Earnings Price Move Cheat Sheet [KT]

NOTE

本文为公开交易策略的技战术复盘，聚焦方法逻辑、交易场景与风险边界。

策略解读

财报发布是资本市场中最具确定性的事件之一。每到财报季，投资者都会盯着日历，试图在数字公布之前抢跑，或者在公布之后迅速反应。然而，市场的实际反应往往令人困惑：有时盈利超预期，股价却下跌；有时盈利不及预期，股价反而大涨。这种所谓的“利好出尽是利空”或“利空出尽是利好”现象，背后其实存在某种统计规律——只是这些规律往往被淹没在个股与大盘的噪声中。

“Earnings Price Move Cheat Sheet [KT]”正是一个试图把这种规律“作弊小抄化”的工具。它不预测盈利数字本身，也不关心基本面，而是纯粹从历史价格行为中提炼“财报发布前资产怎么走”和“财报发布后资产怎么走”的统计模式。作者称其为“Cheat Sheet”，意在给交易者一张快速参考表：在财报发布前，该资产历史上平均上涨还是下跌？幅度多大？在财报发布后，它是否存在惯性趋势？还是发生反转？

这个指标的核心思路并不复杂。它首先确定目标资产的财报发布日期，然后以该日期为分界线，向前取 1 个交易日、2 个交易日、3 个交易日……直到最长 20 个交易日，分别计算这些窗口内的平均价格变化；同样地，向后也计算 1 到 20 个交易日的平均价格变化。这样，我们就能得到两条曲线：一条是“财报前表现曲线”，另一条是“财报后表现曲线”。这两条曲线展示了不同持有窗口下，该资产围绕财报事件的平均涨跌幅度。

例如，假设某只股票在过去 8 次财报发布前 3 个交易日平均上涨 1.2%，而在财报后 5 个交易日平均下跌 0.8%，那么当你再次面临该股票的财报时，就可以参考这一历史模式。当然，历史不代表未来，但这类统计信息可以帮助交易者更好地理解市场对该股票财报的“预期定价”和“反应倾向”。

该策略属于事件驱动型量化分析的典型应用。它不依赖任何复杂的数学模型，也不涉及宏观变量，只使用价格数据与财报日历。正因为简单，它很容易被理解、检验和扩展。对于普通投资者而言，这相当于给财报交易提供了一张“概率地图”；对于专业交易者而言，它则是一个快速评估事件风险的辅助工具。

需要注意的是，该脚本只计算“平均表现”，没有给出胜率、标准差或置信区间。这意味着它提供的是点估计，而不是完整的统计分布。即便如此，在公开交易社区中，这类策略仍然受到不少交易者的欢迎，因为它提供了一个可复盘的、定量化的观察视角，而不是凭感觉判断财报前后的价格方向。

名词解释

财报发布（Earnings Release）：上市公司在季度或年度结束后，向公众公布其收入、净利润、每股收益等财务数据的日期。通常发生在盘前或盘后，也可能在盘中。财报发布是资本市场中的重大事件，往往会引发价格跳空和成交量放大。
交易时段（Session）：在金融交易中，一个“Session”通常指一个完整的交易日，包含开盘、收盘及期间连续竞价的时间段。在策略中，“1-session performance”就是指一个交易日的价格涨跌幅。对于不同市场，一个交易时段的时间长度可能不同，但策略默认以每日为一个单位。
平均表现（Average Performance）：在多个历史事件（如多次财报发布）中，相同窗口长度（如发布前 3 个交易日）下价格变动幅度的算术平均值。该指标反映的是“平均而言”资产价格会如何变动，但无法反映每一次事件的离散程度。
可复现序列（Replicable Sequences）：指在多次财报事件中反复出现、具有高度一致性的价格走势模式。例如，如果某股票在每次财报前 5 个交易日都上涨，那么这种序列就具有可复现性。策略的目标就是寻找这种并非随机、而是可能源于市场参与者行为惯性的规律。
相关性（Correlation）：在统计中，相关性描述两个变量之间线性关联的强度和方向。在本文语境下，相关性指财报发布事件与后续价格变动之间的统计关联。请注意，相关性不等于因果关系，财报发布可能通过改变基本面预期来影响价格，但价格变动也可能由其他市场因素驱动。
前财报窗口（Pre-earnings Window）：以财报发布日为基准，向前回溯的一段交易时段。该策略计算了从 1 个交易日至 20 个交易日不同长度的前财报窗口的平均价格表现，用以观察“财报前走势”是否存在系统性规律，比如抢跑或避险。
后财报窗口（Post-earnings Window）：以财报发布日为基准，向未来延伸的一段交易时段。该策略计算了从 1 个交易日至 20 个交易日不同长度的后财报窗口的平均价格表现，用以观察“财报后走势”是否存在漂移、反转或惯性。

策略思路讲解

财报价格行为统计的核心思想，可以归纳为“历史会重演吗？”这个古老的问题。该策略的具体做法分为三个层次。

第一个层次是事件对齐。将目标资产过去每一次财报发布日期标记为时间零点。注意，不同公司的财报发布日期并不固定，但都会有明确的日期。策略以这些日期为锚点，将历史价格序列切成一段段“以财报日为中心的片段”，每个片段的长度至少为发布前 20 个交易日至发布后 20 个交易日。

第二个层次是窗口平均。给定一个参数 N，N 可以在 1 到 20 之间选择。策略分别计算每个历史片段的“发布前 N 日涨跌幅”和“发布后 N 日涨跌幅”。然后对所有历史片段进行算术平均，得到两个数值：前 N 日平均涨跌幅、后 N 日平均涨跌幅。当 N 变化时，这些数值会形成一组序列。换个角度，你可以把“前 N 日平均涨跌幅”视为一条曲线，横轴是 N，纵轴是涨跌幅；同理，“后 N 日平均涨跌幅”也是一条曲线。两条曲线共同构成了“Cheat Sheet”。

第三个层次是解读。如果前 N 日平均涨跌幅显著为正，且后 N 日平均涨跌幅也显著为正，可能说明该资产在财报前后存在持续的买入倾向；如果前 N 日为负而后 N 日为正，可能说明财报前存在悲观预期，但财报本身意外向好，市场在纠偏；如果前 N 日为正而后 N 日为负，则反映了“预期兑现后获利了结”的典型行为。当然，这些解读必须结合样本数量。如果样本只有三五次财报，统计得出的平均值几乎不具备参考价值。

策略参数中，用户可以选择计算窗口长度，这意味着投资者可以将该工具灵活应用于不同交易风格。短线交易者可能关注 1 至 5 个交易日的窗口，波段交易者可能关注 10 至 20 个交易日。此外，策略并没有强制限定在财报前买入还是财报后买入，而是让使用者自己根据平均表现来决定。

一个隐含的假设是：市场价格行为会重复“平均路径”。然而，市场是动态变化的，公司基本面的变化、行业环境的改变、宏观条件的起伏，都可能使历史统计失效。因此，该策略更适合作为一个辅助工具，而非独立的交易信号。它可以帮助投资者回答：“如果我打算在财报附近操作，历史上这个位置的平均窗口大概是怎么走的？”而不是回答：“这次财报一定涨。”

优点

逻辑简单透明：该策略仅基于价格与财报日期，不涉及复杂的指标或模型，投资者只需理解“窗口平均”的概念即可掌握其原理，容易验证和复现。
提供量化历史参照：它用数字代替感觉，让交易者能够快速查看到某个股票或标的在财报前后不同窗口上的平均表现，为交易决策提供一个客观的“基准线”。
参数灵活可调：用户可以选择 1 到 20 个交易日中的任意窗口长度，从而适配超短线、短线、波段等不同交易周期，具有较强的适应性。
适用于多种资产：只要某资产有定期财报（或类似定期事件，如经济数据发布），该策略都可以应用。它不限于股票，也可以用于 ETF、外汇对等定期数据事件。
有助于风险管理：通过了解财报后平均波动方向与幅度，交易者可以提前调整仓位或设置止损止盈，减少突发事件带来的冲击。
揭示微观行为规律：该策略能够捕捉到一些市场微观结构现象，例如财报前的空头回补、财报后的盈利漂移等，这些现象在单一事件中难以察觉，但在统计平均后会变得更加清晰。

缺点

忽略离散程度与极端值：仅使用平均值，一旦某次财报出现极端行情（例如暴涨暴跌），平均值会被严重扭曲。投资者无法从该指标中看到标准差、中位数、胜率等关键统计信息。
样本数量可能不足：大多数股票一年只有四次财报，如果一只股票上市时间较短，或只有几次财报记录，所谓的“平均”可能只基于个位数样本，统计意义极弱。
历史规律可能失效：公司的业务模式、市场环境、宏观政策都在变化，过去数年的财报前后来回表现并不代表未来也依然如此。尤其是在公司基本面发生重大改变后，历史数据几乎无效。
忽略财报内容的预期差：市场反应并非由财报数字本身决定，而是由“实际与预期的差异”决定。该策略完全没有考虑分析师预期、市场情绪或同期其他事件，因此本质上是一个价格行为统计工具，而非完整的事件驱动策略。
没有区分事件属性：不同财报（如全年报、季报）的“含金量”不同，某些财报可能还伴随股利公告、并购消息等，这些事件会对价格产生额外干扰，但该策略将所有财报等同对待。
容易产生过拟合风险：如果用户反复尝试不同的窗口长度，总能找到历史上看起来赚钱的那一组参数，但这很可能是过拟合的结果。策略本身没有提供参数稳定性检验，投资者需要自行警惕。

起源年份考证

关于“财报发布前后价格行为”的统计研究，属于事件研究法（Event Study）和财报后漂移异常（PEAD, Post-Earnings Announcement Drift）的范畴。这类方法最早可以追溯到 20 世纪 60 年代。需要说明的是，以下是对“该类方法”的学术与行业时间线考证，而非针对“Earnings Price Move Cheat Sheet [KT]”这个具体脚本的考证（该脚本的具体发布时间无法从公开信息中准确确认，且属于个人原创，不宜强行追溯）。

1968 年：雷·鲍尔（Ray Ball）和菲利普·布朗（Philip Brown）发表了经典论文《An Empirical Evaluation of Accounting Income Numbers》，首次系统性地证明了财报公布后股价存在持续漂移现象，即“财报后漂移异常（PEAD）”。这是该类方法的思想基石。
1970s 至 1980s：学术界进一步研究了 PEAD 的特性，例如漂移方向通常与盈利意外方向一致，且漂移持续数月。与此同时，事件研究法在金融经济学中成为标准工具，研究者开始计算财报发布前后不同窗口内的异常收益。
1990s 至 2000s：随着量化交易的发展，专业对冲基金开始将 PEAD 理论应用于实际交易，形成了所谓的“盈利驱动策略”。此时，窗口统计和收益平均已经是业内常见做法，但普通投资者很难获得便捷工具。
2010s 至 2020s：零售交易平台和公开交易社区兴起，许多开发者开始编写可视化脚本，将财报统计转化为图表和指标。本文所介绍的策略正是这一时期的产物，属于“财报事件统计工具”在个人投资者中的普及化应用。

总而言之，“计算财报发布前后 1 到 20 个交易日平均表现”这一方法，本质上是对经典 PEAD 理论的工程化简化。其学术源头清晰，但具体到该脚本的发布时间，无法准确考证，只能判断其属于近十年公开交易社区中的实践类作品。

改进建议

增加统计指标维度：在现有平均表现基础上，加入中位数、标准差、胜率、最大回撤、盈亏比等统计量。例如，分别计算“前 5 日平均涨幅为 1% 但胜率仅为 40%”与“前 5 日平均涨幅为 0.5% 但胜率为 70%”两种情况的差异，以避免单纯被极端值带偏。
引入预期差过滤条件：将实际盈利数据与分析师预期进行比较，只有盈利意外方向一致的历史样本才纳入统计。比如，只统计“EPS 超预期”的财报后续走势，这样得出的结果更贴近当前事件的驱动逻辑。
分组统计不同财报属性：将财报按照季度（Q1、Q2、Q3、Q4）、是否年度报告、是否包含分红或回购公告等进行分类，分别计算各类事件的窗口表现。这可以揭示“一季度财报”与“全年报”之间的行为差异。
加入时间衰减权重：越久远的历史事件对未来参考价值越低。可以对不同年度的财报样本赋予不同权重，例如近五年的样本权重加倍，更早的样本递减，从而让统计结果更贴近当前市场状态。
计算滚动窗口与动态更新：不要一次性使用全量历史数据，而是采用固定长度（例如过去 20 次财报）的滚动窗口，并每季度自动更新。这样可以自适应市场环境的变化，避免旧规律长期残留。
结合波动率与成交量过滤：财报发布前后的波动率放大是常见现象。策略可加入波动率阈值，只统计那些在事件日实际发生明显跳空或放量的样本，从而剔除“无感财报”对均值的影响。
提供多资产对比视图：在查看单只股票的基础上，可以横向对比同行业或同板块所有股票的财报前后平均表现，找到板块层面的共性规律，为跨资产交易提供参考。
增加参数敏感性分析：输出不同窗口长度（例如 1-20 日）下的平均表现时，可同时展示相邻窗口之间的单调性。如果某一窗口表现明显异常，提示用户这可能是噪声而非规律。
加入经济周期与市场状态标签：牛市与熊市中的财报后行为往往截然不同。该策略可以将样本按照大盘趋势（如均线上方/下方）进行标记，分别统计多头环境与空头环境下的表现，帮助用户理解当前宏观背景下的统计倾向。

总结

“Earnings Price Move Cheat Sheet [KT]”是一份简洁有力的财报事件统计工具。它用一条时间轴、两组平均曲线，把“财报前如何走、财报后如何走”的历史规律呈现在交易者面前。它的价值不在于预测一次具体财报的涨跌，而在于帮助交易者建立对事件窗口的“概率直觉”——在决策前快速查看历史地图，做到心中有数。

当然，这种统计工具也有天然的边界。平均值掩盖了波动，历史掩盖了变化，信号掩盖了噪声。聪明的使用者不会把它当作自动交易信号，而是当作一个检查清单：当我要在财报前加仓时，历史平均上涨告诉我存在一定支撑；当我要在财报后持有时，历史漂移方向给了我一个参考方向。这种“模糊的正确”往往比“精确的错误”更有用。

在量化交易的世界里，一个简单的统计指标可能并不总能带来超额收益，但它能提高你的元认知能力——你更清楚自己在赌什么，更清楚目前的赔率是否合理。如果你正在研究财报交易，这张“作弊小抄”值得一试。但请记住，任何公式都无法替代对公司和市场的深入理解。把统计当作工具，把基本面当作锚，把风险管理当作底线，你才真正掌握了财报交易的精髓。