回测的局限性

import pandas as pd
import numpy as np
from scipy.stats import spearmanr

def calc_sue(eps_actual, eps_expected, hist_eps_errors):
    std_error = np.std(hist_eps_errors)
    if std_error == 0:
        return 0
    sue = (eps_actual - eps_expected) / std_error
    return sue

def calc_abnormal_return(stock_returns, market_returns, beta, alpha=0):
    expected = alpha + beta * market_returns
    abnormal = stock_returns - expected
    return abnormal

# 事件研究示例：计算某股票财报前后的累积异常收益
window_days = 10
car = abnormal_returns.loc[-window_days:window_days].sum()
print(f"累积异常收益(CAR): {car:.2%}")

# 统计检验：t检验
se = abnormal_returns.loc[-window_days:window_days].std() * np.sqrt(window_days*2+1)
t_stat = car / se
print(f"t统计量: {t_stat:.2f}")

请帮我分析央行降准事件对A股市场的影响：
1. 列出2018-2024年间中国人民银行的主要降准事件和日期
2. 对每次降准，计算公告日前后3个交易日沪深300的累积收益率
3. 分析降准对金融、地产、周期、成长四个板块的影响差异
4. 讨论为什么有些降准后市场大涨，有些却反应平淡（预期消化角度）

请用Python实现一个财报回测的局限性的回测框架：
- 输入：股票日线数据 + 财报发布日期 + 实际EPS + 一致预期EPS
- 逻辑：在财报发布次日开盘买入SUE排名前20%的股票，持有5个交易日，等权配置
- 输出：策略净值曲线、年化收益、夏普比率、最大回撤、胜率
- 要求：用向量化计算（避免循环），处理停牌/退市股票的缺失数据

2020年3月美股四次熔断、2022年俄乌冲突、2024年某地区政局动荡……
请讨论：
1. 量化策略能否预测黑天鹅事件？如果不能，该如何应对？
2. 设计一个黑天鹅压力测试框架：当VIX单日飙升超过50%时，策略应该做什么？
3. 比较止损、对冲（买入看跌期权）、降仓三种应对方式在极端行情下的效果

"""财报超预期策略 - PEAD（盈余公告后价格漂移）"""
import pandas as pd
import numpy as np

# 模拟数据：某公司过去8个季度的财报数据
quarters = pd.date_range('2022-03-31', periods=8, freq='Q')
actual_eps = [1.2, 1.35, 1.5, 1.4, 1.8, 2.0, 2.1, 2.3]
expected_eps = [1.1, 1.3, 1.4, 1.5, 1.7, 1.9, 2.0, 2.1]

earnings_df = pd.DataFrame({
    'quarter': quarters,
    'actual': actual_eps,
    'expected': expected_eps
})

# 计算标准化意外盈余（SUE）
errors = []
for i in range(len(earnings_df)):
    if i >= 4:
        hist_errors = (earnings_df['actual'].iloc[i-4:i]
                       - earnings_df['expected'].iloc[i-4:i])
        std_err = hist_errors.std()
        sue = (earnings_df['actual'].iloc[i]
               - earnings_df['expected'].iloc[i]) / std_err
    else:
        sue = 0
    errors.append(sue)
earnings_df['sue'] = errors

print("=== 季度盈余数据 ===")
print(earnings_df.tail())

# 模拟事件窗口收益（简化版）
np.random.seed(42)
for idx, row in earnings_df.iterrows():
    if row['sue'] > 1.0:
        drift = np.random.normal(0.02, 0.01, 5).sum()
        print(f"
{row['quarter'].strftime('%Y-%m')} SUE={row['sue']:.2f}")
        print(f"  模拟5日漂移收益: {drift:.2%}")
    elif row['sue'] < -1.0:
        drift = np.random.normal(-0.02, 0.01, 5).sum()
        print(f"
{row['quarter'].strftime('%Y-%m')} SUE={row['sue']:.2f}")
        print(f"  模拟5日漂移收益: {drift:.2%}")

# 实际交易中，你需要：
# 1. 在财报日历获取次日发布财报的股票列表
# 2. 计算每只股票的历史SUE
# 3. 收盘前买入SUE排名前N%的股票
# 4. 持有T个交易日后卖出