率，即使税率为 0 也不赚钱

八、交易成本：4~5bp 就吃光一切#

盈亏平衡在 1~2bp 之间。

这个数字需要放在语境里看：1bp 的半价差意味着 50 美元的股票买卖价差 1 分钱的五分之一——这比绝大多数股票的最小 tick 还窄。换句话说，在任何真实的交易成本下，这个策略都是亏的。

税收优势的量级本身就极小：落差比 0.8824 意味着每 1 块钱股息你多赚 11.8 分，而典型股息率 1.5% 的季度股息约占股价的 0.375%——理论毛收益约 0.044%，即 4.4bp。你要用 4.4bp 的毛收益去覆盖买卖两次的价差。

持有期只会让情况更糟：

均值几乎不动（−0.216% → −0.236%），标准差按 √t 增长（1.888% → 8.553%）。 多持有一天不会多赚任何税收优势——那个优势在除息的那一瞬间就已经全部实现了——但你多承担了一天的方向性风险。

这是事件驱动策略的通病：信号是脉冲的，风险是连续的。 任何延长持有期的做法都在稀释信噪比。

九、统计功效：3798 笔#

即使在最理想的条件下（免税账户、零交易成本），策略仍然几乎不可检验：

免税账户零成本：单笔 SD 1.904%，均值 +0.0618%
→ 需 3,798 笔才够 |t| = 2

按股息率分层看零成本情形：

收益随股息率单调上升，这符合理论（税收优势正比于股息金额）。但即使用 4800 个事件一个桶，Q1 和 Q2 的 t 值仍然不显著。

而加上 12bp 成本后，全部五个分位都显著为负（t 从 −5.17 到 −7.71）。最高股息率那一档亏得最少（−0.1408%），但仍然是亏。

十、已知偏差#

1. 模型假设单一边际投资者。 真实市场里不同税收身份的投资者同时存在，Elton-Gruber 框架里的「边际投资者」是一个理论构造。真实的落差比可能随股息率、机构持股比例、时间而变——我的模拟把它固定成了一个常数，这让问题比现实简单。如果真值本身在变，需要的样本量只会更多。

2. 没有建模除息日的短期抢筹行为。 现实中存在专门的抓息交易者，他们的行为本身会推高除息前价格、压低落差比。这是一个内生性问题：测出来的比值既反映税收，也反映套利活动的强度。我的模拟里没有这个反馈环。

3. 交易成本模型过于简单。 我用了对称的固定半价差。真实的除息日流动性可能更好（有确定的事件驱动流量）也可能更差（做市商避险）。此外我没有建模市场冲击——如果你想在几千个事件上系统性地做这件事，冲击成本会远超价差。

4. 忽略了持有期要求。 美国税法要求持股超过 60 天才能享受合格股息税率（qualified dividend）。一个持有 1 天的抓息交易者拿到的是非合格股息，按普通所得征税——这直接推翻了「低税率投资者可以套利」的前提。我在四类投资者里用「高税级个人（非合格股息）」部分反映了这一点，但没有建模「持有期越过 60 天门槛后税率跳变」这个真实存在的不连续性。这会让真实策略比我模拟的更不划算。

5. 1.9% 的日波动是一个平均数。 真实的除息日波动率随公司规模、行业、市场状态变化很大。低波动的公用事业股 NSR 会好得多，高波动的成长股（同时也是低股息率的）会更糟。这两个维度是相关的，我用了独立的均匀分布，低估了最坏情况的严重程度。

十一、结果解读#

这篇文章的结论不是「Elton-Gruber 是错的」。 恰恰相反——在零噪声安慰剂里，估计量精确还原到 1.70e-14；在 400 次重复上取均值，反解税率 0.2468 vs 真值 0.25。理论是对的，方法是对的，唯一的问题是你没有足够的数据。

四种估计量在单次抽样上给出 0.9256 / 0.9875 / 1.2174 / 1.0148，这是本文最该被记住的画面。 它们全部无偏，但抽样噪声让它们各自漂到不同方向。这意味着任何一篇报告单一落差比估计值的研究，其数值在很大程度上是抽样噪声的产物。 如果一篇论文报告 0.85 而另一篇报告 1.05，它们可能来自同一个真值。文献里那些「不同时期边际税率不同」的结论，有多少是真实的税制变化，有多少是估计噪声？我不知道，但这个模拟说明默认答案应该是后者。

「无偏」是一个被严重高估的性质。 四个估计量都无偏，但没有一个可用。当抽样标准差是你要检测的效应量的一倍时，无偏性不提供任何保护——它只保证你在无限次重复后是对的，而你只有一次机会。做这类研究时，应该先算需要多少样本才能达到目标精度，再决定要不要做。 我这里的答案是 21 万个事件，直接说明这个研究在美国市场上做不了。

低股息率样本的处理方式是一个通用教训。 大多数人的直觉是「样本越多越好」，而 NSR 扫描说：股息率 0.2% 的观测带来的标准差是 6% 股息率观测的 31 倍。在信噪比差异如此悬殊时，等权聚合等于让最差的观测主导结果。 这个道理适用于任何事件研究——事件的「强度」不同时，等权平均是错的。

策略层面的结论很干脆：这不是一个可交易的现象。 理论毛收益 4.4bp，盈亏平衡在 1~2bp 的半价差，而且真实的持有期税收规则还会进一步吃掉税收优势。它是一个真实存在但不可提取的效应——市场价格已经把它定进去了，剩下的价差刚好覆盖不了摩擦。这恰恰是有效市场应有的样子：一个真实的、可解释的、但赚不到钱的规律。

如果你一定要做这类研究：按 NSR 筛样本而不是按市值；报告置信区间而不是点估计；先在零效应的合成数据上跑一遍看看会开出什么值；把估计量的抽样标准差和你要检测的效应量放在一起比较——如果前者大于后者的一半，就不要下结论。