资产定价风险溢价实证研究.docxVIP

资产定价风险溢价实证研究

一、引言

资产定价是现代金融理论的核心议题之一，其核心任务在于揭示资产收益的驱动因素与内在规律。在这一框架下，风险溢价作为资产预期收益与无风险利率的差额，既是投资者承担风险的补偿机制，也是市场资源配置效率的直观反映。从早期的资本资产定价模型（CAPM）到如今的多因子模型，学术界对风险溢价的探索始终围绕“哪些风险会被定价”“风险如何转化为收益补偿”等关键问题展开。实证研究作为连接理论与现实的桥梁，通过对历史数据的挖掘与分析，不仅验证了经典理论的适用性，也揭示了市场中诸多“异象”，推动着资产定价理论的迭代升级。本文将系统梳理风险溢价实证研究的理论基础、方法体系与核心发现，探讨其在投资实践中的应用价值，为理解资产定价机制提供更全面的视角。

二、风险溢价的理论基础与实证逻辑

（一）风险溢价的本质与理论溯源

风险溢价的本质是投资者对承担不可分散风险的补偿。在完全市场假设下，只有系统性风险（即无法通过分散投资消除的风险）会被定价，非系统性风险可通过组合分散，因此不会产生溢价。这一思想最早由夏普（Sharpe）、林特纳（Lintner）等人提出的CAPM模型所确立。该模型认为，资产的预期收益仅与市场风险（β系数）相关，风险溢价等于市场组合风险溢价乘以资产的β值。然而，现实市场中大量“异象”（如小市值股票长期跑赢大市值股票的规模效应、低市净率股票超额收益的价值效应）的存在，暴露出CAPM的局限性，推动着多因子模型的发展。法玛-弗伦奇三因子模型（Fama-French3FM）引入市值（SMB）和账面市值比（HML）作为额外因子，五因子模型进一步加入盈利能力（RMW）和投资风格（CMA），试图更全面地捕捉风险溢价的来源。此外，行为金融理论从投资者非理性行为出发，提出情绪溢价、流动性溢价等概念，为风险溢价的解释提供了新维度。

（二）实证研究的核心逻辑与目标

风险溢价实证研究的核心逻辑是通过历史数据验证“风险-收益”关系的存在性与稳定性。其目标可概括为三点：一是检验经典理论模型的解释力，例如验证CAPM中的β是否能单独解释截面收益差异；二是识别未被现有模型覆盖的风险因子，例如通过统计方法发现市值、动量等新因子；三是分析风险溢价的动态特征，例如不同经济周期、市场环境下风险溢价的变化规律。实证研究需遵循“假设-数据-检验-结论”的科学流程：首先基于理论或观察提出假设（如“小市值股票存在正向风险溢价”），然后选取代表性数据（如股票收益率、宏观经济指标等），运用计量方法（如时间序列回归、Fama-MacBeth两步法）检验假设，最后结合统计显著性与经济意义对结果进行解释。

三、风险溢价实证研究的关键方法与数据处理

（一）数据选择与预处理

数据质量直接影响实证结果的可靠性。在资产层面，常用数据包括股票、债券、商品等大类资产的收益率，需覆盖足够长的时间跨度（通常十年以上）以捕捉不同市场周期的特征，同时保持样本的代表性（如避免幸存者偏差，纳入退市资产数据）。在风险因子层面，市场因子通常用宽基指数收益率减去无风险利率（如国债收益率）；规模因子可通过将股票按市值排序后构造多空组合（买入小市值、卖空大市值）；价值因子则基于账面市值比等指标构造类似组合。预处理步骤包括缺失值填补（如用行业均值替代）、异常值处理（如剔除单日涨跌幅超过50%的极端数据）、对数收益率转换（消除异方差性）等，确保数据符合计量模型的假设条件。

（二）计量模型与检验方法

实证研究中最常用的计量方法包括时间序列回归与横截面回归。时间序列回归以资产超额收益为因变量，风险因子超额收益为自变量，通过回归系数（β值）衡量资产对各因子的敏感度，拟合优度（R2）反映模型对收益的解释能力。例如，对某只股票的时间序列回归方程可表示为：股票超额收益=α+β1×市场因子+β2×规模因子+…+ε，其中α为“超额收益”（即模型未解释的部分），若α显著不为零，则说明存在未被因子覆盖的风险溢价。横截面回归（Fama-MacBeth两步法）则首先对每只资产进行时间序列回归得到β值，然后以各期资产超额收益为因变量、β值为自变量进行横截面回归，检验β与收益的正向关系是否显著。此外，为应对因子间的共线性问题（如市值与账面市值比可能相关），需进行方差膨胀因子（VIF）检验，若VIF超过5则需调整因子选取或采用主成分分析降维。

四、风险溢价实证研究的核心发现与争议

（一）经典模型的实证检验结果

对CAPM的实证检验显示，其在解释截面收益时表现有限。早期研究发现，β与股票收益的正相关关系在长期中并不显著，甚至在某些时期出现负相关（如市场剧烈波动时），这与CAPM的预测矛盾。相比之下，多因子模型的解释力显著提升。以法玛-弗伦奇三因子模型为例，其对美国股票市场的R2普遍在70%以上，能较好捕捉规模效应与价值效应。但五因子