Table of Contents
現金增資是上市櫃公司常見的籌資方式，目的為擴大資本支出、償還相關債務以及改善財務結構等，但有不少文獻指出，這種借錢的舉動會向市場發出負面的訊號，公司股價因此時常在宣告現金增資時應聲下跌。
而事件研究法即是研究公司重大事件(購併、增資、股票回購…)或是金融市場事件(制度改革、政策、總經…)，對於公司價值影響的一種統計方法。一般而言，主要依循以下步驟進行 : 事件日確定、定義估計期間與事件發生期間、計算異常報酬率、統計檢驗。因此本週我們透過 TEJ API的資料庫，來觀察現金增資宣告是否真的會對台灣上市公司價值造成影響吧！
本文使用 Windows OS 並以 Jupyter Notebook 作為編輯器
import tejapi import pandas as pd import numpy as np import matplotlib.pyplot as plt from sklearn.linear_model import LinearRegression from scipy import stats tejapi.ApiConfig.api_key = 'Your Key' tejapi.ApiConfig.ignoretz = True
Note: sklearn.linear_model用於迴歸分析；scipy用於統計檢定
tse_stocks 列表security = tejapi.get('TWN/ANPRCSTD',
mkt = 'TSE',
stypenm = '普通股',
opts = {'columns':['coid','mdate','stypenm','mkt']},
paginate = True,
chinese_column_name = True)
tse_stocks = security['證券碼'].tolist()
events = tejapi.get('TWN/ASTK1',
x_mt_date = {'gte':'2019-01-01', 'lte':'2021-08-01'},
opts = {'columns':['coid','cash','x_mt_date']},
paginate = True,
chinese_column_name = True)
本文以股東會決議日為事件發生日，並選取 2019~2021年8月之間的事件
cash = events[events['現金增資(仟股)']>0].reset_index(drop=True)
除了現金增資外，亦包含盈餘、公積增資等事件，而本文以現金增資為主
tse_cash = cash[cash['公司'].isin(tse_stocks)].reset_index(drop=True)
利用上市公司代碼tse_stocks 與 isin()，篩選出 cash表格有涵蓋上市公司代碼的資料
估計期間 (T0 ~ T1):設 -260期 ~ -10期，此期間的報酬與 Fama & French 5因子投組報酬跑迴歸，得到公司各因子的估計係數，其將用於計算事件期間的預期報酬
事件日 (0): 股東會決議日，因其為市場接收到現金增資事件的最早時點
事件期間 (T2 ~ T3):設 -5期 ~ +5期，計算此期間實際報酬與 Fama & French 模型所預測出的報酬差異，得到異常報酬
因涵蓋 140 起現金增資宣告事件，故以迴圈的方式進行每個事件的運算，並儲存最後結果至 final 變數，而過程中會排除報酬率資料缺漏、初次上市事件。以下擷取迴圈部分程式碼的重點內容加以解釋，並圖示第一筆資料 ( stock = ‘1314’, date = ‘2019–05–24’ ) 處理情況幫助理解每個迴圈的運作。其餘資料處理部分則詳見文章下方的完整程式碼
return_set = tejapi.get('TWN/APRCD',
coid = stock,
mdate = {'gte': date + pd.Timedelta(days =
-450), 'lte': date + pd.Timedelta(days = 25)},
opts = {'columns' : ['coid', 'mdate','roi']},
paginate = True,
chinese_column_name = True)
利用每起事件的公司 stock、日期 date，撈取事件日前後的報酬率，這邊取 -450 ~ 25 天是為了確保擁有完整估計期間 (251交易日)、事件期間 (11交易日)的報酬率
event_index = return_set[return_set['年月日'] == date].index.values.astype(int)[0]
首先找出事件日的索引值，轉成數字後儲存到 event_index ，以此為基準切割成估計期間、事件期間報酬
estimate_window = return_set[event_index - 260 - 1: event_index - 10].reset_index(drop=True) event_window = return_set[event_index - 5: event_index + 5 + 1].reset_index(drop=True)
#估計起始日期(-260) estimate_start = estimate_window.loc[0, '年月日'] #事件結束日期(+5) event_end = event_window.loc[5*2, '年月日']
分別找出估計期間的起始日期、事件期間的結束日期，並儲存到對應變數。再以此為根據，直接撈出 – 260期 ~ 5期，這段期間的每日市場風險溢酬、規模溢酬、淨值市價比溢酬、盈利能力因子、投資因子投組報酬資料，Y9999代表以所有上市公司、簡單報酬率計算以上因子投組報酬
fama_french = tejapi.get('TWN/AFACTO1D',
coid = 'Y9999',
mdate = {'gte':estimate_start, 'lte': event_end},
opts = {'columns': ['coid',
'mdate','mrp','smbn','bp','op','inv']},
paginate = True,
chinese_column_name = True)
ols_data = estimate_window.merge(fama_french, on = '年月日') x = ols_data.loc[:,['市場風險溢酬', '規模溢酬(5因子)','淨值市價比溢酬','盈利能力因子','投資因子']].values y = ols_data['報酬率％'].values.reshape(-1,1) model = LinearRegression() model.fit(x,y)
將估計期間報酬率與 Fame-French 因子報酬合併，並形成帶入迴歸模型所需的二維陣列應變數(公司報酬率) 與自變數 (因子報酬)，最後再帶入模型
predict_data = event_window.merge(fama_french, on = '年月日') event_x = predict_data.loc[:,['市場風險溢酬','規模溢酬(5因子)','淨值市價比溢酬','盈利能力因子','投資因子']].values
將事件期間報酬率與 Fame & French 因子報酬合併，並將這段期間的因子投組報酬儲存，其將用於計算預期報酬的自變數，因此將其置入已有估計係數的模型 model.predict()算出預期報酬，接著即可算出異常報酬率、累計異常報酬率。這邊最後加上相對天數欄位，將用於最後所有事件的分群計算。
event_window['預期報酬率'] = model.predict(event_x) event_window['異常報酬率'] = event_window['報酬率％'] - event_window['預期報酬率'] event_window['累計異常報酬率'] = event_window['異常報酬率'].cumsum() event_window['相對天數'] = [i for i in range(-5, 5 + 1)]
每個事件 (迴圈) 重複以上基本步驟，並將最後將結果都附加在 final 表格，以下為 final 最終結果
sorted_data = final.groupby(by = '相對天數').mean().reset_index()
plt.plot(sorted_data['相對天數'], sorted_data['異常報酬率'], label = 'Average Abnormal Retrun')
plt.plot(sorted_data['相對天數'], sorted_data['累計異常報酬率'], label = 'Cumulative Abnormal Return')
plt.xlabel('Event Day')
plt.title('Event Study')
plt.xticks(np.arange(-5, 5+1 , 1))
plt.legend()
plt.show()
可以看到，在宣告現金增資日後的幾天，出現明顯地異常負報酬，但到了第三天後，異常報酬恢復到 0 左右，可能代表市場已經消化這個資訊
ttest = pd.DataFrame()
for day in range(-5,5+1):
sample = final[final['相對天數'] == day]['異常報酬率'].values
t, p_value = stats.ttest_1samp(sample, 0)
if p_value <= 0.01:
significance = '***'
elif 0.01 < p_value <= 0.05:
significance = '**'
elif 0.05 < p_value <= 0.1:
significance = '*'
else:
significance = ''
ttest = ttest.append(pd.DataFrame(np.array([day,t,p_value, significance]).reshape((1,4)), columns = ['相對天數','T檢定值', 'P-value','顯著水準'],)).reset_index(drop=True)
ttest = ttest.set_index('相對天數')
利用 stats.ttest_lsamp() 進行T檢定，檢驗每個相對日的異常報酬是否顯著異於 0。最後再根據 P 值自行加上顯著性星星，最後整理成 ttest 表格
此時可以推論，在現金增資宣告日的後1、2日，公司的價值顯著受到影響，推測是因為公司通常於盤後宣告重大決議，因此股價於次日交易日開始反應
經過這一連串的操作，相信讀者對於事件研究有了進一步的認識！過程中有許多假設可以自行調整、或是參考對應領域的文獻，例如估計期間、事件期間與異常報酬的計算方式，而這當中運用到的資料，都能從 TEJ API 資料庫快速撈取下來，直接省略事前資料爬取、清理、計算等繁瑣步驟。若讀者有興趣驗證其他經濟事件對公司的影響，推薦到 TEJ E Shop，選購最符合自身需求的方案！
