【Python量化实战 #15】业绩预告一出就追涨？用 Python 算清事件窗口真实收益（事件驱动实战）

本文是「Python量化实战」系列第 15 篇（策略实战模块收官篇）。上一篇我们用 backtrader 跑通了第一个策略回测，这一篇换个思路：不看 K 线形态，只看"事件"——业绩预告、公告一落地，股价到底怎么走？

“某某股预增 80%！”——这种消息一弹出来，很多人的第一反应是马上追。但你有没有认真算过：业绩预告发布后第二天买入，平均到底能赚多少？ 我们用 15 只大盘股近三年半的 54 条业绩预告真实数据算了一遍，结果可能会让你意外："预升"公告后追涨，T+1 平均收益只有 0.11%，胜率不足五成。本文带你用 Python 把这套"事件驱动分析"完整跑一遍，让数据代替直觉说话。

本文你将得到什么

1. 一套可复用的业绩预告事件抓取代码（含预升/预增/预亏/预降类型解析）
2. 一个标准的事件窗口收益分析框架（T+1 / T+5 / T+10 收益与胜率统计）
3. 一份基于真实数据的分类型统计结论（附完整数字，可自行复现验证）
4. 一个可扩展的公告关键词监控骨架（回购/增持/中标/重大合同）
5. 事件驱动策略常见的 4 个坑与规避方法

一、在线体验

想先在线试试接口效果？打开 API Playground 即可直接调用测试，无需安装任何东西：
https://mairuiapi.com/playground

本文用到三个接口：业绩预告（company_earnings_forecast）、个股公告（stock_announcement）、历史 K 线（stock_history），都可以先在 Playground 里输入股票代码看看返回结构。

二、环境准备

本文代码使用 mairui SDK 获取股票数据，安装方法如下：

pip install mairui

SDK 的完整接口文档与使用说明请查阅 GitHub 仓库：https://github.com/MaiRuiApi/mairui

接口的详细参数说明请查阅官网 API 文档：https://mairuiapi.com/hsdata

运行环境：

• Python 3.9+
• mairui SDK 1.0.0
• pandas 2.2+

证书通过环境变量读取，不要写死在代码里：

import os
import mairui

# 证书从环境变量读取（官网注册后获取）
api = mairui.Client(os.environ["MAIRUI_LICENCE"])

本文数据截至 2026-07-28，事件样本区间 2023-01-01 至 2026-06-30，读者复现时数据可能因行情更新而略有差异。

三、什么是事件驱动策略

技术面策略盯的是"价格形态"，事件驱动策略盯的是"信息落地"：业绩预告、回购公告、重大合同、股东增持……每个事件都可能改变市场对一只股票的定价。事件驱动分析的核心问题只有一个：

某类事件发生后的 N 个交易日里，股价平均表现如何？

回答这个问题需要三步：抓事件 → 对齐事件日之后的行情 → 统计窗口收益。下面逐步实现。

四、第一步：抓业绩预告事件

company_earnings_forecast 接口返回一只股票历史上所有业绩预告，字段包括发布日 pdate（这就是我们的"事件日"）、报告期 rdate、预告类型 type（预升/预增/预降/预亏/减亏等）和摘要 abs：

import time
import pandas as pd

# 示例股票池：跨行业大盘股样本（固定池便于复现，实际可换成指数成分股）
STOCK_POOL = {
    "600519": "贵州茅台", "000858": "五粮液",   "601318": "中国平安",
    "600036": "招商银行", "000333": "美的集团", "600900": "长江电力",
    "601088": "中国神华", "600030": "中信证券", "000651": "格力电器",
    "300750": "宁德时代", "601899": "紫金矿业", "600887": "伊利股份",
    "002594": "比亚迪",   "601012": "隆基绿能", "600809": "山西汾酒",
}

EVENT_START, EVENT_END = "2023-01-01", "2026-06-30"

def fetch_forecast_events(api):
    """拉取股票池的业绩预告，抽取事件四要素：代码 / 发布日 / 类型 / 摘要。"""
    rows = []
    for code, name in STOCK_POOL.items():
        for item in api.company_earnings_forecast(code) or []:
            rows.append({
                "code": code, "name": name,
                "pdate": item.get("pdate"),   # 预告发布日 = 事件日
                "type": item.get("type"),     # 预升/预增/预降/预亏…
            })
        time.sleep(0.2)                       # 控制请求频率
    events = pd.DataFrame(rows)
    events = events[(events["pdate"] >= EVENT_START) & (events["pdate"] <= EVENT_END)]
    return events.sort_values("pdate").reset_index(drop=True)

真实运行结果（2026-07-29 验证）：

业绩预告采集: 成功 15 只, 失败 0 只
区间 2023-01-01 ~ 2026-06-30 事件数: 54，类型分布:
预升    27
预增    14
预降     9
预亏     2
减亏     2

关键解释：事件日必须用预告发布日 pdate，而不是报告期 rdate——市场是在发布那一刻才知道消息的，用报告期对齐行情就是典型的"未来函数"。

五、第二步：计算事件窗口收益

事件研究法（Event Study）的标准做法：以事件日后第一个交易日为基准买入，统计其后第 1、5、10 个交易日的累计收益：

import numpy as np

WINDOWS = (1, 5, 10)

def event_window_returns(api, code, pdate):
    """以事件日后首个交易日开盘价买入，算 T+1/T+5/T+10 收盘相对收益（%）。"""
    st = pdate.replace("-", "")
    et = (pd.Timestamp(pdate) + pd.Timedelta(days=40)).strftime("%Y%m%d")
    kline = api.stock_history(code, "d", "n", st=st, et=et)  # st/et 格式 YYYYMMDD
    if not kline:
        return {}
    kline_df = pd.DataFrame(kline).sort_values("t").reset_index(drop=True)
    entry_open = float(kline_df.iloc[0]["o"])     # 事件后首根K线开盘价买入
    result = {}
    for n in WINDOWS:
        if len(kline_df) > n:
            close_n = float(kline_df.iloc[n]["c"])
            result[f"ret_t{n}"] = round((close_n / entry_open - 1) * 100, 2)
        else:
            result[f"ret_t{n}"] = np.nan
    return result

关键解释：

• 买入基准用事件日后首个交易日的开盘价——预告多在收盘后或周末发布，事件日当天的收盘价你根本买不到；
• st/et 参数格式是 YYYYMMDD（不带横杠），传 2024-01-01 这类带横杠格式会报参数错误，这是新手最常踩的格式坑；
• 日历天数取 40 天再截取第 N 根 K 线，自动跳过停牌和节假日，比"日历日 +N 天"严谨。

六、真实数据说话：54 个事件的统计结果

按预告类型聚合 54 个事件样本的窗口收益（平均收益单位 %，真实运行输出）：

三个值得注意的现象（仅就本样本而言）：

1. "预升"追涨最不划算：27 个样本 T+1 平均只有 0.11%，胜率 44%——好消息往往早已反映在价格里（“利好出尽”）。
2. "预降"反而表现最好：T+10 平均 +4.25%、胜率 89%——大盘蓝筹的利空落地后，市场常出现"靴子落地"式修复。
3. 窗口拉长，分化更明显：T+1 噪音大，T+5/T+10 的类型差异才逐渐显现。

⚠️ 统计局限性必须说清楚：本样本仅 15 只大盘股、54 个事件，“预亏”"减亏"各只有 2 条，不具备统计显著性；不同市值、不同行业、不同市场环境下结论可能完全不同。这套框架的价值在于方法可复现，而不是结论可照搬。

七、第三步：公告监控骨架——把事件源扩展到全部公告

业绩预告只是事件之一。回购、增持、中标、重大合同同样是经典事件源。stock_announcement 接口配合关键词过滤，就是一个最小可用的事件监控骨架：

ANNOUNCE_KEYWORDS = ("回购", "增持", "中标", "重大合同", "业绩")

def scan_announcements(api, codes, limit=5):
    """拉最近公告并按关键词过滤，作为盘中事件监控的最小骨架。"""
    hits = []
    for code in codes:
        for a in api.stock_announcement(code, lt=limit) or []:
            title = a.get("zt", "")               # 公告标题
            if any(k in title for k in ANNOUNCE_KEYWORDS):
                hits.append({"code": code, "date": a.get("t"), "title": title})
        time.sleep(0.2)
    return pd.DataFrame(hits)

真实运行输出（节选）：

  code       date                              title
000858 2026-07-15                 五 粮 液：2026年半年度业绩预告
000858 2026-07-16 五 粮 液：关于2025年度分红派息实施后调整回购股份价格上限的公告
000333 2026-07-09  美的集团：关于以集中竞价交易方式回购A股股份达总股本1%的进展公告

把它挂上定时任务（比如每 10 分钟扫一遍自选股池），命中关键词就推送提醒，一个简易的"事件哨兵"就成型了。系列第 19 篇会专门讲盯盘与推送的工程化实现。

八、完整可运行示例

把三步串起来的完整脚本（约 120 行）结构如下，完整代码按文中各节拼装即可直接运行：

import os
import mairui

def main():
    api = mairui.Client(os.environ["MAIRUI_LICENCE"])   # 证书从环境变量读取

    events = fetch_forecast_events(api)          # ① 抓业绩预告事件
    study = build_event_study(api, events)       # ② 逐事件算窗口收益
    study.to_csv("event_study.csv", index=False, encoding="utf-8-sig")

    for n in (1, 5, 10):                         # ③ 按类型聚合统计
        agg = study.groupby("type")[f"ret_t{n}"].agg(
            样本数="count",
            平均收益=lambda s: round(s.mean(), 2),
            胜率=lambda s: f"{(s > 0).mean() * 100:.0f}%",
        )
        print(f"[T+{n}]\n{agg}")

    ann = scan_announcements(api, list(STOCK_POOL)[:5])  # ④ 公告监控骨架
    print(ann)

if __name__ == "__main__":
    main()

九、避坑与进阶

• 坑 1：用报告期当事件日。rdate 是财报对应的期末日期，pdate 才是消息落地日，搞混了就是引入未来函数，回测结果会好得离谱。
• 坑 2：用事件日收盘价当买入价。预告常在盘后发布，当天收盘价买不到；事件后首个交易日开盘价（甚至考虑高开幅度）才是可执行的基准。
• 坑 3：样本太少就下结论。类型细分后单类样本很容易只剩个位数，先看样本数再看均值，必要时合并类型（如预升+预增 = 正面事件）。
• 坑 4：忽略整体行情。事件窗口收益里混着大盘涨跌，严谨做法是减去同期沪深 300 收益得到"超额收益"，读者可以用 index_history 接口自行扩展。
• 进阶方向：把事件类型、预告幅度（从 abs 摘要正则提取）、市值分组做成因子，与第 12 篇的多因子框架结合，就是一个事件因子研究的雏形。

十、总结与延伸

本文用真实数据回答了"业绩预告出了要不要追"这个问题：至少在大盘股样本里，追"预升"是期望值很低的行为，而"预降"的靴子落地效应反而值得研究。更重要的是你拿到了一套可复现的事件研究框架——抓事件、对齐窗口、算收益、看胜率，任何事件源（公告/解禁/分红）都能套用。

策略实战模块（#11-#15）到此收官。下一篇进入工程化模块：全市场 5000+ 只股票的数据怎么批量拉才又快又稳——并发、重试、进度、合并，一次讲透。

延伸阅读：

• 在线体验更多接口：https://mairuiapi.com/playground
• 查看完整 API 文档：https://mairuiapi.com/hsdata
• SDK 文档与源码：https://github.com/MaiRuiApi/mairui
• 关注公众号获取本系列更新

本文为技术演示，文中所有统计基于有限历史样本，不构成投资建议。