政策利好出台后股价先涨后跌，通常说明市场存在短期过度反应——资金在消息公布后集中涌入推高股价，随后因获利了结或预期落空而回调。检验这一异象的核心方法是：将政策利好定义为一个事件窗，构建该窗口内的超额收益率序列，再通过时序回归检验是否存在统计上显著的负向α（即回调幅度超出正常波动）。
事件型异象变量的构建
将政策利好作为事件型异象变量，需要先明确事件窗口。常见做法是设定公告日（T=0）前后各若干交易日，例如T-1到T+5。对每个事件窗口，计算该股票或指数的日度超额收益率（个股收益率减去无风险利率或市场基准收益率）。然后构造一个虚拟变量（Dummy Variable）：在事件窗口内取值为1，其余交易日取值为0。这个虚拟变量就是异象变量，代表政策利好事件对收益率的冲击。
时序回归检验α
使用Fama-French三因子或五因子模型作为基准，将异象变量加入回归方程：
[ R_t - R_f = \alpha + \beta_1 (R_m - R_f) + \beta_2 SMB + \beta_3 HML + \beta_4 \cdot \text{Dummy_Event} + \varepsilon_t ]
其中 Dummy_Event 的系数（β₄）代表事件窗口内的平均超额收益。如果β₄显著为正且随后在更长窗口（如T+6到T+20）中显著为负，就说明存在先涨后跌的异象。关键是检验长期窗口中的负α：将回归窗口延长至事件后20-60个交易日，若α显著小于零，则确认回调并非随机波动。
实际操作中需注意：同一政策可能影响多只股票，应使用组合层面的收益率（如等权或市值加权组合）而非单只个股，以减少噪音。同时，用Bootstrap或Newey-West标准误调整序列自相关和异方差。
警惕数据挖掘偏差
多次调整事件窗口（如从T+5改成T+3）或筛选不同子样本（如只选政策力度大的事件）直到获得显著结果，本质上是数据挖掘。这会导致统计显著性被高估。建议使用样本外检验：用前80%历史数据确定窗口参数，再对后20%数据做独立回归。另一种方法是多重假设检验校正（如Bonferroni或FDR），减少偶然显著的概率。
总结来看，检验政策利好先涨后跌异象的关键步骤是：定义事件窗口→构造虚拟变量→纳入多因子模型回归→检验长期负α→做样本外验证。只有通过样本外检验且负α在统计上稳健（p值<0.05）时，才能判定异象成立。
常见问题
政策利好先涨后跌一定是市场非理性吗？
不一定。如果政策本身包含不确定条款（如“适时推出”），初期上涨可能反映乐观预期，随后下跌则因条款落地低于预期。区分理性修正与过度反应的方法是：用政策公布后分析师盈利预测的调整幅度作为控制变量，若负α在控制后消失，说明是理性修正。
事件窗口长度如何确定才合理？
通常以公告日为中心，前后各1-5个交易日作为短期窗口，再延伸至20-60个交易日作为长期窗口。建议先做事件研究（Event Study）：计算不同窗口的累计超额收益率（CAR），观察其均值曲线是否在公告后第几天由正转负，以此确定回归窗口参数。
如果样本内检验显著，但样本外不显著怎么办？
说明该异象可能源于数据挖掘或样本内偶然。不应直接宣称异象存在，而应报告两种结果，并尝试解释差异原因（如样本外政策环境变化）。更保守的做法是：将样本外检验结果作为主要结论，样本内结果仅作参考。