MerQuR+Başvuru Kitabı

153. Olay Çalışması (Event Study)

Analiz kimliği: olay_calismasi · Menü adı: Olay çalışması (Event Study) · Panel: gui/panels/analyses/olay_calismasi_panel.py · Motor: stats/olay_calismasi.py, run_olay_calismasi (satır 363–); olay düzeyi hesap _olay_hazirla (139–232); kesit düzenekleri _test_duzenegi (235–266); pencere testleri _pencere_testleri (293–335); BHAR _bhar (338–342)

153.1 Ne işe yarar

Bir olayın (kâr duyurusu, birleşme, temettü, kriz günü) hisse getirisi üzerinde olağan dışı bir etki yapıp yapmadığını ölçer. Olay penceresindeki getiriden, olay olmasaydı beklenecek (normal) getiri çıkarılır: anormal getiri AR_{it}. Pencere boyunca toplamı birikimli anormal getiri (CAR) ve olayların ortalaması CAAR'dır.

AR_{it}=R_{it}-\hat\alpha_i-\hat\beta_iR_{mt},\qquad CAR_i(a,b)=\sum_{t=a}^{b}AR_{it},\qquad CAAR=\frac1N\sum_{i=1}^{N}CAR_i
  • R_{it}: hisse getirisi; R_{mt}: piyasa getirisi; \hat\alpha_i,\hat\beta_i: tahmin penceresinde (olaydan önceki L_e gün) EKK ile kestirilen piyasa modeli katsayıları.
  • Gün 0: olay günü; olay penceresi [L_1,L_2] gün 0'a göredir.
H_0:\ E[CAAR]=0

Analiz bu H_0'ı parametrik (Brown–Warner t, Patell Z, BMP t, Kolari–Pynnönen) ve parametrik olmayan (Corrado sıra, işaret, genelleştirilmiş işaret) testlerle sınar; uzun dönem için satın al ve tut anormal getiriyi (BHAR) çarpıklık düzeltmeli t ile verir.

Ne zaman kullanılır? Piyasanın bir bilgiye verdiği tepkiyi ölçmek için: duyuru etkisi, düzenleme değişikliği, makro açıklama, kriz.

Ne zaman kullanılmaz?

  • Olaylar aynı gün kümeleniyor ve tepki ortak bir piyasa şokuysa: kesit korelasyonu büyük olur; Kolari–Pynnönen düzeltmesi ve Brown–Warner t bu durumda yardımcıdır, Patell ve BMP düzeltilmemiştir.
  • Olay penceresinde başka bilgilerin karışması (kirlenme) varsa: tek olay etkisi ayrılamaz.
  • Çok faktörlü fiyatlama modelini kestirmek istiyorsanız: Fama–MacBeth ve Çok Faktörlü Varlık Fiyatlama (154).

Sık karıştırılan analizler. Olay çalışması kısa pencerede getiri farkını sınar; Fama–MacBeth aynı varlık fiyatlama ilişkisini kesitte tahmin eder. BHAR uzun dönemlidir ve bileşik getiriyi kullanır.

153.2 Varsayımlar ve veri türü

Varsayım Ne demek MerQur'da nasıl denetlenir
Tahmin penceresi olaydan etkilenmemiş Normal getiri olay öncesinden kestirilir. Tahmin penceresi [L_1-\text{boşluk}-L_e,\ L_1-\text{boşluk}-1].
Yeterli tahmin gözlemi n_e\ge\max(\text{en az gözlem},\,p+2). Altında olay dışlanır ("az gözlem").
Piyasa getirisi sabit değil Piyasa modeli için varyans > 0. Sabitse olay dışlanır.
Olay penceresinde eksik yok Pencere getirileri tam. Eksik varsa olay dışlanır.

Eksik değer. Tahmin penceresindeki eksik getirili günler atlanır. Dışlanan olaylar nedeniyle birlikte yazılır (hisse yok, son tarihten sonra, işlem dışı, pencere dışı, eksik, az gözlem, sabit piyasa, sonlu olmayan, sıfır varyans). Gün 0. Olay tarihi hissenin işlem gününde değilse, varsayılan olarak sonraki işlem günü gün 0 olur; "olay dışlanır" seçeneği vardır.

153.3 Parametreler

Varsayılanlar olay_calismasi_panel.py içindeki read_options kodundan okunmuştur.

Arayüz adı Varsayılan Ne yapar Sonucu nasıl değiştirir
Tarih, hisse kimliği, getiri, piyasa getirisi — Uzun biçim veri sütunları. —
Olay tablosu: kimlik, tarih — Olayların hangi hisse ve tarihte olduğu. Aynı tablo ya da aynı sütun satırları.
Normal getiri modeli Piyasa modeli (EKK) Piyasa modeli, ortalama düzeltilmiş, piyasa düzeltilmiş. AR ve \sigma.
Getiri türü Basit Basit ya da logaritmik. BHAR bileşiği.
Tahmin penceresi uzunluğu L_e 120 Gün sayısı. Model katsayıları.
Boşluk 0 Tahmin ve olay pencereleri arası. —
Olay penceresi L_1, L_2 -5, 5 Gün 0'a göre. Çıktı günleri.
Tahmin penceresinde en az gözlem 30 Olay dışlama eşiği. Dışlanan olay sayısı.
CAR ve BHAR pencereleri -1:1, 0:1, -5:5 a{:}b, virgülle. Pencere tabloları.
Klasik t'nin varyans kestirimi Brown–Warner Tahmin penceresi AAR dağılımı ya da MacKinlay hisse varyansları. Klasik t ve p.
Olay tarihi işlem günü değilse Sonraki işlem günü Sonraki gün ya da dışla. Gün 0.
Parametrik, parametrik olmayan, BHAR, AR tablosu hepsi açık İstenen test aileleri. —

153.4 Veri örneği

Tıp veri setinde finansal getiri bulunmadığından, Kenneth R. French Data Library verisi kullanılır: 10 sanayi portföyünün günlük değer ağırlıklı getirisi ve piyasa getirisi (2007–2009; ABD). Olaylar: 15 Eylül 2008 (Lehman Brothers'ın iflası) ve 9 Mart 2009; 10 sanayi \times 2 olay =N=20 olay. Veri MerQur test klasöründe (tests/data/v280_olay_endustri_gunluk.csv.gz); kaynak: French Veri Kütüphanesi (Dartmouth, Tuck İşletme Okulu), 10_Industry_Portfolios_Daily ve F-F_Research_Data_Factors_daily.

Soru: Lehman iflası ve 9 Mart 2009 günlerinde sanayi portföyleri anormal getiri gösterdi mi? Ayarlar: piyasa modeli, L_e=120, olay penceresi [-5{,}5], CAR pencereleri (-1{,}1), (0{,}1), (-5{,}5), Brown–Warner t.

153.5 Formüller ve hesap adımları

153.5.1 Normal getiri modeli

Piyasa modelinde her olay için tahmin penceresinde R_{it}=\alpha_i+\beta_iR_{mt}+\varepsilon_{it} EKK ile; \hat\sigma_i^2=\mathrm{RSS}_i/(L_e-2). Ortalama düzeltilmişte beklenen getiri tahmin penceresi ortalamasıdır, \hat\sigma^2 örnek varyansıdır (n-1). Piyasa düzeltilmişte AR=R-R_m, \hat\sigma tahmin penceresi AR'lerinin örnek standart sapmasıdır (Brown ve Warner, 1985).

153.5.2 CAR ve standartlaştırma

\widehat{\mathrm{Var}}(CAR_i)=\hat\sigma_i^2\Big(L+\mathbf 1'X_{ev}(X'X)^{-1}X_{ev}'\mathbf 1\Big),\qquad SCAR_i=\frac{CAR_i}{\sqrt{\widehat{\mathrm{Var}}(CAR_i)}}

L: pencere gün sayısı; X_{ev}: olay penceresi tasarım satırları; ikinci terim tahmin hatası düzeltmesidir (MacKinlay, 1997).

153.5.3 Parametrik testler

t_{BW}=\frac{CAAR}{\sqrt L\,\hat s_{AAR}}\ \ (p:\ t(n_{AAR}-1)),\qquad Z_{Patell}=\frac{\sum SCAR_i}{\sqrt{\sum \nu_i/(\nu_i-2)}}
t_{BMP}=\frac{\overline{SCAR}}{s_{SCAR}/\sqrt N}\ \ (t(N-1)),\qquad t_{KP}=t_{BMP}\sqrt{\frac{1-\bar r}{1+(N-1)\bar r}}
  • \hat s_{AAR}: tahmin penceresindeki ortalama AR (kesit ortalaması) dizisinin örnek standart sapması.
  • \bar r: tahmin penceresi artıklarının ortalama kesit korelasyonu; \nu_i=n_e-2 (piyasa modeli).

Neden Brown–Warner t varsayılan?

Tahmin penceresi AAR dağılımından varyans kestirmek, olay günü kümelenmesine ve kesit bağımlılığına karşı dayanıklıdır; MacKinlay'in hisse varyansları hisseler arası bağımsızlık varsayar. İkisi de literatürde yaygındır; MerQur Brown–Warner'ı varsayılan yapar, MacKinlay'i seçenek olarak sunar (olay_calismasi.py:30–34).

153.5.4 Parametrik olmayan testler

  • Corrado (1989): tahmin ve olay penceresi artıkları birlikte sıralanır; eşit artıklar ortalama sıra alır (artıklar 10^{-12}'ye yuvarlanır). Z=\sum U_t/(\sqrt L\,S_K).
  • İşaret: Z=(w-N/2)/(\sqrt N/2); w pozitif CAR'lı olay sayısı.
  • Genelleştirilmiş işaret (Cowan, 1992): Z=(w-N\hat p)/\sqrt{N\hat p(1-\hat p)}; \hat p tahmin penceresi artıklarının pozitif oranı (çok günlü pencerede aynı uzunlukta kayan toplamlar).

153.5.5 BHAR

BHAR_i=\prod_t(1+R_{it})-\prod_t(1+E[R_{it}])

t çarpıklık düzeltmeli (Lyon, Barber ve Tsai, 1999): t_{sa}=\sqrt n\,(S+\tfrac13\gamma S^2+\tfrac{\gamma}{6n}), S=\overline{BHAR}/s, \gamma çarpıklık. Logaritmik getiride \exp(\sum r)-\exp(\sum E[r]).

Koddaki tercih: gün 0 ve boşluk

Olay tarihi işlem günü değilse gün 0 sonraki işlem günüdür. Bunu belirleyen bir yayın bulunamamıştır (MacKinlay, 1997 yalnız kapanış sonrası duyuruda ertesi günü katmayı söyler). "Olay dışlanır" seçeneği kullanıcıya bırakılmıştır (olay_calismasi.py:36–40).

153.6 Elle hesap

Bağımsız numpy betiği (dogrulama/cilt9/olay.py). N=20 olay, L_e=120, [-5{,}5].

Adım 1 — Piyasa modeli. Her olay için tahmin penceresi [-125,-6]: örneğin NoDur (2008-09-15) \hat\alpha=0{,}00021, \hat\beta=0{,}5683, R^2=0{,}6532, \hat\sigma=0{,}00529.

Adım 2 — AAR. Gün -5: AAR=0{,}000201; tahmin penceresi AAR dizisinin \hat s_{AAR}=0{,}001585; t_{BW}=0{,}000201/0{,}001585=0{,}127. Gün +1: AAR=-0{,}00359, t_{BW}=-2{,}261.

Adım 3 — CAAR(−1,1). CAAR=-0{,}004208; t_{BW}=-0{,}004208/(\sqrt3\times0{,}001585)=-1{,}5325; p=0{,}1281.

Adım 4 — BMP, (-1{,}1). Her olayda SCAR_i; \overline{SCAR}/(s/\sqrt{20})=-0{,}99496; p=0{,}3323.

153.6.1 Doğrulama: MerQur, Python ve R

Büyüklük MerQur Bağımsız Python R (kayıtlı) Sonuç
AAR gün -5; t_{BW} 0,00020; 0,127 0,000201; 0,127 0,000201366; 0,127006 ✓
CAAR(−1,1) −0,00421 −0,004208359 −0,0042083594 ✓
t_{BW} (−1,1) −1,532 −1,532465 −1,532465 ✓
BMP t (−1,1), p −0,995; 0,3323 −0,994960; 0,332259 −0,994960; 0,332259 ✓
Z Patell (−1,1) −0,955 — −0,955151 ✓
Corrado, işaret, gen. işaret (−1,1) −0,894; −0,894; −0,887 — −0,894232; −0,894427; −0,886849 ✓

R sayıları, MerQur test takımındaki sabitlenmiş değerlerdir (tests/data/v280_olay_fm_ref.json, anahtar r_olay: R lm ve temel formüller; tests/test_v280_olay_calismasi.py). Bu çalışmada R yeniden çalıştırılmamıştır; MerQur ve bağımsız numpy hesabı yazılan ondalıklarda aynı değeri verir.

153.7 Çıktıyı okuma

Normal getiri modeli: Piyasa modeli (EKK)   Kullanılan olay sayısı: 20
Tahmin penceresi (gün 0'a göre): [-125, -6]   Olay penceresi: [-5, 5] (11)
Ortalama kesit korelasyonu r̄: -0,0125
⚠ Aynı gün en çok 10 olay var (olay günü kümelenmesi)
Gün       AAR   t (BW)  Z Patell   t BMP    t KP  Z Corrado  Z işaret  Z gen. işaret
+1   -0,00359  -2,261*   -2,237*  -1,621  -1,868    -2,136*    -0,894         -0,891
CAR pencereleri: CAAR ve testler
(-1,1)  3  -0,00421  -1,532  0,1281   -0,955  0,3395  -0,995  0,3323  -1,146  0,2659
Öğe Ne yazar Nasıl yorumlanır
AAR, CAAR Ortalama anormal ve birikimli anormal getiri. Olayın ortalama etkisi.
t_{BW}, Z Patell, t BMP, t KP Parametrik testler. p<\alpha ise CAAR \ne0.
Corrado, işaret, gen. işaret Parametrik olmayan. Dağılıma duyarsız doğrulama.
Olay kümelenmesi uyarısı Aynı gün çok olay. Patell ve BMP düzeltilmemiştir; BW ve KP kullanın.
Kesit özeti, olay düzeyi CAR dağılımı ve olay başına \alpha,\beta,R^2,\sigma, SCAR. Aykırı olayları görmek için.

Bu örnekte gün +1'de ortalama anormal getiri -0{,}36\% ve BW, Patell, Corrado ile anlamlıdır; ama BMP ve KP anlamlı değildir ve CAAR pencerelerinde hiçbir test anlamlı değildir. Aynı gün 10 olay kümelenmesi nedeniyle parametrik olmayan ve KP/BW testleri öncelik taşır.

N=20 olay için piyasa modeli (L_e=120) ve [-1{,}1] penceresinde ortalama birikimli anormal getiri -0{,}42\% bulundu; Brown–Warner t=-1{,}53 (p=0{,}128), BMP t=-0{,}99 (p=0{,}332); anlamlı bir fark bulunamadı.

153.8 Uzman soruları

S1. Brown–Warner ve MacKinlay varyans kestirimi arasındaki fark?

Brown–Warner tahmin penceresindeki AAR dizisinin örnek standart sapmasını kullanır; MacKinlay olay düzeyi varyanslarını (\sum\hat\sigma_i^2L/N^2) toplar ve hisseler arası bağımsızlık varsayar. Kümelenmiş olaylarda ikincisi t'yi şişirir.

S2. Patell ve BMP neden kümelenmeye karşı düzeltilmemiş?

Patell Z standartlaştırılmış kalıntıların bağımsızlığını varsayar; BMP olay kaynaklı varyans artışına dayanıklıdır ama kesit korelasyonuna değil. Kolari–Pynnönen düzeltmesi \bar r ile BMP'yi düzeltir.

S3. Corrado testi neden artıkları 10^{-12}'ye yuvarlıyor?

Matematiksel olarak eşit artıklar (aynı getiri ve piyasa çifti) kayan nokta gürültüsüyle ayrılmasın ve ortalama sıra alınsın diye (kod yorumu, _test_duzenegi).

S4. Gün 0 nasıl belirleniyor?

Olay tarihinde ya da sonrasındaki ilk işlem günü. Duyuru kapanıştan sonra yapılmışsa olay penceresinin başına ertesi günü katmak kullanıcının sorumluluğundadır.

S5. Piyasa modelinde tahmin hatası düzeltmesi neden L+\mathbf 1'X(X'X)^{-1}X'\mathbf 1?

CAR tahmini katsayılara bağlı olduğundan varyansı yalnız L\sigma^2 değil, katsayı belirsizliğini de içerir (MacKinlay, 1997). Büyük L_e'de ikinci terim küçülür.

S6. Başka yazılımlarla fark?

Klasik t'nin tanımı yazılıma göre değişir. MerQur varsayılanı Brown–Warner'dır ve MacKinlay seçilebilir. Patell, BMP, KP, Corrado ve işaret testleri açık formüllerle yazılmış R hesabıyla eşleşir.

153.9 Sık hatalar ve tuzaklar

  • Olay kümelenmesini yok saymak. Aynı günde çok olay varsa Patell ve BMP şişer.
  • Tahmin penceresini olay penceresiyle örtüştürmek. "Boşluk" parametresiyle ayırın.
  • Çok kısa tahmin penceresi. L_e<30 olay dışlanmasına yol açar.
  • Pencere seçimini sonuca göre yapmak. CAR pencereleri önceden belirlenmelidir.
  • BHAR'ı kısa pencere AR ile karıştırmak. BHAR bileşik getiridir; çarpıklık düzeltmesi gerektirir.

153.10 Kaynaklar

  • MacKinlay, A. C. (1997). Event studies in economics and finance. Journal of Economic Literature, 35(1), 13–39.
  • Brown, S. J., & Warner, J. B. (1985). Using daily stock returns: The case of event studies. Journal of Financial Economics, 14(1), 3–31. https://doi.org/10.1016/0304-405X(85)90042-X
  • Patell, J. M. (1976). Corporate forecasts of earnings per share and stock price behavior: Empirical tests. Journal of Accounting Research, 14(2), 246–276. https://doi.org/10.2307/2490543
  • Boehmer, E., Musumeci, J., & Poulsen, A. B. (1991). Event-study methodology under conditions of event-induced variance. Journal of Financial Economics, 30(2), 253–272. https://doi.org/10.1016/0304-405X(91)90032-F
  • Kolari, J. W., & Pynnönen, S. (2010). Event study testing with cross-sectional correlation of abnormal returns. Review of Financial Studies, 23(11), 3996–4025. https://doi.org/10.1093/rfs/hhq072
  • Corrado, C. J. (1989). A nonparametric test for abnormal security-price performance in event studies. Journal of Financial Economics, 23(2), 385–395. https://doi.org/10.1016/0304-405X(89)90064-0
  • Cowan, A. R. (1992). Nonparametric event study tests. Review of Quantitative Finance and Accounting, 2(4), 343–358. https://doi.org/10.1007/BF00939016
  • Lyon, J. D., Barber, B. M., & Tsai, C.-L. (1999). Improved methods for tests of long-run abnormal stock returns. Journal of Finance, 54(1), 165–201. https://doi.org/10.1111/0022-1082.00101
  • French, K. R. (b.t.). Data library: 10 Industry Portfolios (Daily) ve Fama/French 3 Factors (Daily). Tuck School of Business, Dartmouth College. https://mba.tuck.dartmouth.edu/pages/faculty/ken.french/data_library.html