您不能与一家公司进行事件研究。
不幸的是,您需要任何事件研究的面板数据。事件研究侧重于事件前后各个时间段的收益。在事件发生之前和之后的每个时间段中,如果没有多个确定的观察结果,就无法将噪声(确定的特定变化)与事件的影响区分开。正如StasK指出的那样,即使只有少数几家公司,噪音仍将主导事件。
话虽如此,通过许多公司的小组,您仍然可以进行贝叶斯工作。
如何估算正常和异常收益
我将假设您用于正常收益的模型看起来像是标准套利模型。如果不是这样,您应该能够适应本讨论的其余部分。您需要使用一系列相对于公告日期的虚拟变量来增强“正常”回归回归:小号
[R我Ť= α一世+ γŤ - 小号+ rŤ米,吨β一世+ e我Ť
编辑:这应该是仅包含如果小号> 0。这个问题用这种方法的一个问题是,β 我会通过数据前和事后告知。这并不能精确地映射到传统事件研究,在传统事件研究中,仅在事件发生之前才计算预期收益。γss > 0β一世
通过这种回归,您可以讨论类似于我们通常看到的CAR系列的事情,在该系列中,我们可以得出事件前后的平均异常收益图,其中可能包含一些标准误差:
(无耻地摘自维基百科)
您将需要为(可能是正态分布)提出一个分布和误差结构,并带有一些方差-协方差结构。然后,可以建立用于先验分布α 我,β 我和γ 小号和如上提到运行贝叶斯线性回归。Ë我Ťα一世β一世γs
检查公告效果
自公告之日起就有理由认为可能会有一些异常收益率()。新信息刚刚发布到市场上,因此反应通常不违反任何套利或效率定理。您和我都不知道可能会产生什么公告影响。也不总是有很多理论指导。因此测试γ 0 = 0,可能需要更具体的知识,比我们在我们的处置(见下文)。γ0≠ 0γ0= 0
γ0
γ0≥ 0γ0γ0γ0
但是,对于公告前后的日期,严格的假设检验可能会发挥重要作用,因为这些回报可以看作是对表单效率的强而半强的检验
测试违反半强形式的效率
γs > 0= 0
γs= 0X¯FX= { x一世}ñ我= 1 $ 60 ,000 您将使用贝叶斯因子:
P(x¯= $ 60 ,000 |X)= ∫X¯= $ 60 ,000P( X) f(x¯)∫X¯≠ $ 60 ,000P( X) f(x¯)
P(x¯= $ 60 ,000 |X)= 0
γs > 0= 0γs > 0γs > 0= 0pγs ≠ 0= 01 − pγs > 0F
P(γs > 0= 0 | 数据)= P(数据| γs > 0= 0 )p∫γs > 0≠ 0P(数据| γs > 0)(1 − p ) f(γs > 0)> 0
γs > 0= 0
γs > 0γs = 0γs > 0γs= 0)与实际回报进行比较,以此作为贝叶斯方法和常客方法之间的桥梁。
累积异常收益
到目前为止,所有事情都在讨论异常收益。因此,我将快速进入CAR:
汽车τ= ∑t = 0τγŤ
γ0= 0汽车t > 0= 0
如何在Matlab中实现
对于这些模型的简单版本,您只需要常规的旧贝叶斯线性回归即可。我不使用Matlab,但看起来这里有一个版本。这可能仅适用于共轭先验。
对于更复杂的版本,例如尖锐的假设检验,您可能需要Gibbs采样器。我不知道任何适用于Matlab的现成解决方案。您可以检查JAGS或BUGS的接口。