资产定价中的消费风险模型实证.docxVIP

资产定价中的消费风险模型实证

一、引言

资产定价理论的核心在于揭示资产收益的驱动因素，为投资者和研究者理解市场运行规律提供工具。传统资本资产定价模型（CAPM）通过市场组合收益与资产收益的协方差（即β系数）解释资产定价，但大量实证研究发现其对现实市场中“规模效应”“价值效应”等异象解释力有限。在此背景下，基于消费的资产定价模型（Consumption-BasedAssetPricingModel，简称CCAPM）逐渐成为学术界关注的焦点。该模型将投资者的跨期消费决策与资产收益联系起来，认为资产的风险应通过其与消费增长的协方差（即消费β）来衡量，而非仅依赖市场组合收益。本文以消费风险模型的实证研究为核心，系统探讨其理论逻辑、实证方法及现实解释力，旨在为理解资产定价的微观基础提供新视角。

二、消费风险模型的理论基础

（一）跨期消费效用最大化框架

消费风险模型的理论根基源于投资者的跨期最优决策。假设投资者在不同时期分配消费与投资，目标是最大化一生的效用总和。效用函数通常设定为时间可分的形式，即当期效用仅依赖于当期消费，且边际效用递减。在这种假设下，投资者会通过调整资产组合，使任意两期消费的边际效用之比等于对应资产的总收益（即1+收益率）。这一逻辑可简化为：投资者持有某资产的边际成本（减少当期消费带来的效用损失）应等于边际收益（增加下期消费带来的效用增益）。由此推导出的欧拉方程，成为连接消费增长与资产收益的核心关系式。

（二）消费风险与资产定价的内在联系

在欧拉方程的基础上，消费风险模型进一步指出：资产的风险溢价（即超过无风险利率的收益）由该资产收益与消费增长的协方差决定。具体而言，若某资产收益与消费增长正相关（即经济繁荣时收益高、衰退时收益低），则其在投资者最需要平滑消费的时期（如衰退期）无法提供额外收益，因此需更高的风险溢价作为补偿；反之，若资产收益与消费增长负相关（如避险资产），则能有效对冲消费波动风险，风险溢价较低。这种“消费β”的概念，将资产风险从市场波动维度拓展至更贴近投资者实际需求的消费波动维度，理论上更符合“风险补偿”的本质。

（三）模型的扩展与修正

原始消费风险模型（基于幂效用函数）在实证中常面临“股权溢价之谜”（股票风险溢价远高于模型预测值）和“无风险利率之谜”（无风险利率实际值低于模型预测值）的挑战。为此，学者们通过引入习惯形成（HabitFormation）、递归效用（RecursiveUtility）、异质性消费者等假设对模型进行扩展。例如，习惯形成模型认为投资者效用不仅取决于当期消费，还受过去消费（“习惯”）的影响，这使得边际效用对消费变化更敏感，从而放大风险溢价；递归效用模型则分离了风险厌恶与跨期替代弹性，允许投资者对风险的态度独立于对消费平滑的偏好，增强了模型的灵活性。

三、消费风险模型的实证设计与数据处理

（一）关键变量的选择与定义

实证研究的关键变量包括消费增长率、资产收益率和无风险利率。消费数据通常采用居民个人消费支出（如非耐用品和服务消费），因其更能反映投资者的日常消费决策；资产收益率覆盖股票、债券等多类资产，需计算经通胀调整的实际收益率；无风险利率一般选取短期国债收益率，同样需调整通胀以匹配实际消费的购买力变化。此外，为捕捉消费的长期波动，部分研究还会使用消费的平滑序列（如移动平均或HP滤波处理后的数据），以减少短期噪声对模型估计的干扰。

（二）数据来源与处理挑战

消费数据的可得性与质量是实证研究的重要约束。现实中，消费支出统计多为季度或月度频率，且可能存在滞后发布、分类误差（如耐用品消费与非耐用品消费的划分）等问题。例如，耐用品消费的效用是跨期的，但原始数据通常将其计入购买当期，可能高估当期消费增长；服务消费的价格指数编制也可能存在偏差，影响实际消费增长率的计算。为应对这些挑战，研究者常采用替代指标（如零售销售额）或调整数据口径（如仅使用非耐用品消费），并通过统计方法（如插值法）提升数据频率，以更精确地匹配资产收益的高频数据（如日度或周度）。

（三）实证方法的选择

消费风险模型的实证通常基于广义矩估计（GMM），因其能有效处理欧拉方程中的正交条件（即模型预测误差与工具变量不相关）。工具变量的选择需满足外生性（与误差项无关）和相关性（与内生变量相关），常用的工具包括滞后的消费增长率、股息率、利率等宏观经济变量。此外，为检验模型对横截面资产收益的解释力，研究还会采用Fama-MacBeth两步法：第一步估计各资产的消费β，第二步以消费β为解释变量对资产收益进行横截面回归，检验其系数是否显著且符合理论预期。

四、实证结果分析与现实解释力

（一）基础模型的实证结果

基于幂效用函数的原始消费风险模型在早期实证中表现不佳。例如，使用美国市场数据的研究发现，消费β对股票收益的解释力较弱，风险厌恶