1.2 文献综述

1.2.1 理性预期下的资产定价理论

20世纪60年代之前，人们对于资产风险的研究还仅限于资产本身包含的各种基本信息所带来的收益波动。CAPM的提出是资产定价理论的一次伟大革命，它揭示了资产风险与市场风险之间的联系。作为因子模型的最简单形式，CAPM的成立依赖很多强有力的假设——CAPM基于市场的竞争性均衡状态和无套利机会等条件，假设投资者为理性的风险厌恶型投资者，隐含了Fama EMH理论成立的先决条件[3]，而学界对于市场是否有效长期以来都存在争论，并形成了一波对于CAPM进行实证检验的浪潮。

CAPM一般的形式有两种，即Sharpe-Lintner CAPM和Black CAPM，虽然两者的假设和形式存在差异，但它们都指出资产的期望收益与其市场因子系数线性相关。最初的CAPM检验一般是采用双程回归法，即首先进行时间序列回归估计市场因子系数β的估计值，然后以此作为解释变量进行横截面回归检验。但是这种方法存在显而易见的缺陷：单个证券的市场因子系数始终是动态变化的，采用不同的数据会得到不同的市场因子系数，用存在误差的市场因子系数进行横截面检验时，可能会减弱平均收益和风险的关系。此后，Fama和MacBeth、Gibbons等的研究都拒绝了Sharpe-Lintner CAPM，而无法拒绝Black CAPM，说明Black CAPM中关于市场因子系数可以充分解释期望收益的含义基本成立。[4]很多学者也利用其他不同角度的实证研究否定了CAPM。例如，Levhari和Levy指出采用短周期数据会造成CAPM估计出的市场因子系数有偏[5]；Handa等指出如果考虑不同的收益统计周期，对于同一只股票可能会有不同的市场因子系数估计值[6]；Handa等指出采用月度收益数据能够拒绝CAPM，但采用年度数据则不能[7]。

对于实证领域中出现的这些对CAPM统计和计量方法的质疑，支持CAPM的计量经济学家们表示认同，并不断进行修正和完善。Miller和Scholes认为在检验CAPM的有效性时，使用单个资产进行研究会出现一些统计问题，而使用投资组合进行检验则可以避免这些问题[8]；Jensen等以纽约证券交易所全部股票的交易数据为样本构造投资组合，发现CAPM拟合的截距项数值显著大于无风险利率，股票收益和市场因子系数之间也存在线性关系[9]；Kothari等认为市场因子系数估计标准差较大，由此说明它的估计值存在较宽的置信区间，从统计意义上来说，其数值的正负不能代表真实数值的正负[10]；Gencay等首先利用小波分析的方法对美国、德国和英国的股票市场进行多时间尺度的CAPM系统风险研究，验证了投资组合收益与市场风险之间的关系随着时间尺度增加而增强[11]；Ang和Chen指出市场风险系数是动态变化的，采用不同时间区间或者时间周期的数据可能会产生不同的结果。[12]

国内的很多学者也对CAPM在我国证券市场的适用性进行了研究，大多结论是CAPM不适用于中国股市，虽然这些文献采用的方法值得商榷，但是确实反映了国内学界对CAPM的认识程度，如陈浪南和屈文洲、陈小悦和孙爱军、贾权和陈章武、林清泉和荣琪的研究。[13]

Ross用套利理论定价市场均衡状态，回避了很多CAPM的假设并提出了APT。[14]APT是资产定价理论中的第一个多因子模型，反映了在均衡状态下投资者必须面对多种风险来源，同时能获得多种风险溢价。APT只是一个理论研究的框架，它并没有指出哪些风险来源是切实有效的，但是它的基本理念受到了大多数学者的认可。与此同时，大量实证研究表明，单独的市场风险因子系数不能完全解释证券收益的横截面差异，其中不能被解释的那一部分收益率即“异象”（Anomaly）[15]。

此后对于市场之外的风险因子和异象的研究成了学界的一个焦点：Basu提出了盈利效应，即高盈利市值比（或低市盈率）的股票比低盈利市值比（或高市盈率）的股票风险溢价高[16]；Banz提出了规模效应，即小市值公司股票比大市值公司股票的平均收益高[17]；Reinganum也发现了与Banz类似的结果，在进行贝塔值调整后，小市值股票倾向于比大市值股票收益高[18]；Stattman提出了价值效应，即高账面市值比的股票比低账面市值比的股票具有显著的高收益[19]；Debondt和Thaler发现了长期收益的反转效应[20]；Bhandari发现了杠杆效应，高分红市值比的股票收益更高[21]；Jegadeesh和Titman发现了短期收益的惯性效应（动量效应）[22]。

在静态因子研究方面，宏观经济学中的很多理论在探究资产价格和宏观经济变量之间的关系。Kydland和Prescott的实际商业周期理论（Real Businesses Cycle Theory，RBCT）强调的是由实际宏观经济变化冲击导致的商业周期现象，尤其是生产率的冲击，它认为通货膨胀是中性的，主要针对的是生产经济领域的企业，囊括了最优化企业的物质产品生产、最优化居民的消费和储蓄决策等，但是没有考虑资产价格。[23]Jermann在实际商业周期模型中加入了资产价格的因素。[24]Smets和Wouters提出了七种冲击，即生产率、投资水平、偏好、劳动供给、通货膨胀率、政府开支和货币政策，这些都是研究资产价格的静态因子。对于长期投资者来说，其中一种重要的风险因子是人口结构风险，具体来说是劳动力产出冲击。在世代叠加模型（Over Lapping Generation Model，OLG模型）中，人口结构是一个缓慢变化的变量。[25]Kaltenbrunner和Lochstoer考虑了更实际、更复杂的动态冲击和代理行为。现代宏观经济研究主要依赖动态随机一般均衡（Dynamic Stochastic General Equilibrium，DSGE）模型，在DSGE模型中，经济体是动态变化的，代理人（消费者、企业、中央银行和政府）的行为、技术水平和机构或市场都会影响经济变量，资产价格是以上所有参与者和技术相互影响的集合。[26]Erb等、Ang和Maddaloni的实证研究都证实了人口结构确实存在风险溢价。[27]

在动态因子研究方面，多因子资产定价模型中最重要的研究成果是Fama和French利用实证数据提出的Fama-French三因子模型（简称FF3模型）。他们利用1963～1990年美国三大股票交易所的全部股票样本，运用横截面回归研究了投资组合的市场因子系数和超额收益之间的关系，发现无论是单变量检验还是结合其他变量的联合检验，二者关系均不显著，而规模、盈利、分红和价值因子对投资组合超额收益的单变量检验表明它们都有很强的解释力度。同时，他们通过多变量联合检验发现，规模和价值因子联合起来可以很好地吸收市场、盈利、分红等指标对股票横截面超额收益的影响。这一发现打破了长期以来用市场因子作为基本风险衡量指标的模式。[28]

FF3模型虽然在形式上拒绝了CAPM的结论，但它在实质上延续了CAPM的研究，FF3模型的研究框架至今影响着主流的资产定价理论和实践。也有很多学者对FF3模型提出了各种各样的疑问，如Barber和Lyon就指出FF3模型的检验方法存在数据的过度挖掘，他们认为要对不同时期、不同地域的金融数据进行稳健性检验[29]；Ang和Bekaert的研究也证明了价值因子在20世纪上半叶无法解释组合收益，FF3模型的研究存在数据选择偏差[30]。这些研究掀起了利用全球各证券市场进行FF3模型检验的研究热潮。尽管如此，FF3模型在业界仍然备受推崇，因为它提供了一种切实可行的投资方式，其中的三种因子都可以通过构造零成本投资组合实现。

在FF3模型的基础上，学者们希望继续创造新的风险因子去增强模型的解释能力，Carhart将股票按照历史表现分为赢家组合和输家组合，并通过买入赢家组合同时卖出输家组合来构造零成本投资组合，以此作为动量因子（UMD）加入FF3模型构建了C4模型[31]；但Fama和French使用全球多个地区的数据对四因子模型进行检验，发现动量因子在不同的市场中的解释力存在差异[32]；Fama和French在FF3模型的基础上加入盈利因子和投资因子构建了五因子模型（简称FF5模型）[33]。

国内文献对于因子模型的研究主要是三因子模型对我国股市适用性的检验等，如陈信元等、邓长荣和马永开。[34]近几年的研究主要是设计和构造不同的因子来分析我国股市的主导因子，潘莉和徐建国利用市盈率代替市净率构建了中国股市的三因子模型[35]，田利辉和王冠英加入交易量和换手率因子构造了五因素模型[36]，他们均认为这些模型能够较好地解释中国股市的收益。

1.2.2 非理性预期下的资产定价理论

以上都是理性预期下的资产定价理论，除此之外，非理性预期下的资产定价理论也获得了巨大发展，并产生了很多构造因子的思路。传统理性预期下的CAPM假设市场参与者对于资产收益率的主观预期是一致的，然而数据和很多实证结果表明实际情况并非如此，资产收益率具有“波动率聚集性”（Volatility Clustering），均值和方差并不是时不变的常数。Engle为此提出了自回归条件异方差（Autoregressive Conditional Heteroscedasticity，ARCH）模型的概念，将自回归模型误差项的条件方差解释为过去误差和方差的函数，很好地刻画了这种波动率聚集的情况，受到了学界的关注，此后对于各种ARCH模型的研究也成了一个热点。[37]Bollerslev等提出了多变量GARCH-M模型，并对1959～1984年的票据、债券和股票数据进行拟合，实证结果支持了这种条件资产定价模型。他们开创性的研究成果后来被广泛地应用在金融市场和宏观经济预测中。[38]Giovannini和Jorion将OLS中残差从正态独立同分布（Independent Identical Distribution）扩展到ARCH形式，对外汇市场和股票市场指数价格的泊松跳跃进行了研究[39]；Vlaar和Palm用同样的假设对外汇市场中是否存在伯努利跳跃和泊松跳跃的现象进行了研究[40]。

股票实际价格不仅存在波动率聚集的现象，而且在很多时候会出现过度波动。Shiller利用方差比进行过度波动检验，利用1928～1979年的道琼斯工业平均指数和对应的分红数据否定了股票分红波动决定价格波动的传统认识。[41]随后Shiller和Campbell将过度波动检验扩展为非平稳数据检验，利用年度标准普尔指数再次验证了股价存在过度波动。他们认为市场上存在投资者的行为误差、对信息的过度反应等导致了股价的过度波动，这种波动无法用理性预期理论解释。[42]该研究引发了金融界对于资产定价的重新思考，行为金融学开始逐渐发展起来。Shefrin和Statman提出了行为资产定价模型（Behavioral Asset Pricing Model，BAPM），在BAPM中，证券预期收益是由这些非理性交易者的“行为风险”决定的，市场价格的定价方式是由理性交易者和非理性交易者相互撮合形成的。[43]行为金融学很多文献也加强了研究者对于基本风险因子的认识，Barberis等认为由于投资者短期内容易落入“保守性偏差”的陷阱而对股价反应不足，产生短期的“惯性效应”。[44]

动量策略就是通过捕捉股票价格的过度波动和市场存在的惯性效应获取收益的投资策略。DeBondt和Thaler首先发现股票收益率在长期存在反转趋势，并通过实证研究证明采用反转投资策略能够获得超额收益。他们采用的零成本投资组合（Zero-cost Portfolio）被后来的研究者广泛使用。[45]Jegadeesh和Titman最早研究了惯性投资策略。他们利用纽约证券交易所（NYSE）和美国证券交易所（AMEX）1965～1989年全部股票的月度数据进行研究，把符合条件的股票分别按照过去3个、6个、9个和12个月的累积收益率进行排序，并按顺序构造十个等权投资组合（从P1到P10，其中P1是赢家组合，P10是输家组合），再考察这些组合在持有期分别为3个、6个、9个和12个月的累积收益率，并以“P1-P10”的收益率作为“相对强度组合”（Relative Strength Portfolio）的收益率。结果发现排序期和持有期均为6个月的相对强度组合（6/6组合）会产生大约1%的月回报。[46]Conrad和Kaul采用了1926～1989年美国全部股票的周和月度数据，形成期和持有期均有8种：1周和3个、6个、9个、12个、18个、24个、36个月。实证结果发现64种组合中有一半的策略取得了显著的利润，这些组合主要集中在中等长度（3～12个月）的投资期限。他们还发现反转投资策略可以在极短期（1周）和极长期（36个月）取得收益。[47]Carhart将相对强度组合作为动量因子扩展了Fama和French的三因子模型。但是他指出交易费用和换手成本在一定程度上会抵消动量投资策略带来的异常收益。[48]

上述所有关于动量投资策略的实证分析是建立在美国数据的基础之上的。Fama和French建议对各国的数据进行动量策略研究，以验证动量异象是否存在数据选择偏差。[49]Rouwenhorst用12个OECD国家1980～1995年的股票月度数据考察了动量投资策略，研究采用的形成期和持有期均为3个、6个、9个和12个月，结果证实动量效应现象在所有OECD国家都存在。[50]

另外，Jegadeesh和Titman增加了1990～1998年的数据，并重复了之前的研究，结果发现动量策略依然可以获得显著的利润[51]；Moskowitz和Grinblatt研究了行业和动量的关系[52]；Asness等、Bhojraj和Swaminathan研究了证券指数中存在的截面动量[53]；Erb 和 Harvey、Asness等分别研究了外汇、商品和环球债券市场的动量效应[54]。

国内研究动量效应的文献也有很多，但始终没有完全一致的结论。王永宏和赵学军对中国股票市场的动量效应进行了研究，样本为1993年前上市的全部A股股票在1993～2000年的月收益，最后得出的结论是各种期限组合的动量投资策略收益几乎全部为负。[55]周琳杰发现只有回望期和持有期非常短的组合才有显著的盈利，且都来自对做空机制的利用。[56]徐信忠和郑纯毅发现中国股票市场动量效应发生在1～6个月，收益低于欧美市场且显著性不强。[57]鲁臻和邹恒甫在Hong和Stein的HS模型基础上，将信息分为政策信息和公司基本面信息两类，通过理论推导得到两个主要结论：我国股市反转效应比惯性效应明显，除了中期惯性与长期反转外，还存在一个超短期的惯性与短期的反转；小公司股票惯性趋势较弱，容易发生反转，成交量大的股票相对于成交量小的股票惯性趋势较弱，容易发生反转。他们得出中国股市惯性效应不明显的结论符合理论模型分析，还指出可以利用周数据进行超短期的检验。[58]潘莉和徐建国采用CSMAR数据库中沪深两市全部股票从1995年1月到2008年12月的日度数据和月度数据，并用日度数据构造周度数据。在该研究中，他们将每一期的全体股票样本按照回望期内的平均回报率平均分成五组，日度数据的回望期和持有期均为1～10天，周度数据的回望期和持有期均为1～8周，月度数据的回望期和持有期均为1～12个月，年度数据的回望期和持有期均为1～5年，共计333种组合，覆盖了1天到5年的时间频率。具体的实证数据构造还考虑了包含和不包含交易量的情形，并希望以此判断交易量对股票惯性的影响。实证结果发现，A股在多个时间频率上存在明显的反转效应，而动量效应仅在超短期的日频率和特定的周频率上存在；交易量对于股票价格的惯性和反转有显著影响，交易量小的股票易于发生惯性现象，而交易量大的股票易于发生反转现象，交易量有加快股票价格对信息反应的速度的作用。这表明我国A股市场不满足“弱有效市场”假说。[59]