3步搞定事件研究：用yfinance解锁重大事件对股价的影响

你是否还在为分析财报发布、政策变动等重大事件对股价的影响而烦恼？手动收集数据耗时耗力，复杂的统计模型更是让人望而却步。本文将带你用开源工具yfinance（GitHub_Trending/yf/yfinance），通过3个简单步骤完成专业级事件研究，无需复杂编程背景，让你轻松捕捉市场波动规律。

读完本文你将学会：

• 用yfinance快速获取金融数据
• 准确定义事件窗口与计算异常收益
• 可视化呈现事件对股价的真实影响

什么是事件研究？

事件研究（Event Study）是一种计量经济学方法，用于评估特定事件（如 earnings announcement（ earnings announcement（财报发布）、merger（并购）、regulatory change（政策变动）等）对公司股价的影响。其核心思想是通过比较事件发生前后的实际收益与“正常收益”（假设事件未发生时的预期收益），计算出异常收益（Abnormal Return），从而量化事件的市场反应。

yfinance作为一款强大的金融数据下载工具，能够无缝对接Yahoo! Finance的API，为事件研究提供高质量的股价和市场数据支持。相比传统数据源，yfinance具有以下优势：

• 免费获取全球市场数据
• 内置数据清洗与修复功能
• 支持多种时间粒度（日度、周度、分钟级）
• 与Python生态完美集成

准备工作：5分钟搭建分析环境

安装yfinance

首先通过pip安装最新版yfinance：

pip install yfinance --upgrade

验证安装

创建简单测试脚本验证环境是否正常（完整示例可见doc/source/reference/examples/ticker.py）：

import yfinance as yf

# 获取苹果公司股票数据
ticker = yf.Ticker("AAPL")
hist = ticker.history(period="1mo")
print(hist[["Open", "High", "Low", "Close"]].head())

若输出类似以下表格，则说明安装成功：

Date	Open	High	Low	Close
2025-09-26 00:00:00	198.5	200.3	197.8	199.2
2025-09-25 00:00:00	195.2	198.1	194.9	197.8

事件研究完整流程

Step 1: 获取并预处理数据

使用yfinance的download()函数批量获取目标股票与市场指数数据。以下代码演示如何获取特斯拉（TSLA）与标普500指数（^GSPC）2024年的日度数据：

import yfinance as yf
import pandas as pd

# 定义参数
tickers = "TSLA ^GSPC"
start_date = "2024-01-01"
end_date = "2024-12-31"

# 下载数据
data = yf.download(tickers, start=start_date, end=end_date)["Adj Close"]
data = data.dropna()  # 移除缺失值

# 计算日收益率
returns = data.pct_change().dropna()
print(returns.head())

yfinance内置的价格修复功能会自动处理数据中的异常值（如除权除息调整）。当启用repair=True参数时，工具会检测并修正以下常见问题：

• 缺失的股息调整（Missing dividend adjustment）
• 股票分割未调整（Missing split adjustment）
• 数据量级错误（100x errors）

详细修复逻辑可参考官方文档doc/source/advanced/price_repair.rst。下图展示了yfinance如何修复因股息发放导致的股价异常：

Step 2: 定义事件窗口与计算异常收益

确定事件日期

假设我们要研究特斯拉2024年4月23日的earnings announcement（财报发布） 事件，定义事件窗口为：

• 估计期（Estimation Period）：事件前180天至前30天（共150个交易日）
• 事件期（Event Period）：事件前10天至后10天（共21个交易日）

# 定义事件日期
event_date = pd.to_datetime("2024-04-23")

# 查找事件在数据中的位置
event_idx = returns.index.get_loc(event_date, method="nearest")

# 定义窗口范围
est_start = event_idx - 180
est_end = event_idx - 30
event_start = event_idx - 10
event_end = event_idx + 10

计算正常收益与异常收益

采用市场模型（Market Model） 计算正常收益，以标普500指数作为市场 proxy（代理变量）：

import statsmodels.api as sm

# 提取估计期数据
est_data = returns.iloc[est_start:est_end]
stock_returns = est_data["TSLA"]
market_returns = est_data["^GSPC"]

# 拟合市场模型
X = sm.add_constant(market_returns)
model = sm.OLS(stock_returns, X).fit()
alpha, beta = model.params

# 计算事件期的正常收益
event_window_data = returns.iloc[event_start:event_end]
market_event_returns = event_window_data["^GSPC"]
normal_returns = alpha + beta * market_event_returns

# 计算异常收益
abnormal_returns = event_window_data["TSLA"] - normal_returns

Step 3: 结果可视化与解读

将计算得到的异常收益绘制成图表，直观展示事件对股价的影响（完整可视化代码可参考tests/test_price_repair.py）：

import matplotlib.pyplot as plt

# 创建时间标签（相对于事件日）
event_days = range(-10, 11)

# 绘制异常收益
plt.figure(figsize=(12, 6))
plt.plot(event_days, abnormal_returns.values, marker='o', label='Daily Abnormal Return')
plt.axvline(x=0, color='r', linestyle='--', label='Event Day (Earnings Announcement)')
plt.axhline(y=0, color='black', linestyle='-')
plt.title('Abnormal Returns Around Tesla Earnings Announcement (2024-04-23)')
plt.xlabel('Days Relative to Event')
plt.ylabel('Abnormal Return (%)')
plt.legend()
plt.grid(True)
plt.show()

典型结果分析

事件研究中常见的三种市场反应模式：

反应类型	特征	可能解释
提前反应	事件前异常收益显著不为0	信息泄露或预期提前消化
即时反应	事件当天异常收益显著	市场对新信息快速反应
延迟反应	事件后异常收益持续显著	市场反应不足或存在漂移

下图展示了因股票分割数据错误导致的股价异常，以及yfinance如何通过repair=True参数修复此类问题，确保事件研究的准确性：

高级技巧：处理数据异常值

yfinance的价格修复功能是保证事件研究质量的关键。通过设置repair=True，工具会自动检测并修正多种数据异常，如：

1. 100x错误：由于货币单位混淆（如美元/美分）导致的价格数据放大或缩小100倍

2. 缺失交易量：对于缺失交易量的数据，yfinance会通过更小时间粒度的数据（如1小时线）进行重构

3. 错误除权除息：自动识别并修复股息发放或股票分割导致的价格不连续问题

启用完整修复功能的代码示例：

# 启用全部数据修复功能
ticker = yf.Ticker("TSLA")
hist = ticker.history(period="1y", repair=True)  # 关键参数: repair=True

总结与下一步

通过本文介绍的3个步骤，你已掌握使用yfinance进行事件研究的核心方法：

1. 数据获取与预处理（利用yfinance的repair功能确保数据质量）
2. 事件窗口定义与异常收益计算（市场模型应用）
3. 结果可视化与统计检验（识别事件对股价的真实影响）

进阶学习资源

• 官方文档：doc/source/index.rst
• 高级案例：doc/source/advanced/price_repair.rst
• API参考：yfinance/ticker.py

建议下一步尝试：

1. 对比不同事件（如并购vs财报）的市场反应差异
2. 扩展研究多只股票，分析行业层面的事件影响
3. 尝试其他正常收益模型（如CAPM、Fama-French三因子模型）

掌握yfinance事件研究方法，让你从海量金融数据中快速发掘有价值的市场信号，为投资决策提供数据驱动的科学依据。