當台灣的上市公司宣布有關股票的特別消息，比如說要分紅或者調整股票的價值（這種情況我們稱之為除權或除息），這通常會對公司的股票價格造成一些波動。我們的研究就是要搞清楚，這些宣布到底對股票價格有什麼影響。

這篇文章中，我們將介紹 finlab package 嶄新超好用的工具，讓你一秒判斷除權息究竟要做多還是做空？首先，我們會從財務的大數據庫裡面搜集這些宣布的具體信息，包括宣布的時間、具體的生效日和股票的交易變動。這樣我們就能知道哪天發生了什麼事。

接下來，我們會整理這些信息，把它們按照時間和股票代號排列好，這個過程就像是把一堆散亂的資料整理成清晰的列表。

然後我們用一種叫做事件研究的方法，來計算這些特別宣布前後，股票的價格變動情況。我們會比較這個變動和一般市場的變動有什麼不同，從而評估這個宣布的影響力度。

簡而言之，我們的研究就是想要了解，當公司發出某些股票相關的重要消息時，投資人的反應是怎樣的，並且這對股票價格會有什麼樣的效果。

內容目錄 隱藏

查看事件前後的異常報酬率

我們將用簡單的 Python 語法來分析：

從財務數據庫中提取除權息公告數據。
清洗和轉換數據，創建事件矩陣。
進行事件研究，計算異常收益率。
將結果以視覺化的方式呈現，分析事件對股價的影響。

只需要簡單的幾行，就能知道事件前後的異常報酬率了。舉例而言，如果想知道除權前後的異常報酬率，只需要執行下面的程式碼，就能輸出圖表了。

拿取財務資料

想像一下，你是一位探險家，你手中有一張藏寶圖，這張圖上標記著一系列的「X」，代表著可能埋藏著寶藏的地點。在這個比喻中，寶藏就是一個公司特定財務事件（如除權除息）對股票價格的潛在影響，而你要做的，就是跟隨這張地圖去探索這些「X」標記處是否真的有寶藏。

在我們的情境中，「X」標記是數據中的除權除息事件。我們的目標是要找出這些事件是否對股票價格造成了影響。

首先，我們利用一個像是魔法箱子的工具 —— finlab 數據庫，這個數據庫像是藏寶圖的起點。我們叫它出來（用一行程式碼），讓它顯示出最近的幾個「X」（也就是公司的除權除息事件）。

from finlab import data

data.get('dividend_announcement').head()

從 finlab 庫導入 data 模組。
調用 get 函數來檢索 dividend_announcement 數據集，這是一個包含公司除權息公告的數據集。
顯示了包含多個欄位的 DataFrame，這些欄位包括股票代號、公告日期、基準日期、公司名稱、所屬期間、增資配股等信息。

然後，我們要確保我們的地圖是乾淨的，沒有重複的標記，也沒有模糊不清的部分（這就是去重和去除空值的程式碼部分）。我們還會重新繪製地圖，讓每個「X」都按照日期排好（轉換成一個新的表格）。

from finlab import data

event = data.get('dividend_announcement')\
    .drop_duplicates(subset=['stock_id', '除權交易日'])\
    .dropna(subset=['stock_id', '除權交易日'])\
    .pivot(index='除權交易日', columns='stock_id', values='市場別')\
    .rename_axis('date')\
    .notna()

event.head()

這段程式碼進一步處理上述提取的數據。
.drop_duplicates() 移除重複的行。
.dropna() 刪除含有空值的行。
.pivot() 將數據重塑成一個以除權交易日為索引，股票代號為欄位的新 DataFrame。
.rename_axis('date') 更改索引名稱為 date。
.notna() 將所有的 NaN 值轉換為布林值 False。

這樣就可以產生一張表格，True，對應到就是除權的股票和日期，我們可以用簡易的程式來驗證，來看除權息通常都是每年的夏天發生：

event.sum(axis=1).plot()

接下來我們可以透過很方便的函數來產生除權息後的五日、十日、二十日、六十日以後的報酬率：

from finlab.tools.event_study import create_factor_data

adj_close = data.get('etl:adj_close')
factor_data = create_factor_data(event, adj_close, event=event)

factor_data

但如此還是有點不清楚，有沒有方法能來統計呢？接下來我們可以透過 event_study 來視覺化事件發生後的報酬率：

from finlab.tools import event_study

benchmark = data.get('benchmark_return:發行量加權股價報酬指數')

r = event_study.event_study(factor_data, benchmark, adj_close.ffill())

r.head()

這樣就產生出一張表格，其中 y 軸是每一次除權息，x 軸是除權息的前後幾天的報酬率。我們可以用簡易的方式來將報酬率繪製出來：

r.mul(100).mean().plot.bar(use_index=False)
ax = r.mean().mul(100).cumsum().plot(use_index=False)

Y軸是報酬百分比，X軸是天，第零天為事件發生日。直調圖為扣除大盤的報酬率，線段為累計報酬率。

Y軸是報酬百分比，X軸是天，第零天為事件發生日。直條圖為扣除大盤的報酬率，線段為累計報酬率。

執行完上面的程式後，就能把數據視覺化呈現出來，運用起來相當方便。更甚者，FinLab 已經提供完整的資料集了，不用自己再用爬蟲去慢慢爬資料了！

研究異常報酬率與各種因子的相關性

故事到這裡就結束了，不過我們想要再來延伸應用，假如低價股或獲利不好的股票在除權息時，究竟表現會不會更差呢？只要簡單的幾行，就能輸出各項因子與異常報酬率之間的關係。我們可以用以下的方法來研究：

import statsmodels.api as sm
import numpy as np


factor_data = create_factor_data({
    'pb': data.get('price_earning_ratio:股價淨值比'),
    'pe': data.get('price_earning_ratio:本益比'),
    }, adj_close, event=event)

res = sm.OLS(factor_data['10D'], sm.add_constant(factor_data[['pb_factor', 'pe_factor']])).fit()
print(res.summary())

輸出結果如下，可以看到 statsmodel 提供的一份回歸結果：

Dep. Variable (因變量): 10D 代表我們模型的預測目標，可能是指在某事件後的10天內的股票收益率。
Model (模型): OLS 這表示我們使用的是普通最小二乘法(Ordinary Least Squares)進行線性回歸分析。
Method (方法): Least Squares 這意味著這是一種嘗試最小化誤差平方和的方法。
R-squared (決定係數): 0.000 這個數值告訴我們模型擬合的好壞，數值範圍是0到1。接近1意味著模型能夠很好地解釋因變量的變異。在這裡接近0，意味著模型解釋力很低。這只是範例啦～不要翻白眼XDD。
Adj. R-squared (調整決定係數): -0.000 考慮到自變量的數量，這是對決定係數的一個調整。同樣的，這裡也顯示模型的解釋力很低。
F-statistic (F統計量): 0.8271 這個數值用來檢測模型的整體顯著性。一個高的F統計值暗示至少有一個預測變量對因變量有顯著影響。
Prob (F-statistic) (F統計量的概率值): 0.437 這是觀察到至少這麼大F統計量的概率，通常用來判斷模型的整體顯著性。通常p值小於0.05被認為是統計上顯著的。可見當前的數值，並沒有顯著的特性。
Log-Likelihood (對數似然比): 3426.5 這個數值越大，表示模型越好。
AIC (赤池信息準則) 和 BIC (貝葉斯信息準則): 這兩個值越低，表示模型越好。它們是懲罰項，用於調整模型中預測變量的數量，防止過度擬合。
Df Residuals (殘差自由度) 和 Df Model (模型自由度): 分別表示殘差和模型的自由度。自由度是指在計算統計量時，數據中獨立信息的數量。
Covariance Type (共變異數類型): 這告訴我們計算共變異數（即參數估計的不確定性）的方法。