回购公告 Alpha：公司回购事件后的漂移 • halo 的技术博客

公司宣布回购自家股票，股价平均涨 2%-3%——这是全球市场重复验证过几百次的公告效应。更有意思的是后面的部分：Ikenberry、Lakonishok 和 Vermaelen 在 1995 年的经典论文里发现，公开市场回购公告后的超额收益持续了四年，累计约 12%，其中价值股（高账面市值比）达到 45%。一个完全公开的事件，漂移持续四年——这是对有效市场假说最尖锐的挑战之一，也是事件驱动策略里被翻检最多的富矿。

结论先放这：回购公告的 alpha 是真的，但它高度集中在特定子集里，无差别买入全部回购公告只能拿到平庸的收益。6000 个回购公告的受控模拟给出清晰的分层：公告日平均 CAR +2.4%，人人有份；但 12 个月漂移完全分化——低估驱动的价值型回购 +10.7%，管理层护盘表态的信号型回购只有 +0.4%，对冲股权激励稀释的 EPS 管理型回购 +1.1%。可观测特征的双排序同样锋利：高 BM + 大规模回购的格子 12 个月 +6.6%，低 BM + 小规模只有 +0.5%。而事后看最强的分层变量是执行率——实际完成率超过 75% 的公告后 12 个月 +7.0%，低于 25% 的只有 +0.8%：“说了不买”的回购公告没有 alpha。组合层面，无差别策略月均超额 0.31%，过滤后 0.79%——回购事件池里，过滤器贡献了大部分收益。

回购为什么携带信息——以及为什么经常不携带#

回购公告理论上是三重利好的叠加：信号（管理层认为股价低于内在价值，用真金白银投票）、现金流承诺（减少管理层挥霍自由现金流的代理问题）、每股指标改善（股本减少，EPS 机械上升）。但这三重逻辑在真实世界里被三类完全不同的回购动机稀释了。

价值型回购：股价被错杀，管理层基于信息优势判断低估，宣布回购且真实执行。这是 Ikenberry 论文机制的本体——管理层是全市场唯一合法的内幕信息持有者，他们的大额真金白银操作是最高等级的信号。这类回购的特征：公告前股价大幅下跌、公司账面市值比高、回购规模占市值比例大、历史上说到做到。

信号型回购：股价下跌引发管理层护盘表态,公告本身是目的,执行是次要的。A 股 2018 年、2022 年、2024 年的几轮”回购潮”里大量此类——公告金额上限写得漂亮，实际完成率不足三成。这类公告在发布日有正反应（市场短暂相信），但没有后续漂移，因为没有真实的资金流和信息内容支撑。

EPS 管理型回购：美股特色。公司常年滚动回购以对冲股权激励发行的稀释,回购决策与估值判断完全无关——苹果、微软每季度雷打不动的回购属于此类。它是资本结构管理的例行公事，公告不携带增量信息，自然也没有事件 alpha（但长期持续回购对每股价值的复利贡献是另一回事，那是持有逻辑不是事件逻辑）。

事件研究的第一课在这里具体化了：“回购公告”不是一个事件，是三个信息含量完全不同的事件共用一个名字。把它们混在一起统计，得到的平均效应是被稀释后的残影。

实验设计：6000 个公告的三类混合#

模拟设定：6000 个回购公告，三类动机占比 30% / 40% / 30%（价值/信号/EPS）。可观测特征包括 BM 分位（价值程度）、回购规模占市值比、公告前 6 个月收益；关键的部分可观测特征是执行率（公告后 12 个月实际完成金额比例）——它在公告时点不可见，但历史执行率可见。收益结构：公告日 CAR 三类都有（市场无法即时区分动机），12 个月漂移只有价值型显著为正。

import numpy as np

r = np.random.default_rng(42)
n = 6000

kind = r.choice([0, 1, 2], n, p=[0.30, 0.40, 0.30])   # 价值 / 信号 / EPS

bm = np.clip(r.beta(2, 2, n) + (kind == 0) * 0.18, 0, 1)      # 价值型 BM 更高
size_pct = np.clip(r.gamma(2, 1.5, n), 0.2, 15) / 100          # 回购规模/市值
completion = np.clip(r.beta(3, 2, n) - (kind == 1) * 0.35,
                     0.05, 1)                                   # 信号型执行率低
prior_ret = r.normal(-0.08, 0.15, n) - (kind == 0) * 0.06      # 公告前 6 月收益

# 公告日 CAR：三类都为正（市场即时无法区分动机）
car0 = (0.02 + 0.010 * (kind == 0) + 0.008 * (size_pct > 0.05)
        + r.normal(0, 0.02, n))

# 12 个月漂移：只有价值型显著，且被 BM、规模×执行共同放大
drift12 = ((kind == 0) * 0.09 + (kind == 1) * 0.005 + (kind == 2) * 0.00
           + 0.06 * (bm - 0.5)
           + 0.5 * size_pct * (completion > 0.5)
           + r.normal(0, 0.18, n))

python

注意 0.5 * size_pct * (completion > 0.5) 这一项：回购规模只有在真实执行的条件下才贡献漂移——公告 10 亿但只买了 5000 万的回购，规模数字是装饰品。

发现一：三类回购的 CAR 路径完全不同#

CAR 路径

事件时间上的累计超额收益（公告前 6 个月到公告后 12 个月）：三类回购都以下跌走进公告日（回购天然是跌出来的事件），公告日都有 +2% 上下的跳升——公告日反应无法区分真假回购，因为市场在 T 日只看到公告文本,看不到动机。分化从 T+1 个月开始：价值型一路爬升,12 个月累计漂移 +10.7%；信号型横盘（+0.4%）；EPS 型微涨（+1.1%）。

这张图是全文的核心：回购 alpha 的时间结构是”跳升人人有份，漂移只属于真回购”。做公告日套利（公告前埋伏或公告日抢入）赚的是 2% 的跳升，拥挤且需要执行速度；做漂移（公告后从容建仓,持有 6-12 个月）赚的是 10% 的分化,不拥挤但需要把真回购从假回购里滤出来。后者才是散户和中小资金有比较优势的战场。

发现二：BM × 规模双排序——收益集中在”价值 + 大手笔”#

双排序

公告时点可观测的两个最强特征做双排序：高 BM + 大规模的格子 12 个月漂移 +6.6%，低 BM + 小规模只有 +0.5%，相差一个数量级。对角线上的两个格子（高 BM 小规模 +5.7%，低 BM 大规模 +2.2%）显示 BM 的贡献大于规模——这与 Ikenberry 的原始发现一致：回购漂移本质上是价值效应在事件维度上的浓缩。低估的公司宣布回购，是”便宜”和”管理层确认便宜”的双重信号；成长股的小额回购则大概率是股权激励对冲，没有估值信息。

对 A 股的映射要做一层修正：A 股回购历史短、EPS 管理型占比低，但信号型（护盘表态）占比显著更高——所以 A 股的关键过滤器不是 BM 而是执行的可信度：注销式回购 > 库存股回购 > 用于股权激励的回购，公告里写明”用于注销”的回购信息含量最高，因为它不可逆地减少股本，没有后手。

发现三：执行率是事后最强的分层变量#

执行率分层

按实际执行率分四组：完成率 <25% 的公告 12 个月漂移 +0.8%，25-50% 组 +2.7%，50-75% 组 +5.4%，>75% 组 +7.0%——严格单调。“说了不买”的回购公告没有 alpha，这在模拟里是构造的，但真实数据里同样成立（多篇 A 股实证给出一致结论：完成率与公告后长期收益显著正相关）。

问题在于执行率是事后变量——公告时你不知道这家公司会不会真买。可用的事前代理有三个：历史执行率（上次说到做到的公司这次大概率也是,公司层面的执行文化高度持续）、回购方案的结构细节（写明价格上限、资金来源为自有资金、用途为注销的方案执行率系统性更高；“不超过 X 亿元”且用途含糊的方案执行率低）、公告后的成交回报（A 股要求回购进展月度披露,首月就开始买的公司最终完成率远高于首月零成交的）。第三个代理最实用：把入场时点从公告日推迟到首次实际成交披露日，牺牲 2% 的公告跳升，换取对”真回购”的确认——考虑到漂移部分有 7-10%，这个交换是划算的。

组合层面：过滤器贡献了大部分收益#

策略对比

组合模拟：无差别买入全部回购公告并持有 12 个月，月均超额 0.31%；只买”价值型特征”（高 BM + 大规模,或综合判定为低估驱动）的过滤组合，月均超额 0.79%——2.5 倍的差距。十年净值曲线上，无差别组合在扣除交易成本后接近平庸,过滤组合则有肉眼可见的斜率差异。

# 组合对比
naive_m = drift12.mean() / 12                       # 全部公告
filt = (kind == 0) | ((bm > 0.5) & (size_pct > 0.05))
smart_m = drift12[filt].mean() / 12                 # 过滤后
# naive 月均 0.31% vs smart 月均 0.79%

python

注意 filt 里混入了 kind == 0（真实动机）是模拟的上帝视角，实盘只能用 BM、规模、历史执行率、方案结构这些代理——过滤效果会打折,但方向不变：回购事件池的 alpha 密度不均匀,策略的核心工作是过滤而非覆盖。

实施陷阱#

陷阱一：公告的重复计数。 一家公司的一轮回购会产生一串公告：董事会预案、股东大会通过、首次执行、月度进展、完成公告。事件研究只能取一个锚点（通常是首次预案公告），把进展公告也当独立事件会严重高估样本量并引入自相关。

陷阱二：公告前下跌的均值回归混淆。 回购公司在公告前平均跌了 8%+,公告后的正漂移里有一部分是任何超跌股票都有的均值回归,不是回购的信息贡献。严格的做法是用”特征匹配对照组”（同行业、同 BM、同前期跌幅但未宣布回购的公司）做差分——Ikenberry 的 45% 价值股超额正是相对匹配组合的。

陷阱三：内幕交易窗口的制度差异。 美股回购受 10b-18 安全港规则约束（价格、数量、时间限制）,A 股要求回购期间的窗口期限制。这些规则影响公司实际买入的时点分布,进而影响漂移的时间结构——用美股参数校准的持有期直接搬到 A 股会错位。

陷阱四：把持续回购者当事件。 苹果每季度都回购,它的”回购公告”没有意外成分,不该进事件池。正确的做法是按意外程度过滤：首次回购、隔了多年重启回购、规模远超历史的回购才是事件；例行滚动回购是公司特征,属于质量因子的范畴（buyback yield）,用持有逻辑而非事件逻辑处理。

局限与延伸#

本文的三类动机划分在模拟里是离散且已知的,真实世界的动机是连续、混合且不可直接观测的——一笔回购可以同时有低估判断和护盘意图。执行率与漂移的因果方向也需要小心：可能不是”执行导致漂移”,而是”股价持续低迷让公司买得更多”——两者在数据上难以完全分离,尽管对策略而言（跟随真实执行的回购）两种因果都指向同一个操作。

延伸方向：把回购与增持（大股东/高管）做联合信号——两者同时出现的样本信息含量显著更高；检验回购 alpha 的 regime 依赖（熊市末期的回购潮 vs 牛市中的零星回购）；以及一个开放问题——随着 A 股注销式回购的制度鼓励和普及,信号型回购的占比下降后,无差别策略的基线收益是否会系统性上移。

回购公告是管理层用公司的钱写下的一句话。这句话有时是”我们真的被低估了”,有时只是”请大家不要恐慌”。事件驱动交易者的全部工作,就是在公告发布的那一刻之后、市场完全反应之前,分辨出这句话是哪一种——而执行数据,是管理层无法伪造的笔迹。