资产定价模型中的结构性突变分析.docxVIP

资产定价模型中的结构性突变分析

引言

资产定价模型是金融研究的核心工具之一，其核心目标是通过刻画资产收益与风险因子之间的关系，为投资者提供定价依据和决策参考。从早期的资本资产定价模型（CAPM）到多因子模型，再到近年来融合行为金融的创新模型，资产定价理论始终围绕“如何更准确反映市场真实规律”展开。然而，现实中的金融市场并非静态系统——国际局势波动、政策规则调整、技术革命爆发等事件，常导致市场运行逻辑发生“结构性突变”，即原有模型的参数稳定性被打破，风险因子与收益的映射关系出现不可逆的改变。这种突变不仅会使传统模型失效，更可能引发定价偏差、投资策略失灵甚至系统性风险。因此，深入分析资产定价模型中的结构性突变，既是理论发展的必然要求，也是指导实践的关键课题。

一、资产定价模型与结构性突变的基础认知

（一）资产定价模型的核心逻辑与发展脉络

资产定价模型的本质是构建“风险-收益”的量化关系。早期的CAPM模型通过市场风险溢价（β系数）解释资产超额收益，认为只有系统性风险（不可分散风险）会被定价。随着研究深入，学者发现单一市场因子无法覆盖所有风险：如小市值股票长期跑赢大市值股票（规模效应）、低市盈率股票收益更高（价值效应）等现象，推动了多因子模型的诞生。以Fama-French三因子模型为代表，模型纳入了市值（SMB）、账面市值比（HML）等因子，更全面地捕捉了市场异象。近年来，机器学习技术的应用进一步扩展了模型边界，宏观经济变量、情绪指标甚至新闻文本等非传统因子被纳入分析框架。尽管模型形式不断迭代，但其核心始终是通过稳定的参数关系，揭示市场定价的内在规律。

（二）结构性突变的定义与典型特征

结构性突变（StructuralBreak）指金融系统中因外部冲击或内部演化，导致模型参数或结构发生显著且不可逆的改变。与短期波动不同，突变具有三个典型特征：其一，非预期性，突变常由黑天鹅事件（如金融危机）或渐进积累的量变引发（如技术革命），难以通过历史数据直接预测；其二，持续性，突变后市场运行逻辑会长期偏离原有轨道，而非短暂调整；其三，全面性，突变可能影响模型中的多个维度——既可能是某一风险因子的解释力消失（如利率市场化后无风险利率的定价方式改变），也可能是新因子的突然出现（如ESG理念兴起后社会责任指标成为定价因素）。

（三）两者的关联性：从静态假设到动态现实的矛盾

传统资产定价模型隐含“参数稳定”的假设，即风险因子与收益的关系在样本期内保持不变。这一假设在市场环境平稳时具有合理性，但当结构性突变发生时，模型的“静态基因”与市场的“动态现实”产生根本矛盾。例如，2008年全球金融危机前，多数模型基于历史数据得出“房价与金融机构收益正相关”的结论；但危机爆发后，房价下跌引发的连锁违约彻底颠覆了这一关系，模型参数的估计值与实际市场行为严重脱节。这种矛盾提示我们：要准确理解资产定价，必须正视结构性突变的存在，并将其纳入分析框架。

二、结构性突变的识别与检测方法

（一）基于统计检验的传统方法：以Chow检验与递归检验为例

早期对结构性突变的识别主要依赖统计检验。Chow检验是最经典的方法之一，其核心思路是将样本分为突变前和突变后两个子样本，通过比较两个子样本的回归残差平方和，判断模型参数是否存在显著差异。例如，若研究者假设某政策在xx月xx日实施可能引发突变，可将数据分为政策前（T1期）和政策后（T2期），分别估计模型参数，再通过F检验验证两组参数是否来自同一分布。Chow检验的优势在于操作简单、结论明确，但其局限性也很明显：它要求突变时间点已知或可合理假设，且仅适用于单突变检测，难以处理多突变场景。

为解决“未知突变点”的问题，递归检验（RecursiveTest）被提出。该方法通过逐步扩大样本窗口（如从第1期到第t期，t=1,2,…,T），持续估计模型参数并计算统计量（如累积和统计量CUSUM），当统计量超出临界值时，即认为发生了突变。例如，在分析某类资产的定价模型时，若前100期的β系数稳定在0.8左右，但从第101期开始，β值持续上升至1.2且CUSUM统计量突破阈值，则可判定第101期前后发生了结构性突变。递归检验的优势在于无需预设突变点，能动态捕捉突变信号，但其对数据长度要求较高，小样本下容易出现误判。

（二）基于状态转移的动态模型：马尔可夫转换模型与贝叶斯方法

随着计量技术发展，学者开始用动态模型刻画突变过程。马尔可夫转换模型（MS模型）假设市场存在多个状态（如“稳定期”和“突变期”），状态之间的转换由不可观测的马尔可夫链驱动，模型会根据数据自动估计各状态的概率及参数。例如，在分析股票市场定价时，模型可能将“低波动状态”下的β系数设为0.6，“高波动状态”下的β系数设为1.1，并通过极大似然估计确定状态转移概率。这种方法的优势在于能同