siat 3.9.1__py3-none-any.whl → 3.9.10__py3-none-any.whl

siat/event_study.py

@@ -44,6 +44,15 @@ if __name__=='__main__':
     event_window=[1,1] #事件发生时股市已经收盘，故检测下一个交易日的股市反应
     market_index='000001.SS' #贵州茅台在上交所上市，故使用上证综合指数
     RF=0
+
+    #测试组1b
+    ticker='600519.SS'
+    
+    event_date='2024-4-2' #贵州茅台2023年报于2024年4月2日晚披露
+    start='2024-3-1'; end='2024-4-30'
+    event_window=[0,2] #事件发生时股市已经收盘，故检测下一个交易日的股市反应
+    market_index='000001.SS' #贵州茅台在上交所上市，故使用上证综合指数
+    RF=0
     
     #测试组2
     ticker=['600519.SS','399997.SZ']
@@ -75,6 +84,7 @@ if __name__=='__main__':
     facecolor="whitesmoke"
     show_AR=True
     show_RF=True
+    show_BHAR=True
     loc='best'
     
     es=event_study("600519.SS",event_date="2024-4-2", \
@@ -111,8 +121,9 @@ def event_study(ticker,event_date, \
                 RF="market index", \
                 ret_type="Daily Adj Ret%", \
                 ticker_type='auto', \
-                facecolor="whitesmoke",show_AR='auto',show_RF=False, \
-                loc='best'):
+                show_AR='auto',show_RF=False,show_BHAR=False, \
+                draw_CAR=True,draw_BHAR=False, \
+                facecolor="whitesmoke",loc='best'):
     """
     ===========================================================================
     功能：展示事件研究法的累计异常收益率CAR。
@@ -127,13 +138,15 @@ def event_study(ticker,event_date, \
         注意：事件窗口不一定包括事件日（适用于事件日在非交易日的情形，例如周末或假日，或者在当日闭市后发生）
         如果事件日为非交易日，事件窗口需要后移至事件日后的第一个交易日。
         如果怀疑市场提前对事件发生反应，可以考虑前移事件窗口的开始日期。
+        使用CAR时，事件窗口长度一般为数日；使用BHAR时可长达数月。
     post_event_days：用于分析事件窗口后的漂移效应，取事件窗口后多少天。
         默认不分析，取0天。可以指定天数，注意是否跨过非交易日情形，过长的窗口期也可能混杂其他事件的影响。
     method：估计事件窗口以及事件后窗口收益率预期值的方法
-        默认为CAPM（主要用于ticker为股票等），即通常所说的市场模型。
+        默认为CAPM（主要用于ticker为股票等），即通常所说的市场模型法。
         如果ticker为股票等，也可直接使用指数收益率为其预期收益率，此时method为Market或Index，即常说的市场调整模型。
         如果ticker为指数，无法再借助指数，method只能使用Random Walk，即使用前一个收益率为预期收益率。
         注意：不管多个ticker时里面的不同证券类型，仅按第一个ticker的类型判断，并使用同一种证券类型。
+        使用CAR时，对每日异常收益率相加，反映短期逐日异常收益的累积；使用BHAR时则为复利累积，反映长期异常收益。
     early_response_days：默认为-2，即提前2天市场就开始有反应。
         市场很可能对事件提前发生反应（因为泄密等原因），例如中国市场规定上市公司董事会开完后两天内必须披露。
         很可能刚开完董事会，市场就得到了消息。为规避这种情况对估计窗口的影响，可以调节此参数。
@@ -145,12 +158,17 @@ def event_study(ticker,event_date, \
         默认使用市场模型"market index"自动计算，无需指定。
         可直接指定具体数值。
         也可指定特定指标替代，例如一年期中国国债收益率"1YCNY.B"或一年期美债收益率"1YUSY.B"等。
-    show_RF：在使用市场模型或指定指标时是否显示计算出的RF均值，默认为False。
     ticker_type：显式指明ticker的证券类型，当siat误判其类型（中国内地股票/债券/基金）时使用，默认'auto'。
-    facecolor：显式指定绘图背景颜色，默认"whitesmoke"。
+    show_RF：在使用市场模型或指定指标时是否显示计算出的RF均值，默认为False。
     show_AR：是否绘图时绘制异常收益率AR
         默认'auto'（单个ticker时绘制，多个时不绘制）。
         也可指定True/False强行绘制/不绘制。
+    show_BHAR；是否显示BHAR数值，适用于长期窗口，默认否False。
+    draw_CAR：是否绘制CAR曲线，默认是True。
+    draw_BHAR：是否绘制BHAR曲线，默认否False。
+        注意：对于短期窗口，CAR曲线与BHAR曲线差异微小，可能基本重合，因此建议仅绘制其中之一。
+    facecolor：显式指定绘图背景颜色，默认"whitesmoke"。
+
     
     示例：美的收购库卡事件对股价的影响
     es=event_study(["000333.SZ"],
@@ -441,10 +459,11 @@ def event_study(ticker,event_date, \
         if DEBUG2:
             print("  DEBUG: RF_type={0}, RF_text={1}, rf_dict={2}".format(RF_type,RF_text, rf_dict))
         
-    #=====计算CAR==============================================================
+    #=====计算CAR和BHAR==============================================================
     for t in ticker_name(ticker,ticker_type):
         try:
             df_ret[t+"_CAR"]=0
+            df_ret[t+"_BHAR"]=0
         except: continue
         
     event_window_startpd=pd.to_datetime(event_window_start)
@@ -452,11 +471,14 @@ def event_study(ticker,event_date, \
     post_event_endpd=pd.to_datetime(post_event_end)
     startpd=pd.to_datetime(start); endpd=pd.to_datetime(end)
     
-    #计算CAR
+    #计算CAR和BHAR
     df_ret_event=df_ret[(df_ret.index >=event_window_startpd) & (df_ret.index <=endpd)]
     for t in ticker_name(ticker,ticker_type):
         try:
-            df_ret_event[t+'_CAR'] = df_ret_event[t+'_AR'].cumsum()
+            # CAR：单利累加求和（每日异常收益相加）
+            df_ret_event[t+'_CAR'] = df_ret_event[t+'_AR'].cumsum(skipna=True)
+            # BHAR：复利累积
+            df_ret_event[t+'_BHAR'] = ((1+df_ret_event[t+'_AR']/100).cumprod()-1)*100
         except: continue
     
     #合成事件前期间
@@ -464,11 +486,12 @@ def event_study(ticker,event_date, \
     for t in ticker_name(ticker,ticker_type):
         try:
             df_ret_before_event[t+'_CAR']=np.nan
+            df_ret_before_event[t+'_BHAR']=np.nan
         except: continue
     
     df_show=pd.concat([df_ret_before_event,df_ret_event])
     
-    #是否显示AR：默认单证券显示，多证券不显示
+    #是否显示AR：默认单证券显示，多证券时不显示
     df_show_cols=[]
     for c in list(df_show):
         if show_AR=='auto':
@@ -555,6 +578,17 @@ def event_study(ticker,event_date, \
             #footnote5=footnote5+c_name+p_value_str+"，"
             #footnote5=footnote5+"{0}({1}, {2}), ".format(c_name,car_value_str,p_value_str)
             footnote5=footnote5+"{0}({1}, {2}, {3}), ".format(c_name,car_mean_str,car_median_str,p_value_str)
+            
+        if 'BHAR' in c.upper():
+            bhar_value=df_event_window[c][-1]
+            if bhar_value > 0:
+                bhar_value_str=str(round(bhar_value,4))[:6]
+            else:
+                bhar_value_str=str(round(bhar_value,4))[:7]
+                
+            if show_BHAR:
+                footnote5=footnote5+"BHAR: {0}, ".format(bhar_value_str)
+            
     footnote5=footnote5.strip(", ")
 
     #显著性检验：异于零的t检验，事件后窗口
@@ -606,6 +640,17 @@ def event_study(ticker,event_date, \
                     
                 #footnote6=footnote6+c[:-4]+str(p_value)[:6]+"，"
                 footnote6=footnote6+"{0}({1}, {2}, {3}), ".format(c_name,car_mean_str,car_median_str,p_value_str)
+                        
+            if 'BHAR' in c.upper():
+                bhar_value=df_post_event_window[c][-1]
+                if bhar_value > 0:
+                    bhar_value_str=str(round(bhar_value,4))[:6]
+                else:
+                    bhar_value_str=str(round(bhar_value,4))[:7]
+                    
+                if show_BHAR:
+                    footnote6=footnote6+"BHAR: {0}, ".format(bhar_value_str)
+
         footnote6=footnote6.strip(", ")
     
     footnote7="数据来源：Sina/EM/Yahoo/Stooq/SWHY，"+stoday
@@ -659,8 +704,16 @@ def event_study(ticker,event_date, \
     attention_point.sort(reverse=False)
     attention_point=list({}.fromkeys(attention_point).keys())    
     
+    # 是否绘制CAR或BHAR曲线：对于短期窗口，CAR曲线和BHAR曲线很可能基本重合，建议仅绘制其中之一！
+    df0draw=df0.copy()
+    for c in list(df0draw):
+        if not draw_CAR and 'CAR' in c:
+            del df0draw[c]
+        if not draw_BHAR and 'BHAR' in c:
+            del df0draw[c]
+    
     #绘图
-    draw_lines(df0,y_label,x_label,axhline_value,axhline_label,title_txt, \
+    draw_lines(df0draw,y_label,x_label,axhline_value,axhline_label,title_txt, \
                data_label=False, \
                loc=loc,resample_freq='D',smooth=False, \
                annotate=True,annotate_value=False, \
@@ -668,7 +721,7 @@ def event_study(ticker,event_date, \
                attention_point_area=attention_point_area, \
                ticker_type=ticker_type,facecolor=facecolor)
     
-    #=====输出AR和/或CAR表格====================================================
+    #=====输出AR和/或CAR或BHAR表格====================================================
     df1=df0.copy()
     #df1=df1.replace([np.nan, None], np.nan).dropna()
     df1=df1.replace([np.nan, None],'-')
@@ -735,6 +788,10 @@ def event_study(ticker,event_date, \
     else:
         footnote=footnote2+footnote3+footnote4+'\n'+footnote5+'\n'+footnote6
     
+    for c in list(df1):
+        if not show_BHAR and 'BHAR' in c:
+            del df1[c]
+
     #显示结果表格
     df_display_CSS(df1,titletxt=title_txt,footnote=footnote,facecolor=facecolor,decimals=4, \
                    first_col_align='left',second_col_align='left', \

{siat-3.9.1.dist-info → siat-3.9.10.dist-info}/METADATA

@@ -1,6 +1,6 @@
 Metadata-Version: 2.2
 Name: siat
-Version: 3.9.1
+Version: 3.9.10
 Summary: Securities Investment Analysis Tools (siat)
 Home-page: https://pypi.org/project/siat/
 Author: Prof. WANG Dehong, International Business School, Beijing Foreign Studies University

{siat-3.9.1.dist-info → siat-3.9.10.dist-info}/RECORD

@@ -34,7 +34,7 @@ siat/economy2.py,sha256=inmArHl43HFnSn6O4uY-xcsQY93IyMlFet3pQ7JpsjM,81089
 siat/economy_test.py,sha256=6vjNlPz7W125pJb7simCddobSEp3jmLIMvVkLRZ7zW8,13339
 siat/esg.py,sha256=GMhaonIKtvOK83rhpQUH5aJt2OL3HQBSVfD__Yw-0oo,19040
 siat/esg_test.py,sha256=Z9m6GUt8O7oHZSEG9aDYpGdvvrv2AiRJdHTiU6jqmZ0,2944
-siat/event_study.py,sha256=30ji4TP4xztNVjQdkBlwWstkCIGg6McTYe8dWlbloTg,34341
+siat/event_study.py,sha256=xhWpKMcLbXxyFWADxgEeMLp_370CsPonGlELbpOJVLA,36978
 siat/exchange_bond_china.pickle,sha256=zDqdPrFacQ0nqjP_SuF6Yy87EgijIRsFvFroW7FAYYY,1265092
 siat/fama_french.py,sha256=aUTC-67t_CEPbLk4u79woW_zfZ7OCP6Fo4z5EdWCSkQ,48051
 siat/fama_french_test.py,sha256=M4O23lBKsJxhWHRluwCb3l7HSEn3OFTjzGMpehcevRg,4678
@@ -145,8 +145,8 @@ siat/valuation_china.py,sha256=eSKIDckyjG8QkENlW_OKkqbQHno8pzDcomBO9iGNJVM,83079
 siat/valuation_market_china_test.py,sha256=gbJ0ioauuo4koTPH6WKUkqcXiQPafnbhU5eKJ6lpdLA,1571
 siat/var_model_validation.py,sha256=R0caWnuZarrRg9939hxh3vJIIpIyPfvelYmzFNZtPbo,14910
 siat/yf_name.py,sha256=laNKMTZ9hdenGX3IZ7G0a2RLBKEWtUQJFY9CWuk_fp8,24058
-siat-3.9.1.dist-info/LICENSE,sha256=NTEMMROY9_4U1szoKC3N2BLHcDd_o5uTgqdVH8tbApw,1071
-siat-3.9.1.dist-info/METADATA,sha256=TdLVtDZHF0gBr7cfi0UwFMXUD69-PUAsoZIRgwTu2MA,8334
-siat-3.9.1.dist-info/WHEEL,sha256=In9FTNxeP60KnTkGw7wk6mJPYd_dQSjEZmXdBdMCI-8,91
-siat-3.9.1.dist-info/top_level.txt,sha256=r1cVyL7AIKqeAmEJjNR8FMT20OmEzufDstC2gv3NvEY,5
-siat-3.9.1.dist-info/RECORD,,
+siat-3.9.10.dist-info/LICENSE,sha256=NTEMMROY9_4U1szoKC3N2BLHcDd_o5uTgqdVH8tbApw,1071
+siat-3.9.10.dist-info/METADATA,sha256=tcyrbbCQ4PKsHAi4jCkJXdIAXyCicGRom6snzC3cqso,8335
+siat-3.9.10.dist-info/WHEEL,sha256=In9FTNxeP60KnTkGw7wk6mJPYd_dQSjEZmXdBdMCI-8,91
+siat-3.9.10.dist-info/top_level.txt,sha256=r1cVyL7AIKqeAmEJjNR8FMT20OmEzufDstC2gv3NvEY,5
+siat-3.9.10.dist-info/RECORD,,