第五章 均值-方差前沿与 beta 表达式(资产定价-北大,史树中).ppt

资产定价 Asset Pricing 5 第一部分 资产定价理论 第五章 均值－方差前沿和 beta 表达式 本章要点 许多资产定价中的经验研究论文是用期望收益－beta 表达式和均值－方差前沿的语言来写的。这一章介绍期望收益－beta 表达式和均值－方差前沿。 我在这里讨论因子定价模型的 beta 表达式。第六章指出期望收益－beta 模型是如何等价于一个折现因子为 m=b’f 的线性模型。第九章讨论诸如 CAPM, ICAPM 和 APT 那样的流行因子模型的推导。 本章要点（续） 我对均值－方差前沿概述了经典的 Lagrange 方法。然后，我引入由 Hansen and Richard (1987) 提出的均值－方差前沿的强有力而有用的表达式。这个表达式由存在定理来运用熟知的状态空间几何。在无限维偿付空间 (当我们再加上条件信息、动态交易或者期权时，我们将立即遇到这样的空间) 中，它也成立，因而它也很有用。 5.1 期望收益－beta 表达式 因子定价模型的期望收益－beta表达式为 该模型等价于一种限制：在时间序列回归中对于所有资产的截距是一样的。 许多金融学中的经验研究是用线性因子定价模型的期望收益－beta 表达式来写的。其形式为 ? 项的计算 ? 项定义为下列收益关于因子的多重回归中的系数， 它通常称为时间序列回归。“因子” f 是边际效用增长的代理。第九章中将讨论它从哪里来。 这个回归式并不是用来预测收益，其目标是度量当前关系或风险暴露。 ? 与 ? 是公共的 在期望收益－ beta 表达式中， ? 与 ? 是公共的。模型表明，? 越高，资产的平均收益就越高。 ? 也可解释为风险暴露。 模型可说成是：“每单位关于风险因子a 的暴露 ?, 你必须向投资者提供期望收益溢价 。” 怎样估计 ? 与 ?？ 自由参数 ? 与 ?的估计是通过平均收益关于 beta 的横截面回归： 是定价误差。模型的预测是 为零。因此，它应该在检验中统计上是不显著的，经济上很小。以后将专门讨论基于平方定价误差和的统计检验。 ? 的含义 ? 是回归系数的事实极为重要。如果 ? 也是自由参数，那么模型就没有任何内容。 更为重要的是， ? 不可能是资产或公司专有的特征，例如公司规模，BTM比，或者（取极端状况）其标记的第一个字母等等那样的特征。 期望收益确实联系或相关许多这样的特征，但是这种相关性必须用某些 ? 回归系数来解释。 真正的 ? 应该导出横截面回归中的特征。它刻划的是你的行为，而并非说你是谁。 某些公共的特殊情形 如果存在无风险利率，那么它相应的 ? 都是零。因此， 如果不存在无风险利率， 通过横截面回归来估计，并称为零- ? 利率。 对于一般的超额收益 ，有 这里没有 . 某些公共的特殊情形（续） 在许多情况下，因子也是收益或超额收益。这时， 等等成立。因此， 上式是横截面回归，而不是时间序列回归。应该注意其中的区别。这里尤其是截矩上的区别。“One can always run a regression of anything on anything.” 5.2 均值－方差前沿：直观刻划和 Lagrange 刻划 典型的均值－方差前沿如图。注意：本书的“前沿”不要求“有效”。 均值－方差前沿的存在定理 给定资产集的均值－方差前沿是给定资产的所有组合上的收益的均值和方差的集合的边界。通过给定平均收益最小化收益方差可求得或定义这一边界。 定理：如果收益的方差－协方差矩阵非异，那么均值－方差前沿存在。 均值－方差前沿的Lagrange方法 问题：设 R 为资产收益向量。E?E(R) 为均值收益向量，?＝E[(R-E)(R-E)’] 为协方差矩阵。组合向量定义为满足 w’1=1的 w. 于是“对于给定均值选取组合，是方差最小”的问题为 组合选择问题的解 解：令 那么对于给定的平均组合收益??，最小方差组合的方差为 （抛物线） 组合权重为 最小方差组合和“二基金分离” 把前面得到的方差对 ? 求最小值，可得 其相应的最小方差为 , 而相应的组合权重为 由于 w 是 ? 的线性函数，整个前沿可由两个前沿收益生成（二基金分离定理）。 组合选择问题求解的推导 对两个约束条件引入 Lagrange 乘子 2? 和 2?，由一阶条件可得 再由约束条件可得 组合选择问题求解的推导（续） 它也可以写成 因此， 5.3 均值－方差前沿的正交特征 上面介绍的是经典的均值－方差前沿理论。除 Markowitz (1952) 的开创性研究外，主要是 Merto