标签： #事件研究

事件研究里最危险的结论不是「没显著」，而是「显著但假」——股价在降准后涨了，到底是因为降准，还是因为那段时间本来就该涨？双重差分 DID 用「处理组 − 控制组」的双重差分，把共同的时间趋势从处理效应里剥掉。本文用纯 numpy 从零实现双向固定效应 TWFE 与一般化的 2×2 差分，在自洽合成面板（1 只被冲击股票 + 19 只同类，事件前 24 月 + 后 24 月，真实 ATT=0.40%/月）上把 τ̂ 估计到 0.41%/月、t=2.79、置换 placebo 检验 p=0.038；并诚实拆穿平行趋势不可检验、控制组污染、政策内生化、溢出效应、动态效应被压平五类真实陷阱（中阶）。

DID 的灵魂是「控制组」，但现实里常有「只有一个受冲击单元、又找不到可比对照组」的尴尬——比如某国突然资本管制、某只指数被纳入 MSCI、某城试点房产税。合成控制法 SCM 给出一条出路：用一大篮未受冲击单元的「加权组合」为你合成一个专属对照组，权重由事件前的拟合优度决定。本文用纯 numpy + scipy 从零实现凸权重 SCM（非负、和为 1），在自洽合成面板（1 个受冲击单元 + 39 个 donor，事件后真实水平偏移=1.08%/期）上把事件前贴合 RMSE 压到 0.040、事件后 gap 估到 1.08，且权重极度稀疏（仅 6/39 个 donor 非零）；留一安慰剂检验中受冲击单元的 gap 是 40 个单元里的极端离群点（p≈0.025），并诚实拆穿外推/负权重、donor 池太窄、前拟合好后崩、唯一解不唯一、小样本过拟合五类真实陷阱（中阶）。

事件研究法是量化「一则公告到底带来了多少超额收益」的标准工具。从市场模型估计正常收益、算出异常收益 AR，再累积成 CAR/CAAR，并用 t 检验判断显著性。从零实现估计窗-事件窗切分、横截面聚合与显著性检验，附完整 Python 与六类真实陷阱（高阶）。

有效市场说价格应瞬间吸收盈余信息，但 PEAD 表明它没做到：好消息公布后股价还要慢吞吞涨几十天。本文用标准化未预期盈利 SUE 分十组，演示最高组显著正漂、最低组负漂，并点明前视、卖空约束、成本吞噬三大真实陷阱。

量化策略里到处是伪相关：两资产同涨同跌、因子在样本内亮眼却说不清为什么。本文用潜在结果框架讲清「相关性≠因果」，并用双重差分(DID)在「政策/事件冲击」场景下干净地估计策略可解释的因果效应，附完整 Python 实现、bootstrap 置信区间与事件研究，并诚实列出 DID 的真实陷阱。