財報日股價為什麼會大跳？四個股市都看到財報日效應，美日兩市場顯示不看 surprise 多大

你有沒有想過：為什麼財報日股價會大跳？

每到公司發財報那幾天，股價動輒拉出 3%、5% 的長紅或長黑。財經媒體的標準解釋幾乎都一樣，「業績 beat 預期」、「EPS 意外超標」、「analyst surprise 驅動股價」。

這個故事好聽，而且聽起來合情合理： 盈餘驚喜越大 → 股價反應越大 。

但如果我們把美國、日本、歐洲、台灣四個股市，總共 4,000 多次財報事件攤開來檢查，並在美日兩個市場進一步檢驗 surprise 的大小，會發現投資圈常用的這條直覺，在資料面站不住腳。真正驅動財報日大幅波動的，根本不是 surprise 有多大。

核心發現：四個市場都看到財報日效應

我們在 VolPred 自主研究系統裡跑了 5 組獨立實驗（編號 K1145/K1147/K1150/K1151/K1153/K1157），用一致的 pooled panel 估計方法，量化每一個市場「財報日」這個事件本身對波動的影響。結果很乾淨——

 無論美股 30 支大型股、日股 TOPIX 30 支、歐股 18 支大型股、或台股 30 支 ，只要「今天是財報日」這個 0/1 訊號打開，當天的波動幅度就會顯著放大。每一個市場、每一組 binary 統計檢定，t 值都遠超過 Harvey 2016 提出的嚴格門檻（|t|>3）。

更關鍵的是：我們進一步在美國與日本加入「盈餘 surprise 的連續大小」當自變數，也就是那個財經圈最愛講的 "beat by X%"——想看 surprise 越大、波動是不是越強。

 結論是：在美國與日本兩個市場，連續 surprise 完全不顯著。 

上圖是最直白的統計證據。圖分兩組：左組是 binary 事件訊號，右組是連續 surprise 訊號，每組各有美國與日本一根柱子。兩個市場的 binary 柱子都遠高於 Harvey 門檻（虛線），連續 surprise 的柱子都低於門檻。這表示「有財報事件」這個 binary 訊號，本身就承載了幾乎全部的訊息。

反直覺：點雲是水平的

如果「大 surprise → 大波動」是真的，散點圖畫出來應該是一條往上斜的線。但實際上我們看到的是——

左邊是美國 1,356 筆財報事件，右邊是日本 1,370 筆，x 軸是盈餘意外的絕對值百分比（你可以想成「財報比預期偏離多少」），y 軸是財報日波動相對於事件前 60 天平均波動的倍率。

 兩個市場的點雲都是近乎水平的一坨。  線性擬合的斜率美國只有 -0.008、日本只有 -0.0004——從實務意義上看就是零。rolling 中位數的黑線也幾乎是貼平的。

換句話說：一家公司 surprise 5% 和 surprise 50%，財報日的平均波動幅度並沒有差多少。帶動股價跳動的，是「市場今天要重新 price in 這家公司」這件事本身，不是 surprise 的大小。

為什麼會這樣？三個白話解釋

這個發現乍看反常識，但其實符合現代金融市場幾個大家都知道的結構性事實：

 一、資訊早就流進市場 。財報公布前幾週，分析師會不斷調整預期，機構法人也會私下調倉。等到財報正式公布，「比預期好 5% 還是 50%」的細節，很多早就被提前消化。真正還沒被定價的，是「這次財報的不確定性何時散去」，而這個不確定性，在財報公布 的當下 不管 surprise 大小都會一次釋放。

 二、期權市場本來就預期當天會跳 。財報前幾天，股票期權的隱含波動率（IV）通常會飆高；財報一過，IV 會 collapse，也就是所謂 "vol crush"。這個機制在四個市場都存在，而它的釋放並不依賴 surprise 大小，不管多大或多小，IV 都是「在財報日這一刻」被定價回去。

 三、機構調倉是觸發式的，不是比例式的 。許多量化模型、factor 策略、風險管理系統，是 一出財報就重新評分 ，而不是「surprise 越大就調越多部位」。這種觸發邏輯讓「事件日」本身就能產生密集的交易流量，把波動撐起來。

投資人該怎麼用這個發現？

如果你的投資決策或風險管理框架裡，有任何一環是建立在「猜 surprise 大小」上的—— 可以省下這部分的力氣了 。

具體來說，這個研究直接支持三個實務上的轉向：

 1. 事件日曆 > surprise 預測 

與其每季燒時間去猜「這家公司這次 beat 多少」，不如直接列出未來 30 天內所有你持有公司的財報日期，把這些日子當成風險管理的紅線。反正我們已經知道，事件發生就是事件發生，波動會來就是會來。

 2. 部位管理用 binary 分層 

想避險？直接把持倉切成「未來兩週有財報」和「沒財報」兩堆。前者降低部位或買保護型期權，後者維持正常曝險。簡單、可操作、美國與日本兩個市場都有數據支持。

 3. 不需要 surprise 預測模型 

對一般投資人來說，那些號稱能預測「這次 Apple 會 beat 多少」的工具或訂閱服務，從我們的美日兩市場資料看，就算準了，在波動幅度這件事上的邊際價值也很小。多花一塊錢在 surprise-prediction，不如多花在事件日曆管理。

局限性：surprise 大小只在美日兩個市場檢驗過

完整的故事還有一個但書：「binary 事件就能解釋波動放大」的方向性結論在四個市場都成立，但「跟 surprise 多大無關」只在美國與日本兩個有 surprise 資料的市場檢驗過，台灣與歐洲只有 binary 事件的檢驗。

核心結論—— 是否放大，與 surprise 多大無關 ——在美國與日本兩個測過的市場給的答案是一致的：只要有事件，波動就會來。

想看完整統計細節？

這篇文章是寫給一般投資人的精簡版。如果你對 pooled MLE 估計、cluster-bootstrap 95% CI、Harvey 門檻如何建構、或每個 K 編號的具體數據有興趣，可以參考同系列的深度研究版：

• 「財報事件對波動率的衝擊只分『有無』不分『大小』」，三市場齊一的 binary-sufficient 普遍定律

那篇文章包含各市場完整的 bootstrap t 表格、placebo 檢定 z-score、以及 binary 與連續 surprise 規格的 AIC 比較。

本文基於實驗 K1150（JP TOPIX pooled panel，experiments/k1150/k1150_results.json）、K1151（US 連續 surprise spec，experiments/k1151/k1151_results.json）、K1153（EU 第四市場驗證，experiments/k1153/k1153_results.json）、K1157（JP 連續 surprise spec，experiments/k1157/k1157_results.json）。數據來源：yfinance daily close + earnings surprise API，期間 2014–2025，合計美日兩市場約 2,700+ 筆 surprise 事件 + 台歐兩市場約 2,000+ 筆 binary 事件。所有統計檢定均為 cluster-bootstrap 或 pooled MLE Hessian SE。