4、事件窗口定义：事件日确定、窗口期（事前、事后）设置、参数优化方法
做事件驱动策略，最核心的一步是什么？
我个人觉得，就是定义好「事件窗口」。
窗口没定好，后面算出来的超额收益全是噪音。我刚开始做量化那会儿，就吃过这个亏——把窗口拉得太长，结果把市场自然波动也算成了事件影响，回测曲线漂亮得不行，实盘一跑就露馅。
说白了，事件窗口就是你要盯着的那段「关键时间」。它决定了你什么时候买入、什么时候卖出，以及你的收益到底是不是事件带来的。
4.1 事件日（T=0）的确定
事件日，就是公告正式发布的那一天。但这里有个坑——你得搞清楚，到底是「公告日」还是「生效日」？
举个例子：
- 业绩预增公告：以上交所/深交所官网披露日期为准
- 分红预案：以股东大会通过后的公告日为准
- 重大合同：以公司签署并公告的日期为准
我习惯的做法是，从Wind或聚宽接口拉数据时，直接取 ann_date 字段。但要注意，如果公告是在收盘后发布的，那事件日应该顺延到下一个交易日。
# 伪代码示例：事件日调整逻辑
if 公告时间 > 15:00:
事件日 = 下一个交易日
else:
事件日 = 当前交易日4.2 窗口期设置：事前与事后
窗口期分为两段：事前窗口和事后窗口。
事前窗口（[-T, -1]）：用来观察事件前有没有信息泄露。你想想看，A股市场经常有「提前反应」的现象——公告还没出，股价先涨了5个点。这就是内幕消息在作祟。
事后窗口（[+1, +N]）：用来捕捉事件后的持续效应。有些利好是「见光死」，当天涨停第二天就跌停；有些则是「慢牛」，能涨好几天。
但具体怎么设？我列个表给你参考：
| 事件类型 | 事前窗口 | 事后窗口 | 说明 |
|---|---|---|---|
| 业绩预增 | [-3, -1] | [+1, +5] | 市场反应快，窗口不宜过长 |
| 重大合同 | [-5, -1] | [+1, +10] | 需要时间消化信息 |
| 分红送转 | [-10, -1] | [+1, +3] | 提前炒作明显，事后容易回落 |
| 资产重组 | [-20, -1] | [+1, +20] | 停牌复牌类，窗口要拉长 |
嗯，这里要注意：窗口不是越长越好。拉太长，会把其他事件的干扰也装进来。我曾经试过把事后窗口设到30天，结果发现收益里混进了季报效应，根本分不清是哪个事件贡献的。
4.3 参数优化方法
窗口参数怎么定？拍脑袋肯定不行。我一般用三种方法：
4.3.1 网格搜索法
说白了，就是暴力枚举。把事前窗口从 [-1, -1] 试到 [-10, -1]，事后窗口从 [+1, +1] 试到 [+1, +20]，看哪组参数的回测夏普比最高。
# 网格搜索伪代码
best_sharpe = -999
best_pre = 0
best_post = 0
for pre in range(1, 11):
for post in range(1, 21):
sharpe = backtest(event_list, pre_window=pre, post_window=post)
if sharpe > best_sharpe:
best_sharpe = sharpe
best_pre = pre
best_post = post
print(f"最优窗口：事前{best_pre}天，事后{best_post}天")4.3.2 累计异常收益（CAR）曲线法
这个方法更直观。你把所有事件的平均累计异常收益画出来，看曲线什么时候趋于平稳。
举个例子：
- 如果CAR在 [+1, +5] 持续上升，但 [+6, +10] 开始横盘——那事后窗口设5天就够了
- 如果CAR在 [-3, -1] 就开始拉升——说明事前窗口至少需要3天
我习惯用这个方法做「初筛」，再用网格搜索做「精调」。
4.3.3 交叉验证法
这个是为了防止过拟合。你把样本分成训练集和测试集，在训练集上找最优参数，在测试集上验证。
我曾经犯过一个错误：用全量数据做网格搜索，找到一组参数回测夏普比2.5，结果在样本外测试只有0.8。后来用了交叉验证，才找到真正稳定的参数。
4.4 知识体系总览
下面这张图，把事件窗口的核心逻辑串起来了：
这张图把整个流程串起来了：从事件日出发，向左是事前窗口（捕捉信息泄露），向右是事后窗口（捕捉持续效应），底部是三种参数优化方法。你想想看，是不是一下子就清晰了？
最后说一句：窗口参数没有「万能解」。不同市场、不同板块、不同事件类型，最优参数都不一样。我的建议是——先按经验设一组默认值，再用数据去验证和调整。别偷懒，该跑的回测一定要跑。
公众号:蓝海资料掘金营，微信deep3321