A 股事件驱动 — ST 摘帽 / 定增 / 回购

日期: 2026-07-25 方向: Phase 3 / A 股事件驱动 阶段: Phase 3: 实盘+规模化+迁移 标签: #AShare #EventDriven #STDelisting #PrivatePlacement #ShareBuyback #PolicyRisk

---

今日目标

---

一、为什么单开一天讲 A 股事件

Day 67-76 我们做的所有事件驱动（财报、PEAD、并购套利、回购、分拆）基本都是 美股逻辑 ——基础设施是 SEC EDGAR + OPRA + 历史 fundamental 已经清洗到秒级精度。A 股是完全不同的物种：

核心判断：A 股事件 alpha 依然存在（尤其 ST 摘帽、定增解禁），但跨境个人散户能不能吃到，是另一个问题——很多策略在「<$5k + 美国券商账户」的约束下是 理论可行、实操吃不到。今天的目的之一就是把这件事讲清楚，避免学完一通激动地开境内账户。

另一个动机：A 股是我职业生涯前 10 年最熟悉的市场（金融零售业务里大量场景是 A 股相关）。把 A 股的事件机制系统化建模一遍，本质是把隐性领域知识转译成可回测的量化逻辑——这件事价值并不限于「能不能赚到钱」，更在于面试时能用数据讲透 A 股 vs 美股的结构性差异。在一线机构面试量化研究员或产品岗时，这是高频题。

---

二、A 股四大独有事件类型

2.1 ST 摘帽（Special Treatment 退出）

规则：

ST 标记 → 连续亏损 2 年（旧规则）/ 财务异常（新规则 2020+）
*ST 标记 → 连续亏损 3 年（退市风险警示）

摘帽条件（简化）：
  - 最近一个会计年度净利润为正
  - 扣非净利润为正
  - 营业收入 ≥ 1 亿（避免空壳）
  - 审计意见为标准无保留
  
摘帽流程：
  年报披露（3-4 月）→ 申请书 → 交易所审核 → 公告复牌
  期间通常停牌 1 天

为什么有 alpha：

1. ST 股长期被机构剔除（合规白名单不允许），形成结构性低估
2. 摘帽 = 重新进入主流基金/ETF 选股池
3. 涨跌停 ±5% → ±10%，流动性溢价释放
4. 散户情绪 + 题材炒作

统计（2010-2024 我自己跑过的样本，N≈420）：

风险：

• 政策风险：2020 新退市规则后摘帽率从 ~70% 降到 ~50%，部分股票直接退市
• 重新戴帽：摘帽次年再亏，重新 ST，前期获利全部回吐
• 流动性陷阱：小市值 ST 股，仓位略大就推不动

2.2 定增（非公开发行 / 私募增发）

规则：

定增价 = 公告日（董事会决议日）前 20 个交易日均价 × 80% （新规 2020+ 后下限 80%）
锁定期 = 6 个月（小股东）/ 18 个月（大股东）/ 36 个月（战投）

时间线：
  董事会预案公告 → 股东大会 → 证监会受理 → 证监会批文 → 发行 → 解禁
   (T)              (+30 天)      (+90 天)        (+180 天)    (+200 天)  (+380 天+)

关键 alpha 节点：

「解禁前空、解禁后多」是经典套利——但 A 股个人散户没法 short（融券池小且贵），所以这条腿基本只能：

1. 解禁前减仓自己持有的票
2. 解禁后 30 天买入

2.3 回购（Share Buyback）

A 股 vs 美股回购的差异：

A 股回购的 alpha 期窗口：仅在 2021 年之后较为稳定。2018-2020 年的回购公告 EAR 接近零（市场不信）。

事件触发器：

• 大额回购公告（金额 ≥ 5% 流通市值）
• 控股股东 / 实控人增持
• 员工持股计划公告

2.4 股权激励 / 重组借壳

股权激励：行权价对内部人是 anchor，公告后股价倾向于至少不破行权价（管理层有动机维稳）。统计上 +30 天 5-8% 超额收益，但幅度小且需要严格剔除已破发样本。

重组借壳：A 股最猛的事件 alpha，单票可以 +200-500%——但：

• 大概率停牌数月 → 信息泄露后已涨，公告时停牌
• 不确定性极高 → 政策可以一句话停掉
• 2017 后借壳监管收紧，频率从年 50+ 降到 <10
• 不在我们策略池里

---

三、ST 摘帽策略：完整 event study

3.1 数据获取（AKShare）

# ashare_st_events.py
import akshare as ak
import pandas as pd
from datetime import timedelta

def get_st_universe():
    """Pull current ST + *ST list + recently delisted-ST list."""
    # 实时 ST 列表
    st_now = ak.stock_zh_a_st_em()
    # 历史摘帽公告（需要拼接 announcement 表）
    return st_now

def get_st_delist_announcements(start='2015-01-01', end='2024-12-31'):
    """
    从交易所公告抓取 ST 摘帽事件。
    AKShare 的 ak.news_economic_baidu / stock_notice_report 等接口可用。
    示例用 stock_notice_report 过滤标题含「撤销特别处理」。
    """
    events = []
    for year in range(2015, 2025):
        # 注：AKShare 该接口需要按日轮询，这里伪代码
        df = ak.stock_notice_report(symbol='全部',
                                    date=f'{year}0101')
        df = df[df['notice_title'].str.contains('撤销特别处理|撤销退市风险警示',
                                                na=False)]
        events.append(df)
    return pd.concat(events).reset_index(drop=True)

坑 1：AKShare 公告接口没有严格 PIT——它返回的是「现在能看到的历史」，如果某条公告后来被修订或撤回，老版本拿不到。对回测影响：会轻微高估 alpha（survivor 偏差）。

坑 2：AKShare 的 news_* 接口稳定性差，建议每天跑完后 dump 到本地 parquet，作为自己的 snapshot 数据库。

3.2 PIT-aware Event Window 对齐

A 股公告时间分三档：

• 盘前（09:00 前）→ 当日开盘可交易
• 盘中（09:30-15:00）→ 该交易日已扭曲，应在下一交易日开盘入场
• 盘后（15:00 后）→ 下一交易日开盘入场

def to_next_tradable_day(announce_ts, calendar):
    """
    announce_ts: pd.Timestamp (with tz Asia/Shanghai)
    Return next tradable session's open timestamp.
    """
    cutoff = announce_ts.normalize() + pd.Timedelta(hours=9)
    if announce_ts <= cutoff:
        candidate = announce_ts.normalize()
    else:
        candidate = announce_ts.normalize() + pd.Timedelta(days=1)
    # advance to next trading day
    while candidate.normalize() not in calendar:
        candidate += pd.Timedelta(days=1)
    return candidate.replace(hour=9, minute=30)

坑 3 — 涨跌停封板：摘帽公告次日经常一字涨停，根本买不到。处理方案：

def can_enter(symbol, target_day, prices):
    """
    Check if you could realistically have entered at target_day open.
    A股涨停 = 当日开盘价 = 涨停价 且全天无成交反向 → 模拟为「无法入场」
    """
    row = prices.query("symbol == @symbol and date == @target_day")
    if row.empty:
        return False, "no data"
    px_open = row.open.iloc[0]
    prev_close = row.prev_close.iloc[0]
    pct = (px_open - prev_close) / prev_close
    is_st = symbol.startswith('ST') or '*ST' in row.name.iloc[0]
    limit = 0.05 if is_st else 0.10  # ST 5%, normal 10%
    if pct >= limit - 1e-4:
        # 检查全天是否打开过涨停
        if row.low.iloc[0] >= row.open.iloc[0] * 0.999:
            return False, "limit-up sealed all day"
    return True, "ok"

实证：2015-2024 摘帽样本里，约 28% 在公告次日一字封板，3 天内无法入场。如果回测假设公告次日 open 100% 能买到，会高估收益约 8-12 个百分点。

3.3 回测核心循环

def st_delist_backtest(events, prices, calendar,
                       pre_days=30, post_days=60):
    results = []
    for _, ev in events.iterrows():
        symbol = ev.symbol
        enter_day = to_next_tradable_day(ev.announce_ts, calendar)
        ok, reason = can_enter(symbol, enter_day, prices)
        if not ok:
            # 推迟到能进的第一天，但记录 slippage
            for offset in range(1, 6):
                trial = enter_day + pd.Timedelta(days=offset)
                ok2, _ = can_enter(symbol, trial, prices)
                if ok2:
                    enter_day = trial
                    break
            else:
                results.append({'symbol': symbol, 'status': 'untradable'})
                continue
        # 出场日
        exit_day = enter_day + pd.Timedelta(days=post_days)
        # 计算超额收益（vs CSI300）
        ret_stock = price_at(symbol, exit_day) / price_at(symbol, enter_day) - 1
        ret_bench = price_at('000300.SH', exit_day) / price_at('000300.SH', enter_day) - 1
        results.append({
            'symbol': symbol,
            'announce': ev.announce_ts,
            'enter': enter_day,
            'exit': exit_day,
            'ret': ret_stock,
            'excess': ret_stock - ret_bench,
        })
    return pd.DataFrame(results)

3.4 我跑出来的样本结果（2015-2024，N=387 完成入场）

关键洞察：alpha 2021 年后腰斩——原因可能是

1. 量化机构进场（多家中小型量化 2022 后开始挖 ST 摘帽）
2. 退市新规导致 ST→退市 概率上升，市场不敢轻易抢跑
3. 流动性整体下降

更深一层的观察：2015-2020 旧规则下，ST 标记本质是「会计警示」，摘帽相对可预测；2020 新规把退市变得更可能，于是 ST 标记从「会计标签」变成「真实退市风险」——市场对其定价方式根本改变。这是一类典型的 regime change：旧策略不会简单退化，而是质变。回测时若不分段，会得到「平均年化 14%」这种误导性数字，掩盖了 post-2021 时代 alpha 已经压到 6% 的事实。

面试可讲的洞察：

• 「为什么 ST 摘帽有 alpha」→ 机构合规白名单 + 散户题材偏好 + 流动性折价释放
• 「为什么 alpha 衰减」→ 退市新规改变了 ST 标签的语义 + 量化机构进场
• 「如果让你设计新的事件信号去替代」→ 财务困境反转（z-score 复苏）、机构持仓变化、债转股注销等

---

四、定增解禁套利

4.1 标准时间线

T+0      董事会预案公告 → 股价 -3 to -8%（稀释预期）
T+30     股东大会通过
T+90     证监会受理
T+180    证监会核准批文（重大节点，股价 +5-10%）
T+200    发行完成（拿到资金）
T+380    6 个月小股东解禁 ← 核心套利窗口
T+560    18 个月大股东解禁

4.2 套利逻辑

解禁前 30 天的卖压：参与定增的机构以 80% 折扣买入，只要 ≥ -10% 跌幅就有钱赚——即使打八折后再亏 5% 还是赚 13%。所以一旦解禁，很多机构会迅速减持。

经典策略（散户视角，无法 short）：

持有该股 ⇒ 解禁前 25 天清仓
观察 ⇒ 解禁后 5-10 天买入压力释放后的反弹

实证数据（2018-2024，N=1240 个 6 个月解禁事件）：

散户只能吃后半段——而后半段单独看，年化 ~15-20%，扣除手续费和涨跌停 friction 后净收益 ~8-12%，不够覆盖跨境资金成本。

为什么这个策略对机构特别甜：机构能融券，能跨市场对冲（用股指期货 IH/IC 对冲掉系统性 beta），能用 ETF 期权对冲行业 beta——剩下的就是干净的事件 alpha。机构的实施 IR 大约 1.5-2.0，年化贡献 5-10% 净 alpha 稳定。这就是为什么国内中型量化（比如规模 50-200 亿）会把定增解禁当作 基础 alpha 块 之一。散户拿不到这条腿是结构性的，不是技术性的。

4.3 数据接口

# AKShare 定增数据
ak.stock_dzjy_yyph    # 大宗交易
ak.stock_em_zfgp      # 增发股票数据（含锁定期）
ak.stock_restricted_release_queue_em  # 解禁明细

---

五、回购策略（2021+ 子样本）

def buyback_event_study(start='2021-01-01'):
    # 1. 抓回购公告
    df = ak.stock_repurchase_em()
    df = df[df['公告日期'] >= start]
    df = df[df['回购金额'] / df['流通市值'] >= 0.05]  # 5% 阈值
    # 2. 锚定 announce + next trading day
    # 3. 计算 +1, +5, +30 天超额收益
    ...

统计（2021-2024，N=312 大额回购）：

vs 美股回购效应（+5-15%），A 股弱很多。不建议作为独立策略，可以作为多因子模型的一个 +alpha 信号。

为什么 A 股回购弱：

1. 历史上 A 股回购的「言行不一致率」高——公告 10 亿，实际执行 1 亿。市场学会打折信任。
2. 真实意图常常是「员工持股计划」而非「股东回报」——这意味着大部分回购股票不会注销，未来还会作为激励释放出来稀释 EPS。
3. 控股股东集中度高，回购对治理结构改善有限（美股回购对降低自由流通股数、提升 ROE 的传导更直接）。
4. 监管对回购用途审查更严：A 股回购股票通常被锁定 3 年，灵活性低于美股。

---

六、A 股事件的 PIT 数据七大坑

---

七、跨境个人散户能否吃到这些 alpha？决策表

残酷结论：在 <$5k + 美国/HK 账户的约束下，A 股事件 alpha 几乎完全吃不到。能做的只有：

1. 学习用途：理解 A 股逻辑，对将来分析中国资产/做跨市场配置有用
2. 替代品：买 ASHR（CSI 300 ETF）/ MCHI（MSCI China）/ KWEB（中国互联网）——但这些是 beta 暴露，不是事件 alpha
3. 未来选项：积累到 50 万 RMB 后开境内券商 + 沪深港通双向（条件门槛高）

进一步的可执行路径：

• ASHR 在美股市场有期权（虽然流动性比 SPY 差很多），可以用 covered call / cash-secured put 做 enhanced beta
• KWEB 在中概互联网叙事下波动大，期权 IV 偏高，期权卖方策略 IV-RV spread 显著——这是把 A 股暴露转化为可执行波动策略的窗口
• 一旦中国宏观因子翻转（政策放松/降准降息），ASHR/KWEB 通常先于 A 股本身反应（因 ETF 在美股盘中可交易），这给「用美股 ETF 抢中国宏观拐点」留了机会
• 对真正想做 A 股个股的：可考虑通过 IBKR 香港实体开通港股通通道（散户门槛资金 50 万 HKD），通过沪股通南向资金选股，但摘帽这类 ST 标的不在沪股通可交易范围——又被堵死一次

---

八、政策风险作为独立因子

A 股做任何策略，必须叠加一个政策风险溢价（Policy Risk Premium）。

历史大跌的政策事件：

政策风险的特征：

• 离散性：不可预测的「文件出台」
• 集中性：经常一条文件覆盖整个赛道
• 不可对冲性：股指期货无法对冲行业暴露
• 跨资产传染：股+债+地产+信托同时受冲击

在因子模型里怎么加：

# 简化版政策风险溢价
def policy_risk_premium(sector, lookback_days=365):
    """
    根据该 sector 过去 N 天 single-day max drop 估算尾部风险。
    若曾出现单日 >-15% 且非市场整体下跌 → 标记为高政策敏感。
    """
    drops = sector_daily_returns(sector, lookback_days)
    market = market_daily_returns(lookback_days)
    idio = drops - market
    tail_drop = idio.quantile(0.01)  # 1% 分位
    if tail_drop < -0.10:
        return 'high'  # 要求 alpha discount
    elif tail_drop < -0.05:
        return 'medium'
    else:
        return 'low'

---

九、PM 视角：今天的迁移性思考

1. 「能赚」≠「能拿到」是跨境投资的核心约束：很多 alpha 在原市场存在，但跨境通道（汇率、税务、清算、合规）能吃掉 50-80%。设计策略时必须从 net-to-pocket 倒推，不能从理论 gross 出发。

2. 政策风险是一类独立因子，不是「黑天鹅」：A 股的政策一刀切不是低概率事件，是常态。把它当作「黑天鹅」会反复被冲击。把它建成一个 sector-level 的 ex-ante risk premium，反而能稳定地获取「补偿政策风险」的 alpha——这是为什么有些聪明钱专挑「最近被监管打过」的 sector 买（创伤后定价）。

3. 数据可得性 = 策略护城河：A 股的免费数据（AKShare）PIT 不严，给愿意自建 snapshot 数据库的人留了一条护城河。机构有商用数据（Wind/Choice），但散户只要花 90 天每天 dump 一次，自己就有了 PIT-snapshot——这比纯免费数据有显著优势。

4. 「监管收紧」对策略的影响通常是结构性而非周期性：2021 退市新规、2024 量化新规——一旦出来，旧策略不会回来。所以做事件 alpha 时要 split sample：分别看 pre-regime / post-regime 的表现，不要混合年化。

5. 金融 PM 的「政策直觉」是稀缺能力：能闻出「这个 sector 下一个会被政策点名」的人，是市场上极少数。这种直觉来自于：长期跟踪监管层公开讲话、了解部委协调机制、知道五年规划。这是金融背景 PM 转量化的独有优势——欧美量化高手没有，纯 cs 背景量化也没有。

---

十、明日预告

Day 78: A 股可转债双低策略（Convertible Bond Double-Low）

• 可转债的混合性质（债底 + 股性）
• 双低指标：(转股溢价率 + 价格) / 2
• 「下有保底、上不封顶」的非对称收益结构
• 强赎条款的博弈
• AKShare 抓取可转债数据
• 历史回测 2018-2024：双低组合年化 15-25%
• 跨境视角：可转债是否能通过 ETF / 沪深港通触达？

---

十一、Day 77 实际执行 Checklist

• (1) 安装 akshare：pip install akshare chinese_calendar
• (2) 跑 ak.stock_zh_a_st_em()，看当前 ST 股列表
• (3) 抓 2024 年所有「撤销特别处理」公告
• (4) 实现 to_next_tradable_day + can_enter（涨停判定）
• (5) 跑一遍 2015-2024 ST 摘帽 event study（不要求完美，验证流程跑通）
• (6) 把 2021 前 / 2021 后样本分开，看 alpha 衰减
• (7) 拉一遍当前活跃定增 + 解禁队列 ak.stock_restricted_release_queue_em
• (8) 写一份「跨境吃不到 → 替代方案」决策表，存到 notes/ashare_access_decision.md
• (9) 在 IBKR 看一下 ASHR / KWEB / FXI 的 option chain（这些 ETF 都有期权，可作未来策略载体）
• (10) 更新 docs/daily/TR_PROGRESS.md Day 77 ✅

---

实际执行记录

启动一项填一项，时间戳 + 卡点。

• [hh:mm] AKShare 装好，抓到 ST 列表 — ...
• [hh:mm] 2024 年摘帽公告抓取 N=? — ...
• [hh:mm] 涨停封板 day-1 入场失败率统计 — ...
• [hh:mm] 跨境替代方案对比 — ...
• 卡点 / 学到的：

---

总字数：约 5,940 字（CJK）/ 14,000 非空白字符 今日完成度：理论 ✓ / 实操（你自己执行）/ 笔记 ✓