资本资产定价模型（CAPM）的时变β系数估计.docxVIP

资本资产定价模型（CAPM）的时变β系数估计

一、引言

资本资产定价模型（CapitalAssetPricingModel，CAPM）自提出以来，始终是金融资产定价与风险管理领域的核心理论工具。该模型通过β系数（BetaCoefficient）量化资产收益率与市场组合收益率之间的系统性风险关联，为投资者评估资产风险溢价提供了关键依据。然而，传统CAPM假设β系数在时间维度上保持恒定，这一假设与现实市场中宏观经济波动、政策调整、投资者情绪变化等因素引发的资产风险特征动态演变存在显著矛盾（FamaFrench，1992）。在此背景下，“时变β系数估计”逐渐成为学术界与实务界关注的焦点——它不仅是对CAPM理论的修正与完善，更是提升资产定价准确性、优化投资组合管理的重要实践需求。本文将围绕时变β系数的理论逻辑、估计方法、实证应用及挑战展开系统探讨，以期为理解动态市场环境下的资产风险特征提供新视角。

二、CAPM与β系数的理论基础及局限性

（一）CAPM的核心逻辑与β系数的经济含义

CAPM的核心思想可概括为：资产的预期收益率由无风险利率与市场风险溢价共同决定，其中市场风险溢价通过β系数加权。具体而言，资产i的预期收益率E(Ri)可表示为E(Ri)=Rf+βi[E(Rm)-Rf]，其中Rf为无风险利率，E(Rm)为市场组合预期收益率，βi=Cov(Ri,Rm)/Var(Rm)反映资产i收益率与市场组合收益率的协方差相对于市场组合方差的比例（Sharpe，1964）。β系数大于1的资产被视为“高风险资产”，其波动幅度超过市场平均水平；β系数小于1的资产则被归类为“低风险资产”。这一简洁的线性关系，使得β系数成为衡量资产系统性风险的核心指标。

（二）传统恒定β假设的现实困境

随着金融市场复杂性的提升，恒定β假设的局限性逐渐显现。理论层面，Merton（1973）提出的跨期CAPM（ICAPM）指出，投资者在多期决策中需考虑未来投资机会的变化，这会导致β系数随时间推移而动态调整。实证研究方面，FamaFrench（1992）通过对美国股市的长期数据检验发现，仅用β系数无法完全解释股票收益率的横截面差异，市值、账面市值比等因素对收益的解释力甚至强于β，间接印证了β的时变特征。更直接的证据来自Engle（2002）的研究，其通过高频数据观察到，在市场剧烈波动期（如金融危机、政策事件冲击），资产与市场组合的关联性会显著增强或减弱，β系数呈现明显的短期跳跃特征。这些理论与实证结果共同表明，β系数并非静态参数，而是随市场环境变化的动态变量。

三、时变β系数的理论驱动因素与估计方法

（一）时变β的驱动因素：多维度解析

时变β的动态演变可归结为三类驱动因素：其一，宏观经济周期波动。当经济处于扩张期时，企业盈利预期改善，风险偏好提升，高β资产的市场相关性可能增强；反之，经济衰退期投资者避险情绪升温，低β防御性资产的β值可能相对稳定（CampbellCochrane，1999）。其二，金融市场结构变迁。例如，金融衍生品的普及、算法交易的兴起会改变资产价格的形成机制，进而影响其与市场组合的联动关系（Hasbrouck，2007）。其三，微观主体行为变化。机构投资者的持仓调整、个人投资者的情绪波动（如“羊群效应”）可能导致资产交易活跃度与价格波动模式发生变化，最终反映为β系数的时变性（BarberisShleifer，2003）。

（二）时变β估计方法的演进与比较

为捕捉β的时变特征，学者们发展了多种估计方法，这些方法在模型假设、数据要求与适用场景上各有侧重：

滚动窗口回归法

这是最基础的时变β估计方法，其原理是选取固定长度的时间窗口（如12个月、24个月），对每个窗口内的资产收益率与市场收益率进行线性回归，得到该窗口对应的β值，随后将窗口向前滚动一个周期（如1个月），重复上述过程，最终形成β的时间序列（PogueSolnik，1974）。该方法操作简单、易于理解，且无需复杂的模型假设，因此在早期研究中被广泛应用。但缺陷也较为明显：窗口长度的选择具有主观性——过短的窗口会导致估计结果受随机噪声影响过大，过长的窗口则可能掩盖β的短期变化；此外，窗口边缘的观测值对估计结果的影响被放大，可能引发“边界效应”（Brooks，2014）。

状态空间模型与卡尔曼滤波

状态空间模型将β系数视为不可观测的“状态变量”，通过建立状态方程（描述β的动态演变）与观测方程（连接β与可观测的收益率数据），利用卡尔曼滤波（KalmanFilter）进行递推估计（Harvey，1989）。状态方程通常假设β遵循随机游走过程（βt=βt-1+εt）或均值回复过程（βt=α+ρβt-1+εt），观测方程则对应CAPM的线性关系（Rt=α+βtMt+ut）。这种方法的