3、半强式有效市场：基本面分析与事件研究法、公告效应与价格发现、信息传递速度的量化度量
聊到半强式有效市场，我得先跟你交个底——这是我在实战中最常打交道的一个市场形态。说白了，它假设所有公开信息都已经反映在价格里了。你打开财经新闻看到的财报、公告、分析师报告，这些统统算“公开信息”。
那问题来了：如果市场真的是半强式有效，那我们做基本面分析还有没有用？我个人习惯是这么看的——有用，但得换个玩法。
3.1 基本面分析：不是看“对不对”，而是看“快不快”
很多人做基本面分析，喜欢研究一家公司值多少钱。嗯，这没错。但在半强式有效市场里，你研究出来的“合理估值”，市场可能早就定价了。
我刚开始做量化那会儿，也踩过这个坑。辛辛苦苦算出一个股票的DCF估值，觉得被低估了20%，兴冲冲买进去。结果呢？股价纹丝不动。后来我才明白——市场不是不知道它值多少钱，而是有其他因素在主导短期价格。
举个例子。一家公司发布了超预期的季报，营收增长30%，利润增长50%。按理说这是大利好。但如果你在公告后第二天才买入，可能已经晚了——因为高频交易者和算法交易系统在毫秒级别就已经完成了定价。
3.2 事件研究法：量化“公告效应”的核心工具
事件研究法，是我做量化交易时最常用的工具之一。它的逻辑很简单：
- 选定一个“事件日”（比如财报发布日、分红公告日、并购公告日）
- 计算事件日前后一段时间的“异常收益”
- 判断市场对这个事件的反应是否有效
具体怎么做？我习惯用市场模型来估计正常收益：
# 市场模型：R_it = α_i + β_i * R_mt + ε_it
# 异常收益：AR_it = R_it - (α_i + β_i * R_mt)
import numpy as np
import pandas as pd
from scipy import stats
def calculate_abnormal_returns(stock_returns, market_returns, event_window=(-10, 10)):
"""
计算事件窗口内的异常收益
"""
# 估计期（通常用事件前120-240个交易日）
estimation_start = -240
estimation_end = -11
# 提取估计期数据
est_stock = stock_returns[estimation_start:estimation_end]
est_market = market_returns[estimation_start:estimation_end]
# 回归估计α和β
slope, intercept, r_value, p_value, std_err = stats.linregress(est_market, est_stock)
# 计算事件窗口内的异常收益
event_stock = stock_returns[event_window[0]:event_window[1]+1]
event_market = market_returns[event_window[0]:event_window[1]+1]
expected_returns = intercept + slope * event_market
abnormal_returns = event_stock - expected_returns
return abnormal_returns, intercept, slope这段代码看起来简单，但我在实际项目中踩过不少坑。比如估计期的选择——太短了参数不稳定，太长了又可能包含其他事件的影响。我一般用240个交易日，刚好一年左右。
3.3 公告效应：市场到底有多快？
公告效应，说白了就是市场对公告信息的反应模式。我把它分成三种：
| 反应类型 | 特征 | 交易策略 |
|---|---|---|
| 过度反应 | 公告后价格大幅波动，随后回调 | 反向交易（均值回归） |
| 反应不足 | 公告后价格缓慢调整，持续多日 | 趋势跟踪（动量策略） |
| 完全反应 | 公告瞬间完成定价，无后续波动 | 无套利机会 |
我曾经在A股市场做过一个实验：统计了5000多份财报公告，发现大约60%的公告存在“反应不足”现象。也就是说，市场需要3-5个交易日才能完全消化信息。这给了我一个启发——如果你能比市场快一步，就能吃到这波“信息消化红利”。
3.4 信息传递速度的量化度量
怎么量化信息传递速度？我常用的指标叫“价格发现效率”，英文叫Price Discovery Efficiency。核心思路是：
- 信息冲击系数（Information Impact Coefficient）：衡量单位信息量能引起多大的价格变动
- 半衰期（Half-life）：价格调整到最终水平一半所需的时间
- 方差比检验（Variance Ratio Test）：检验价格是否遵循随机游走
我给你们看一个我常用的半衰期计算代码：
def calculate_half_life(prices, event_time):
"""
计算价格调整的半衰期
"""
# 取事件前后的价格序列
pre_event = prices[:event_time]
post_event = prices[event_time:]
# 计算累计异常收益
cum_ar = np.cumsum(abnormal_returns)
# 找到最终调整水平
final_level = cum_ar[-1]
# 找到达到一半水平的时间
half_level = final_level / 2
# 寻找最接近的时间点
half_life = np.argmin(np.abs(cum_ar - half_level))
return half_life嗯，这里要注意——半衰期越短，说明市场效率越高。我见过最快的市场是美股，财报公告后的半衰期通常在30秒以内。A股慢一些，大概3-5分钟。但别小看这几分钟，足够你跑一个完整的套利策略了。
3.5 知识体系总览
为了让你更直观地理解这一章的内容，我画了一张图：
核心观点：半强式有效市场并不意味着基本面分析完全失效。它只是告诉我们——靠公开信息赚取超额收益的窗口期越来越短。你需要从“发现价值”转向“发现价值被定价的速度”。
我个人觉得，这一章最重要的不是记住那些公式和代码，而是理解一个思维转变：市场效率不是非黑即白的。它更像一个光谱，不同市场、不同时间、不同信息类型，效率都不一样。你的任务就是找到那些“效率相对较低”的角落，然后——嗯，你懂的。