基于马尔科夫状态转换下CAPM实证研究.docVIP

基于马尔科夫状态转换下CAPM实证研究 　　摘 要: 传统资本资产定价模型(CAPM)不仅假定收益率为正态分布，同时认为反映市场风险载荷系数和条件方差是固定的，这与现实存在较大出入。实际上资产收益率的结构存在动态不断转换特性，本文从动态角度提出了基于马尔科夫状态转换下的资本资产定价模型，即允许股票系数和条件方差呈现时变状况，经与经典资本资产定价模型估计结果比较表明，本模型具有更好的效果并刻画了动态变化过程。 　　关键词:资本市场;定价模型;实证研究 　　中图分类号: 文献标识码: 文章编号:100-4392（2008）08-0007-03 　　 　　一#65380;基于马尔科夫状态转换下的CAPM 　　 　　（一）传统资本资产定价模型为: 　　γit=γFt+βi（Rt-γFt）+εit （1） 　　其中γit为第i个证券t时刻的收益率，γFt为t时刻的无风险收益率，Rt为t时刻市场组合收益率，E（εit）=0，Coν（γMt，εit）=0，即市场收益率和独立证券收益率不相关，又设αit=γFt（1-βi），则(1)式又变为 　　γit=αi+βiRt+εit (2) 　　（二） 基于马尔科夫状态转换下的资本资产定价模型 　　证券i收益率与指数收益率之间存在M个时变回归方程，他们分别代表M个不同状态，其中状态变量St为不可见随机变量，且St是关于时间齐次的，具有状态空间J=（1，2…，M）一阶马尔科夫过程，其转移矩阵P=（Pij），其中Pij=Pr（St=j|St-1=i），i，j∈J，且对于任意i∈，Pij=1，对于任意t，τ，St独立εiτ，即当前状态仅与前一个状态有关，与过去其他状态无关，且状态随机变量仅仅取0#65380;1值，状态之间表现为非连续的转换。此时资本资产定价模型为（2）式为 　　(3) 　　用向量ξt表示系统状态，并略去证券下标代码，即 　　（4) 　　其中(5) 　　则(3)式中的αst，βst，σ2st可以用（6）式表示: 　　(6) 　　各状态下的条件密度为 　　（7) 　　 　　It-1为到t-1时刻下的信息集，θ为需要估计的α1，…，αM，β1，…，βM，σ21，…，σ2M及转移概率矩阵元素p11，…，pMM的参数集，在It-1和状态ξt-1下，rt的边际密度是混合正态分布，其密度为 　　f（rt|Rt，ξt-1，It-1?鸦θ）=f（rt|ξt-1，Rt，It-1?鸦θ）Pr（ξt|t-1）=l′（ηt?荠ξt|t-1）（8） ???　其中符号?荠为两个向量元素对元素相乘，1代表各元素为1的(M×1)向量，对于混合正态分布Hamilton指出，由此生成的分布即将不同于原来的单一正态分布，会表现出偏度和峰度特点，这正是金融资产的特性。(3)是一种广义的资本资产定价模型，它表明具有M个结构(状态)的证券，在不同的状态下其截距#65380;回归参数及方差不等。则基于t-1时刻信息集下向量ξt|t的最优推断和预测可通过(9)#65380;(10)迭代求得，通过最大化似然函数(8)可以得到全部参数的估计值。 　　（9） 　　ξt+1|t=P?荠ξt|t（10） 　　当证券的M个状态退化一个状态时，即为传统的CAPM。所以基于马尔科夫状态转换下的CAPM是一种广义模型，传统的CAPM只是它的一种特例。由于上述函数形式非解析形式，因此不能用通常的分析方法求解，在这用Hamilton提出的EM(期望最大)算法计算，给定一个初始值ξ1|0，可以计算任意时刻下的ξt|t，而初始值可以取ξ1|0=ρ，其中ρ是一个固定的（M×1）的各元素之和为1的非负常数向量，如取ρ=M-1?荠1，(1为各元素均为1的列向量)马尔科夫状态转换模型中的状态变量虽然不可直接观察到，但可以通过信息集推论任意时刻状态的概率，基于时刻得到的概率为过滤概率，基于全部观测值得到的概率为平滑概率，由于Markov转换模型中的状态概率为内生决定，并由数据自行分割#65380;识别各状态区间，因而避免了研究者主观设定和选择问题。 　　 　　二#65380;实证分析 　　 　　首先通过国信证券网，我们选取深圳股票证券交易所前十只股票的周数据。之所以用周数据是因为日数据会存在干扰信号，交易时间从1995年1月6日到2006年4月7日，每只股票送配#65380;派息复权，求出各只股票和深证成指的周连续收益率:rit=100?鄢ln（yit/yi，t-1），其中yit为第i只股票(指数)t时刻收盘价。 　　其次运用方程(3)估计各参数结果见表1，在国内外实证分析中常常取两个状态，虽然我们也进行过这方面的研究，但通过有关反复试验及似然函数比和有关信息准则证实具有三个状态的马尔科夫过程更符合实际，其