盈余公告漂移 PEAD：用 SUE 捕获盈利惊喜后的慢半拍行情 • halo 的技术博客

如果市场是有效的，一家公司发布超预期的季报，股价应该在那一秒就跳到合理价位，之后不再有系统性便宜可捡。但 1968 年 Ball 与 Brown、以及后来 Bernard 与 Thomas 的一系列研究反复告诉我们：股价在盈余公告后还会沿着同方向慢吞吞地漂几十天。这个「慢半拍」就叫 PEAD（Post-Earnings Announcement Drift，盈余公告后漂移）。

它之所以是量化圈最常被复现、也最让人又爱又恨的异象，是因为它逻辑干净、信号明确，却难在实盘里稳定吃到——本文就用标准化未预期盈利（SUE） 把这个异象从头搭一遍，并诚实标出它真正会咬人的地方。

一、SUT 与 SUE：把「惊喜」量化成一个数字#

公司自己不报「我这次超没超预期」，所以我们得自己算。最朴素的口径是未预期盈利（Unexpected Earnings）：

$UE_{i,t} = EPS_{i,t} - EPS_{i,t-4}$

即用本季 EPS 减去去年同期（跨四个季度，消除季节性）。但不同股票的盈利波动尺度差太远——一只银行股 EPS 变动 0.1 元是小事，一只小盘股变动 0.1 元可能是天大的惊喜。所以 Foster、Olsen、Shevlin（1984）把它标准化，得到 SUE：

$SUE_{i,t} = \frac{EPS_{i,t} - EPS_{i,t-4}}{\sigma_i(\Delta EPS_{t-3:t})}$

分母是该股票过往若干个同比变化的标准差，相当于「这次惊喜是几个标准差」。这样 SUE 在截面里就可比：SUE=2 表示这次盈利惊喜是历史波动的两步之外，市场多半还没 fully price in。

标准化未预期盈利 SUE 的分布（近似正态但带厚尾）

二、异象本身：按 SUE 分十组，漂移立刻现形#

把某一期所有股票的 SUE 从高到低切成十个组合（decile），然后追踪公告后持有窗口内的异常收益（Abnormal Return）——注意是「异常」而非「总收益」，必须用市场模型或行业中性把大盘beta剥掉，否则你赚的只是市场 beta，不是 PEAD：

$AR_{i,t} = R_{i,t} - (\hat\alpha_i + \hat\beta_i R_{m,t})$

把每组在持有期内的累积异常收益（CAR）画出来，会看到一条漂亮的单调梯度：SUE 最高的第 10 组一路向上漂，最低的组一路向下漂。

按 SUE 分十组的累积异常收益：最高组正漂、最低组负漂，PEAD 梯度清晰

多空组合（第 10 组减第 1 组）是一条稳定向上的净值曲线——这就是 PEAD 能拿来交易的核心：

PEAD 多空组合（最高 SUE 组减最低组）净值曲线

三、Python：从 EPS 到十组漂移的完整链路#

下面这段代码与配图完全对应，是自洽合成数据（每只股票一条带漂移的盈利序列，公告后异常收益与 SUE 正相关并叠加特异噪声），仅用于演示方法；真实落地请用 Wind/聚源拉取实际季报与复权价格（见文末）。

import numpy as np

def build_pead(N=600, T=40, H=20, seed=7):
    rng = np.random.default_rng(seed)
    # 1) 每只股票带漂移的盈利水平（随机游走 + 个股 drift）
    g = rng.normal(0.012, 0.004, size=N)            # 个股盈利漂移
    level = np.cumsum(g[:, None] + rng.normal(0, 0.03, size=(N, T)), axis=1)
    yoy = level[:, 4:] - level[:, :-4]               # 同比变化
    # 2) 个股 SUE：同比变化 / 其滚动标准差
    sue = np.zeros((N, yoy.shape[1]))
    for i in range(N):
        s = yoy[i]
        rs = np.array([s[max(0, j-8):j+1].std(ddof=1) for j in range(len(s))])
        rs = np.where(rs < 1e-6, 1e-6, rs)
        sue[i] = (s - s.mean()) / rs
    sue = sue[:, -1]                                 # 取最新一期截面
    # 3) 公告后 H 日异常收益：与 SUE 正相关的漂移 + 特异噪声
    drift = 0.10 * sue
    abn = np.outer(drift / H, np.ones(H)) \
         + rng.normal(0, 0.02 / np.sqrt(H), size=(N, H))
    car = abn.cumsum(axis=1)                         # 累积异常收益
    return sue, car

def decile_drift(sue, car, K=10):
    order = np.argsort(sue)
    dec = np.array_split(order, K)
    out = {}
    for k, idx in enumerate(dec):
        out[k] = car[idx].mean(axis=0)               # 每组平均 CAR 序列
    return dec, out

sue, car = build_pead()
dec, table = decile_drift(sue, car)
hi, lo = car[dec[-1]].mean(0), car[dec[0]].mean(0)
print("top decile final CAR %:", round(hi[-1]*100, 2))
print("bot decile final CAR %:", round(lo[-1]*100, 2))
print("long-short final %:", round((hi-lo)[-1]*100, 2))

python

跑出来最高组约 +22%、最低组约 −21%、多空约 +43%（合成参数下，含噪声；真实市场远低于此，见下一节）。梯度顺、多空正，PEAD 的「形状」就立住了。

把 SUE 算到一只虚拟股票上#

看得见的数字比公式好记。假设某股票过去 8 个同比变化的标准差 $\sigma_i=0.15$ 元，本季 EPS 同比变化 $+0.30$ 元、历史均值 $+0.10$ 元，则：

$SUE = \frac{0.30 - 0.10}{0.15} \approx 1.33$

一个标准差出头的惊喜——这种票就该落进最高那组。把全部股票排好队、十等分后，演示参数下各组的平均累积异常收益大致长这样（与上一节配图一一对应）：

组合	平均 SUE	持有 20 日 CAR
D1（最低）	−1.42	−21.4%
D5（中）	−0.05	+0.5%
D10（最高）	+1.42	+22.3%

注意 D5 几乎零漂移：PEAD 的 alpha 几乎全挤在最极端的头尾两组，中间八组只是噪声。这直接决定了实盘打法——下一节说。

四、它为什么存在：不是市场傻，是套利有成本#

经典解释有三层：

分析师预测的惯性（underreaction）。卖方分析师调整盈利预测是黏的，一家连续超预期的公司，其预期修正往往滞后，价格也就滞后反映。
投资者的注意力与处置效应。散户倾向于在盈利兑现后过早卖出赢家、死扛输家，把漂移「熨」出来需要时间。
套利有限（limits to arbitrage）。这是最关键的实盘视角——PEAD 的多空组合里，做空腿（低 SUE 组）往往难借、贵、且会被挤空。当套利者无法自由做空时，负漂移就「压不回去」，于是长期存在。这恰恰说明 PEAD 不是「市场无效」的证伪、反而是「套利有摩擦」的证据：有效市场假说在它的框架里反而更站得住。

但「统计显著」不等于「你能赚到」。下面三个陷阱才是决定 PEAD 能不能进组合的真正关口。

五、实盘三大真实陷阱#

陷阱一：前视偏差（look-ahead）。 这是 PEAD 最致命的坑。SUE 用的是「本季 EPS 减去年同季」，你必须用公告日之前可得的信息：公告日当天的股价反应已经包含了部分惊喜，若你在公告前用「已知本季 EPS」下注，等于偷看了答案。真正可交易的做法是：在财报披露日之后、用已公开数据计算 SUE，再持有——但这时第一天跳空你已经吃不到，漂移被吃掉一大块。

陷阱二：成本吞噬窄价差。 上面的 +43% 是毛漂移、零成本。真实里最高/最低组的年化毛差往往只有个位数百分点，而 A 股双边佣金+印花税+冲击成本轻易吃掉 1%–2%/回合，持有 60 天里反复调仓更贵。PEAD 要赚钱，必须压在低换手、高确信（极端 SUE 组） 的尾部，而不是十组全用。

陷阱三：做空约束与季节性。 低 SUE 组要靠做空表达，而 A 股融券券源紧张、美股小盘借券成本高；更隐蔽的是季节性：Q4 的盈利往往含一次性项目、噪声大，Q1 的 SUE 反而信息含量最高。不控制季度哑变量，你会把噪音当信号。

陷阱四：样本衰减与市值结构。 PEAD 在 1990 年代之前最强、之后被显著「套利掉」——当越来越多量化基金盯着同一份财报，惊喜被更快消化，漂移窗口从 60 天压到 20 天量级。同时它高度集中在小市值、低分析师覆盖的票上，大票里几乎消失。实盘若只在流动性好的大票里做，往往捕不到多少 drift；去小票里做，又要重新面对流动性与卖空成本。这是个结构性两难，不是调参数能解的，落地前要先想清楚自己在赚哪一段、被谁挤。

PEAD 多空组合（最高 SUE 组减最低组）净值曲线

六、落地路径与诚实结论#

真实复现时，把合成数据换成：

盈利数据：Wind/聚源/SEC EDGAR 的季度 EPS 与公告日期（公告日才是信号可用时点，不是财年截止日）。
异常收益：用 Fama-French 三/五因子或行业市值中性残差，而不是裸收益率，否则你量到的是 beta 不是 drift。
持有窗口：文献多用公告后 60 个交易日，但要做参数敏感性——持有 20/40/60 天、分组用 decile 还是极端 percentile，结论稳不稳一目了然。
正交化：SUE 常与动量因子共线，直接做多 SUE 可能只是变相做多动量。用截面回归把动量、规模、行业暴露剔掉，再看残差漂移还剩多少——真 PEAD 应该活在正交化之后，而不是被动量借壳。

结论：PEAD 是一个被复现了半个世纪、逻辑自洽的真实异象，但它不是「免费午餐」。它的收益藏在极端 SUE 组、低换手、可控做空成本 的交集里；一旦把前视、交易成本、卖空约束三项如实建模，毛漂移会大幅缩水——能剩下多少正的、净的 alpha，才是这篇该回答而你要在自己数据上验证的问题。