指数纳入效应：被动资金冲击下的价格压力与反转
一只股票被宣布纳入沪深 300 或 S&P 500，接下来会发生什么？这篇文章把指数纳入拆成一条标准的事件时间线：公告日跳升（约 45% 的冲击瞬间 price in）→ 公告到生效的持续爬升（套利者抢跑）→ 生效日指数基金收盘集中买入冲顶 → 需求冲击消失后的部分反转。500 个模拟纳入事件的平均路径：生效日累计超额 +8.2%，40 日后回吐 46%，只留下约一半作为永久成分。价格压力的大小服从平方根律 I≈Yσ√(Q/V)：被动需求折合 5 天 ADV 压出 4%，20 天 ADV 压出 8%——需求翻 4 倍冲击只翻 1 倍。两个可交易窗口实测：抢跑策略（公告买入→生效卖出）单事件均值 +4.3%、胜率 97%；反转策略（生效做空→20 日回补）+2.6%、胜率 81%——但后者要付借券费且真实世界胜率远低于模拟。诚实边界：指数公司已改规则对抗抢跑（S&P 取消预告缓冲期）、纳入效应逐年衰减（学术实证从 90 年代 +8% 降到近年 +1% 以内）、A 股的调样冲击集中在生效日尾盘集合竞价、永久/临时成分的拆分对结论极其敏感（中阶）。
问题：一纸公告为什么值 8%#
每年 6 月和 12 月，沪深 300 调整成份股；每个季度，S&P 500 换血。被纳入的股票什么基本面都没变——没有新订单、没有业绩超预期、没有管理层变动——但价格会涨。
原因简单粗暴：跟踪指数的被动资金必须买。截至目前全球被动化率持续上升，一只股票进入大指数，意味着数百亿甚至千亿规模的指数基金将在生效日按权重机械买入，不问价格。
这就是金融学里少有的、接近「受控实验」的场景：一个纯粹的需求冲击，与基本面信息几乎正交。Shleifer (1986) 用它证明了需求曲线不是水平的——「Do Demand Curves for Stocks Slope Down?」这篇标题即结论的论文，就是拿 S&P 500 纳入事件做的。
对量化交易者来说，问题是三个：冲击有多大？什么时候发生？事后会不会吐回来？
事件时间线：四个阶段的解剖#
指数纳入不是一个时点，是一条时间线：
T-N 公告日(0) 生效日(+10) T+40
|---------------|----------------|----------------|
平静期 跳升↑ 爬升↗ 冲顶⬆ 回落↘阶段一：公告日跳升。 指数公司公告调样名单（通常提前 1-2 周）。套利者瞬间计算出被动资金的必买量，价格当天跳升——我们模拟中约 45% 的总冲击在这一天完成。
阶段二：公告→生效的爬升。 主动型套利资金持续建仓，赌的是生效日有指数基金接盘。约 35% 的冲击摊在这段。
阶段三：生效日冲顶。 指数基金为了最小化跟踪误差，集中在生效日收盘时点买入（A 股是尾盘集合竞价，美股是 close auction）。当天成交量常常是平日的 5-10 倍。
阶段四：部分反转。 需求冲击消失，抢跑的套利者开始出货。价格回落——但不会跌回原点，因为纳入本身带来了永久性变化（详见下文）。
模拟一次典型事件：
def simulate_event(perm_frac=0.5, pressure=0.08, n_gap=10):
"""公告日跳升 45% + 爬升 35% + 生效日冲刺 20%，
随后回吐 (1 - perm_frac) 的部分，指数衰减"""
ann_jump = pressure * 0.45 # 公告日
ramp = pressure * 0.35 # 公告->生效摊销
eff_jump = pressure * 0.20 # 生效日
perm = pressure * perm_frac # 永久成分
total = ann_jump + ramp + eff_jump
rev = total - perm # 待回吐部分
# 生效后第 k 日：path -= rev * (1 - exp(-k/12))
单次事件的路径：公告日跳升，爬升到生效日附近的峰值 8.3%，随后 40 个交易日回落到 5% 附近企稳。
500 个事件的平均像什么#
单个事件噪声太大，事件研究的标准做法是叠加平均。模拟 500 个纳入事件（每个事件的冲击大小、回吐比例都带随机扰动）：
平均路径干净地复现了教科书形态：
- 生效日累计超额收益 +8.2%（峰值）
- 40 日后回落到 +4.4%，即回吐了 46%
- 置信带（±2 标准误）很窄——500 个事件平均后，形态是统计上稳固的
这个「一半永久、一半临时」的拆分是关键。临时部分是纯粹的价格压力（price pressure）：需求来了价格涨，需求走了价格跌。永久部分的来源有好几种解释，学术界吵了三十年：
- 需求曲线下倾（Shleifer）：可替代性不完美，永久多出来的需求就永久抬高价格
- 流动性改善：纳入后成交更活跃、价差更窄，流动性溢价下降
- 投资者认知（Merton 的 investor recognition）：进了指数才进入很多人的视野
- 信息认证：被指数选中本身是个（弱）质量信号
对交易者来说不用裁判谁对——只需要记住：别假设价格会全部跌回去，也别假设一点都不回吐。
冲击多大？平方根律再次登场#
纳入的价格压力可以事前估算。需求侧：指数权重 × 跟踪该指数的被动 AUM ÷ 该股日均成交额（ADV），得到「被动需求折合多少天的成交量」。然后套用市场冲击的平方根律（我们在平方根冲击定律一文里详细推导过）：
用 Y=0.9、日波动 2% 校准：
- 被动需求折合 5 天 ADV → 压力约 4%
- 20 天 ADV → 约 8%
注意平方根的含义：需求翻 4 倍，冲击只翻 1 倍。所以小盘股进大指数（需求/ADV 比值巨大）才是冲击最猛的场景；大盘股进指数经常无感，因为几天 ADV 就消化了。
def estimate_inclusion_impact(index_aum, weight, adv, sigma_daily, Y=0.9):
"""事前估算纳入冲击"""
demand = index_aum * weight # 被动必买金额
q_over_v = demand / adv # 折合 ADV 天数
return Y * sigma_daily * np.sqrt(q_over_v)两个可交易窗口#
时间线上有两段可以做策略：
策略 A（抢跑）：公告日收盘买入，生效日收盘卖出——赚阶段二 + 阶段三的爬升，把货交给生效日必须买入的指数基金。
策略 B（反转）：生效日收盘做空，20 日后回补——赚阶段四的回吐。
在 500 个模拟事件上执行（策略 A 扣双边 20bp 交易成本；策略 B 另扣 20 日约 40bp 的借券费）：
| 策略 A 抢跑 | 策略 B 反转 | |
|---|---|---|
| 单事件均值（费后） | +4.27% | +2.61% |
| 胜率 | 97% | 81% |
| 年化 Sharpe（约 12 事件/年） | ~6.4 | ~3.0 |
模拟里两个都很美——但这正是需要泼冷水的地方。
为什么真实世界远没有这么肥#
模拟的数字是机制演示，不是收益预告。真实市场里这个策略的肉在过去二十年被吃得所剩无几：
1. 指数公司在主动对抗抢跑。 抢跑者赚的每一分钱，都是指数基金持有人多付的跟踪成本。指数公司的应对：缩短公告到生效的窗口、增加调样的不可预测性、把再平衡拆散到多日执行。S&P 的历次规则修订几乎都在挤压这个窗口。
2. 效应本身在衰减。 学术实证的时间序列很清楚：S&P 500 纳入的超额收益从 1990 年代的 +8% 一路降到 2010 年代后期的 +1% 以内，部分研究认为已在统计上不可区分于零。原因是套利资本的涌入——事件驱动基金、指数增强产品全都盯着调样名单，甚至在公告前就用规则预测名单提前埋伏（沪深 300 的调样规则是公开的、可复制的，预测准确率可以做到 80% 以上）。
3. 预测名单本身成了更早的博弈。 当所有人都能预测调样,「公告日跳升」会前移到「预测确定日」，事件被不断前置，最终摊平到无法交易。
4. A 股的特殊性。 沪深 300 / 中证 500 调样生效在 12 月和 6 月的第二个星期五收盘，被动资金集中在尾盘集合竞价成交。这三分钟的成交量畸变是可观测的，但个人投资者几乎无法参与这个时点的流动性供给博弈。
实现要点#
事件研究的代码骨架（真实数据版）：
import pandas as pd
def event_study(prices, mkt, events, pre=20, post=40):
"""events: [(date, ticker), ...] 公告日列表"""
paths = []
for date, tk in events:
# 超额收益 = 个股收益 - beta * 市场收益
r = prices[tk].pct_change()
ex = r - beta[tk] * mkt.pct_change()
idx = ex.index.get_loc(date)
window = ex.iloc[idx - pre : idx + post + 1]
if len(window) == pre + post + 1:
paths.append(window.cumsum().values)
P = np.array(paths)
return P.mean(axis=0), P.std(axis=0) / np.sqrt(len(P))三个容易踩的坑：
- 事件日对齐：公告经常在收盘后发布，事件日应记为下一交易日，否则「公告日收益」里混入了不可交易的信息
- 同日事件的截面相关：一次调样几十只股票同日进出，它们的超额收益高度相关，标准误按独立事件算会严重低估——按「调样批次」聚类
- 对照组：严谨做法要配一组「差点入选」的股票做 counterfactual，剔除行业和风格的共同漂移
结论#
指数纳入效应是市场微观结构里少有的「机制完全透明」的异象：被动资金必须买、时点公开、数量可算。它教给量化交易者三件事：
- 需求曲线不是水平的——纯需求冲击能持久改变价格，这是所有资金流因子（北向资金、ETF 申赎、基金调仓）的理论根基
- 冲击按平方根定价——需求/ADV 比值是事前估算冲击的正确坐标，小盘股进大指数才是大事件
- 公开的异象会死于拥挤——纳入效应三十年的衰减史，就是一部套利资本消灭 alpha 的标本记录。今天还剩下的部分，藏在规则改变的缝隙里（新指数、新市场、规则修订后的过渡期），而不是被研究了三十年的 S&P 500 里
模拟世界里抢跑策略胜率 97%，真实世界里它的黄金年代结束于大约十五年前。异象的生命周期本身，比异象更值得研究。
参考文献#
- Shleifer, A. (1986). Do Demand Curves for Stocks Slope Down? Journal of Finance, 41(3).
- Harris, L., & Gurel, E. (1986). Price and Volume Effects Associated with Changes in the S&P 500. Journal of Finance, 41(4).
- Chen, H., Noronha, G., & Singal, V. (2004). The Price Response to S&P 500 Index Additions and Deletions. Journal of Finance, 59(4).
- Patel, N., & Welch, I. (2017). Extended Stock Returns in Response to S&P 500 Index Changes. Review of Asset Pricing Studies, 7(2).