大型銀行財報開跑日的反應，加進 SPY 之後 20 日的波動預測：88 季的增量 t 值是 0.39（門檻 3.0），模型 R² 從 0.505 變成 0.506

摘要

每季的財報季由大型銀行開跑。一個直覺的推論是：開跑日銀行股動得越兇，代表冒出來的總體消息越多，接下來一個月大盤越不平靜。本文檢驗這個推論：把「開跑日銀行的特有反應」S 放進一個已經包含 VIX 與近期波動的模型，看它能不能多解釋之後 20 個交易日 SPY 的實現波動。事件是 SEC EDGAR 上 JPM、C、WFC 三家銀行當季最早的財報申報日，共 88 季，2004-10-14 至 2026-07-14。

 這項研究是非盲的 ：事件規則在分析過程中修訂過，修訂時已看過部分中間結果。引用本文結論時請帶上這個限定。

四個結果，強度依證據排序：

1.  開跑日確實是銀行的資訊日。  三家銀行扣掉大盤後的反應，開跑日平均 1.68，同月其他同星期幾的日子（104 天）平均 0.80，是 2.1 倍，Welch t = 4.72。
2.  沒有偵測到增量資訊。  S 的增量係數是 0.017，HC3 的 t = 0.39（p = 0.70），Newey–West 的 t = 0.41，離事前登記的 3.0 很遠；偏 R² 只有 0.117%，模型 R² 從 0.505 變成 0.506。同一個模型裡只有 ln VIX 跨過門檻（t = 4.19）。
3.  切法不穩，樣本外略差。  三個分段的方向是正、負、正；排除有總經公布相鄰的季之後（38 季）b = 0.065、t = 0.55；銀行報酬改用 XLF，b = −0.004、t = −0.08。從 2014-07-11 起的 49 季樣本外，加入 S 的預測均方誤差比不加高 0.9%（比值 1.0092）。
4.  這個樣本量只看得見大效果。  在 3.0 的門檻與 80% 檢定力下，需要 S 解釋基準模型剩餘變異約 15.3% 才偵測得到（近似值），觀察到的是 0.12%。沒偵測到不等於不存在。

研究問題與文獻

Savor 與 Wilson（2016）從公告學習與系統性風險的角度討論財報公告，Patton 與 Verardo（2012）討論個別公司的資訊流與對獲利能力的學習，Foster（1981）處理同業之間的財報資訊傳遞。大型銀行是每季最早公布的一群，所以「最早公布者的反應是否帶著尚未公布者與總體的資訊」是自然的問題。本文把它轉成一個可檢驗的預測問題：銀行在開跑日的反應，在 VIX 與近期波動已經反映的水準之外，能不能預測之後一個月的大盤波動。

資料與設計

 事件。  SEC EDGAR 的 8-K Item 2.02（財報新聞稿申報）受理時間，三家銀行；每季的開跑日是三家中最早的財報日。受理時間在 16:00（美東）以後的申報順延到下一個交易日。事件身分以原件驗證：279 份申報的第一個附件原文全部凍結並逐份讀標題，其中 262 份判為財報；262 個銀行月份各取最早一份財報，88 個開跑日逐季核對，與先前規則選出的日期不同的有 0 季。

 樣本。  88 季，2004-10-14 至 2026-07-14。對照用的 placebo 日共 104 天：與開跑日同月、同星期幾，排除開跑日前後 5 個交易日與任何一家銀行的財報日。50 季的開跑日前後一日內有總經公布（CPI 50 季、非農 0 季、FOMC 1 季）。價格是 SPY、^VIX、JPM、C、WFC、XLF 的調整後日價格，固定快照。

 變數。  訊號 S：開跑日三家銀行等權報酬，扣掉以 SPY 為基準的市場模型（α 與 β 用 t−252 至 t−22 日估計）之後取絕對值，再除以同窗殘差標準差。目標 y：SPY 在 t+1 至 t+20 日報酬平方和取對數。基準模型：ln VIX（t 日收盤）加三個 HAR 項（t 日、t−4 至 t 日、t−21 至 t 日的報酬平方均值取對數）。所有控制項只用 t 日收盤時已知的資訊，預測區間完全在 t 之後。

 檢定。  H1：在基準模型加上 S，看 S 的係數。標準誤用 HC3（MacKinnon 與 White，1985），並以 Newey–West（落後 4）對照。H2：把開跑日與 placebo 日疊在一起，檢驗 S 的斜率在兩種日子是否不同，依季聚類。事前登記的門檻是 t ≥ 3.0（Harvey、Liu 與 Zhu，2016）。樣本外：擴張窗，從 2014-07-11 起共 49 季，以 Clark 與 West（2007）的巢狀模型檢定比較預測誤差。

結果一：開跑日是不是資訊日

兩者的差距是 2.1 倍，Welch t = 4.72（p = 0.000007）。開跑日不是普通的一天，三家銀行自己的消息確實在那天湧出；這一步只確認事件選對了，不是主要假說。

結果二：S 的增量資訊

全樣本的基準模型各項：

加入 S 之後模型 R² 只從 0.505 變成 0.506。排除總經相鄰季之後樣本只剩 38 季，係數變大但標準誤也大得多，t 值仍只有 0.55。

結果三：分段、樣本外與其他切法

三段的方向是正、負、正，不一致。第一段的兩種標準誤給出不同的 t 值（HC3 0.72，Newey–West 2.37）；這段只有 21 季，判決不依賴它。

 H2。  開跑日與 placebo 日疊在一起共 192 筆、88 季（聚類）：S 的斜率是 0.188（t = 1.52），S 與開跑日的交互項是 −0.173（t = −1.42，p = 0.16），開跑日本身是 0.135（t = 1.22）。只看 placebo 日，S 的斜率是 0.168（t = 1.43）。開跑日的 S 斜率並沒有比 placebo 日大，方向還略小，沒有達到門檻。

 樣本外。  從 2014-07-11 起 49 季，擴張窗：

Clark–West 的 t = −2.07（落後 4）。這個統計量為負，代表加入 S 的模型的調整後預測誤差較大，方向是更差，不是更好；49 季的樣本外沒有任何一點支持 S 有增量預測力。銀行報酬改用 XLF 時，樣本外的比值是 1.0068，Clark–West 的 t = −2.38，方向相同。

結果四：檢定力

在 3.0 的 t 門檻與 80% 檢定力下，88 季的樣本需要 S 在基準模型之外解釋約 15.3% 的剩餘變異（偏 f² 約 0.18，殘差自由度 82）才偵測得到。這個最小可偵測效果是近似值：它假設同質變異，而實際使用的 HC3 檢定沒有精確的封閉解。觀察到的偏 R² 是 0.12%，比最小可偵測效果小兩個數量級，所以這個虛無結果排除的是大的關聯，小於約 15.3% 的偏 R² 在這份資料裡分辨不出來。

能說與不能說

•  能說：  在這 88 季、這三家銀行、這個 S 的定義與這個基準模型下，開跑日的銀行反應沒有偵測到對之後 20 個交易日 SPY 波動的增量資訊；基準模型裡跨過門檻的只有 ln VIX。
•  能說：  這個結論在排除總經相鄰季、改用 XLF、分段與樣本外下沒有翻成正向。
•  不能說開跑日的反應與大盤波動無關：  檢定力只能排除大的關聯，小的關聯分辨不出來。
•  不能說這是盲測：  事件規則在分析中修訂，修訂時已看過部分中間結果（事件時間與報酬品質的診斷，以及 S 與 y 在記憶體中算過但未印出）。
•  不能推論到報酬方向、其他銀行或其他產業的開跑：  本文只檢驗波動大小，只看三家銀行。
•  不能當作交易訊號：  沒有任何交易或避險的檢驗。

限制

•  非盲。  見上；修訂的時間與內容逐條記錄在預先登記文件。最後一次修訂（以 SEC 原件驗證事件身分）在看過先前事件集的全部估計之後才寫，但它的規則只依附件標題文字，不使用任何報酬、S 或 y，驗證的結果是沒有任何一季的開跑日被改變。
•  檢定力有限。  約 15.3% 的最小可偵測偏 R² 是近似值。
•  目標雜訊大。  用日報酬平方，沒有日內資料。
•  只看三家銀行與波動大小。  報酬方向不在範圍內。
•  事件身分依附件標題文字判定。  分類規則與逐件修正記錄在預先登記文件；核對結果是 88 季的開跑日沒有任何一季被改變。
•  邊界個案。  JPM 2015-10-13 的申報在 16:15 受理，依規則順延一日，該季開跑日晚一天（保守方向）。
•  總經相鄰季偏多。  50 季的開跑日前後一日內有總經公布，絕大多數是 CPI，排除後樣本縮到 38 季，檢定力更低。

資料來源：SEC EDGAR 8-K Item 2.02 申報（JPM、C、WFC）；Yahoo Finance 日線（SPY、^VIX、JPM、C、WFC、XLF），原始檔與調整後價格，固定快照；總經公布日取自 FRED／ALFRED 與聯準會官網；實驗編號 K1900。

 參考文獻 

• Clark, T. E., & West, K. D. (2007). Approximately normal tests for equal predictive accuracy in nested models. Journal of Econometrics, 138(1), 291–311. https://doi.org/10.1016/j.jeconom.2006.05.023
• Foster, G. (1981). Intra-industry information transfers associated with earnings releases. Journal of Accounting and Economics, 3(3), 201–232. https://doi.org/10.1016/0165-4101(81)90003-3
• Harvey, C. R., Liu, Y., & Zhu, H. (2016). … and the cross-section of expected returns. Review of Financial Studies, 29(1), 5–68. https://doi.org/10.1093/rfs/hhv059
• MacKinnon, J. G., & White, H. (1985). Some heteroskedasticity-consistent covariance matrix estimators with improved finite sample properties. Journal of Econometrics, 29(3), 305–325. https://doi.org/10.1016/0304-4076(85)90158-7
• Newey, W. K., & West, K. D. (1987). A simple, positive semi-definite, heteroskedasticity and autocorrelation consistent covariance matrix. Econometrica, 55(3), 703–708. https://doi.org/10.2307/1913610
• Patton, A. J., & Verardo, M. (2012). Does beta move with news? Firm-specific information flows and learning about profitability. Review of Financial Studies, 25(9), 2789–2839. https://doi.org/10.1093/rfs/hhs073
• Savor, P., & Wilson, M. (2016). Earnings announcements and systematic risk. Journal of Finance, 71(1), 83–138. https://doi.org/10.1111/jofi.12361