

炒股软件弹出一条公告，你第一反应是不是「要涨」？

但问题是： announcement 本身不等于 profit。公告后的股价怎么走，和公告类型、市场预期、大盘情绪都有关系，直觉往往靠不住。做量化研究的人都知道，真正有用的问法是：**公告前后 N 个交易日，这只股票的平均累计收益是多少？胜率是多少？**

这就是「事件窗口分析」（Event Window Study）——把公告日当作 t=0，向前看 5 天、向后看 5 天，把多只股票、多次公告的窗口收益拼在一起，看有没有稳定的统计规律。

今天这篇文章就教你用 Python 跑一次完整的事件窗口分析。读完之后，你不仅能复现这个方法，还能把它套到分红、龙虎榜、涨停炸板等其他事件上。

---

## 本文你将得到什么

1. 事件窗口分析的核心计算逻辑：怎么对齐交易日、怎么算相对收益。
2. 一段可直接运行的 Python 代码，输入股票代码和事件日期，输出窗口收益表。
3. 一个实用结论框架：事件当日、事件次日、事件前一天的收益各代表什么含义。
4. 下一篇预告：分红除息事件的事件窗口分析。

---

## 核心思路

事件窗口分析只做三件事：

1. **定事件日**：业绩预告、分红方案、龙虎榜等公告发布的日期。
2. **取行情**：拿到事件发生前后一段区间内的日线收盘价。
3. **算相对收益**：以「事件日前一个交易日收盘价」为基准 100，计算事件日前后每一天的累计涨跌。

把多次事件的结果平均，就能看出公告这个事件本身是否带来了超额收益。

---

## 可运行代码

下面的代码使用公开演示证书，方便你直接复制运行。如果你没有安装 `mairui` 包，可以先执行：

```bash
pip install mairui pandas numpy
```

```python
from mairui import Client
import pandas as pd
import numpy as np

LICENCE = "LICENCE-66D8-9F96-0C7F0FBCD073"  # 演示证书；换成你自己的正式证书
client = Client(LICENCE)

# 关注股票与对应业绩预告事件日期（示例）
EVENTS = [
    {"code": "600519", "date": "2026-04-15", "name": "贵州茅台"},
    {"code": "600519", "date": "2026-07-20", "name": "贵州茅台"},
    {"code": "000001", "date": "2026-03-10", "name": "平安银行"},
    {"code": "000001", "date": "2026-08-12", "name": "平安银行"},
    {"code": "300750", "date": "2026-05-18", "name": "宁德时代"},
    {"code": "300750", "date": "2026-09-08", "name": "宁德时代"},
]

WINDOW_BEFORE, WINDOW_AFTER = 5, 5


def load_prices(code, st="20260101", et="20260925"):
    """尝试从 API 拉行情；演示证受限时回退到教学样例数据。"""
    try:
        bars = client.stock_history(code, "d", "n", st=st, et=et)
        if bars:
            df = pd.DataFrame(bars)
            df = df.rename(columns={"t": "date", "c": "close"})
            df["date"] = pd.to_datetime(df["date"])
            return df[["date", "close"]].sort_values("date")
    except Exception as e:
        print(f"演示证拉取受限，回退到样例数据：{e}")

    # 教学样例：生成固定 seed 的随机游走
    np.random.seed(int(code) if code.isdigit() else 42)
    dates = pd.bdate_range("2026-01-06", "2026-09-25")
    close = 100 * np.exp(np.cumsum(np.random.randn(len(dates)) * 0.02))
    return pd.DataFrame({"date": dates, "close": np.round(close, 2)})


def event_window(prices, event_date, before=5, after=5):
    prices = prices.sort_values("date").reset_index(drop=True)
    idx = prices[prices["date"] >= pd.to_datetime(event_date)].index.min()
    if pd.isna(idx):
        return None
    idx = int(idx)
    start = max(0, idx - before)
    end = min(len(prices), idx + after + 1)
    if end - start < before + after + 1:
        return None
    base = prices.iloc[idx - 1]["close"]
    window = prices.iloc[start:end].copy()
    window["relative_day"] = np.arange(-(idx - start), end - idx)
    window["cum_return"] = (window["close"] / base - 1) * 100
    return window[["date", "relative_day", "close", "cum_return"]]


results = []
for ev in EVENTS:
    prices = load_prices(ev["code"])
    w = event_window(prices, ev["date"])
    if w is not None:
        w["code"] = ev["code"]
        w["name"] = ev["name"]
        results.append(w)

agg = pd.concat(results, ignore_index=True)
stats = agg.groupby("relative_day")["cum_return"].agg(["mean", "median", "count"]).reset_index()
print(stats.round(2).to_string(index=False))
```

运行后你会看到类似下面的窗口收益表：

```text
 relative_day  mean  median  count
           -5 -0.01   -0.31      5
           -4  0.03   -1.00      5
           -3 -1.61   -2.31      5
           -2 -0.73   -0.30      5
           -1  0.00    0.00      5
            0  0.00    1.76      5
            1 -1.19   -0.95      5
            2 -2.47   -3.01      5
            3 -2.71   -2.35      5
            4 -3.46   -1.83      5
            5 -2.63   -2.26      5
```

（示例数据为教学演示，换正式证书后可跑全量真实数据。）

---

## 怎么读这张表

- **relative_day = 0**：公告当天。如果当天已经大涨，说明公告前市场预期已经打满，追进去风险高。
- **relative_day = -1**：公告前一天。经常会出现「信息提前泄漏」带来的异动，如果这一天收益显著为正，说明内幕交易或机构提前布局的概率偏高。
- **relative_day = +1**：公告后第一个交易日。如果当天收益为负，说明「利好出尽是利空」，追高容易被套。

注意：单只股票、单次公告没有任何说服力。事件窗口分析的价值在于**多次事件平均**，样本量越大，结论越稳。

---

## 三个容易踩的坑

1. **事件日不一定是交易日**。公告发布在周末或节假日时，要以公告日后的第一个交易日作为 t=0。代码里用 `prices[prices["date"] >= event_date]` 自动处理。
2. **不复权会毁掉结论**。分红、送股会导致价格断崖式下跌，事件窗口收益一定要用复权数据。示例中使用了复权后的收盘价字段。
3. **不要只看 mean，要看 median**。如果某一次事件涨了 30%，会把平均值拉得很高，但中位数可能平平。median 更能代表「典型情况」。

---

## 小结

事件窗口分析不是什么神秘模型，它就是把公告当做一个时间节点，看股价在这个节点前后的统计反应。这个方法的最大好处是**可复制**：换一只股票、换一类公告，代码结构几乎不变。

下一步你可以把它扩展到：分红除息、龙虎榜、涨停炸板、互动易舆情……我们下一篇先拿「分红除权除息」开刀。

下篇预告：【Python量化事件驱动实战 02】分红公告前后股价怎么走？除权除息事件的 Python 分析。

---

## 免责声明

本文仅为技术方法演示，不构成任何投资建议。文中示例数据仅用于教学，历史表现不代表未来收益。投资有风险，决策需谨慎。

代码与文档：[https://github.com/MaiRuiApi](https://github.com/MaiRuiApi)


但问题是： announcement 本身不等于 profit。公告后的股价怎么走，和公告类型、市场预期、大盘情绪都有关系，直觉往往靠不住。做量化研究的人都知道，真正有用的问法是：公告前后 N 个交易日，这只股票的平均累计收益是多少？胜率是多少？

【Python量化事件驱动实战 01】财报公告后买入还是卖出？用Python做一次事件窗口分析

人工智能

事件窗口分析揭示公告日前后5个交易日的累计收益规律，通过Python代码计算多事件平均收益与胜率，识别信息泄漏与利好出尽信号。该方法可扩展至分红、龙虎榜等事件，规避单次公告误判，用复权数据与中位数统计提升结论稳健性。

代码解释

Python

GitHub

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

【Python量化事件驱动实战 01】财报公告后买入还是卖出？用Python做一次事件窗口分析-腾讯云开发者社区-腾讯云

【Python量化事件驱动实战 01】财报公告后买入还是卖出？用Python做一次事件窗口分析

【Python量化事件驱动实战 01】财报公告后买入还是卖出？用Python做一次事件窗口分析

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐