中国证券市场的三因素模型分析，本文主要内容关键词为：中国证券市场论文,模型论文,因素论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
一、引言
夏普(Sharpe)、林特纳(Lintner)和布莱克(Black)的资本资产定价模型即CAPM（以下称SLB模型）长时间以来一直是学术界和实务界考虑平均回报与风险的方法。这个模型的核心预测是投资财富的市场组合在马柯维茨的意义上是均值方差有效的。市场组合的有效性意味着：证券的预期回报是市场β的一个正线性函数（β是一个证券的回报对市场回报回归的斜率），市场β足够描述横截面预期回报。也就是说，证券的平均回报是市场组合的回报生成的。它只与证券的系统风险有关（β值），这个单因素模型还告诉我们，由于市场组合的回报是不可测的，因而证券的回报也是不可测的，这是有效市场假设(EMH)的一个核心观点。
二十世纪八十年代以来，对SLB模型的冲突不断出现，学者们已经鉴定了许多平均股票回报模式，例如，德帮特(DeBondt)和塔勒(Thaler)发现了长期回报的反转，Jegadeesh和Titman发现了短期回报趋于持续，因为这些平均股票回报模式没有被SLB模型解释，它们一般被称为反常现象。
反常现象的存在和不断发现不仅是对SLB的冲突，而且是对EMH的冲突，它们说明过去的价格以及一些财务变量对回报具有解释的预测作用。法码(Fama)和佛他奇(French)的研究认为，美国股票的横截面平均回报与SLB模型的市场β或Breeden及其它人的跨期资产定价模型的市场β有较小的相关，通过研究以上这些变量在横截面回报里的联合作用，他们确立了一个新的三因素模型以取代SLB模型来捕捉截面平均回报，（以下称为FF模型）并且认为，许多CAPM平均回报反常现象是相关的，它们可由FF模型解释，也就是说，通过使用FF模型，大部分反常现象（短期持续除外）趋于减弱或消失。
FF模型认为，一个证券组合超过无风险利率的预期回报[Ri)-Rf]由它的回报对三因素的敏感性解释，(i)一个广泛市场组合的超额回报(Rm-Rf)；(ii)一个小股票组合的回报和一个大股票组合回报的差(SMB)；(ii)一个高帐面市场价值比率组合的回报与低帐面市场比率组合的回报的差(HML)，具体而言，组合i的预期超额回报是：
E(R[,i])-Rf=b[,ii][E(Rm)-Rf]+[,Si]E(SMB)+[,hi]E(HML)
(1)
这里，E(Rm)-Rf,E(SMB)及E(HML)是预期升水；因素的敏感性或负荷b[,i],S[,i],h[,i]是时间序列回归的斜率。在实际的回归中使用的模型是：
R[,i]-R[,f]=a[,i]+b[,i](Rm-Rf)+s[,i]SMB+h[,i]HML+ε[,i]
(2)
这个模型表明，股票的风险是多维的，不仅有SLB模型的市场风险，而且有与ME和BE/ME相关的未探明的风险因素。FF认为，ME和BE/ME吸收了杠杆比率，E/P、C/P等变量的作用，由BE/ME所捕捉的风险可能是一种相对危机因素，他们把公司的收益前景与回报的一个风险因素联系起来作为假设前提，市场判断的有差前景的公司（这种信息由低股票价格和高BE/ME传递）比有好的前景的公司有较高的预期回报（它们应该被较高的资本成本惩罚），实证研究显示，有持续低收益的差公司一般有高的BE/ME并且HML的斜率为正，有持续高收益的好公司有低的BE/ME并且HML的斜率为负，因此使用HML来解释回报与这种假设是一致的，这说明相对收益前景是一种共同的风险因素来源，它可能解释了BE/ME与平均回报之间的正相关，类似地，控制帐面市场比率后，小公司一般有较低的资产收益，这说明与规模相联系的一种共同风险因素可能解释了规模和平均回报之间的负相关。
总之，FF(1992,1993,1994,1995,1996)的研究表明，三因素模型捕捉了许多横截面平均股票回报的变动，并且吸收了困扰CAPM模型的大部分反常现象，是回报和平均回报的一个简洁描述，它的实证成功暗示它是一个均衡定价模型，是默顿(Mertom)的跨期CAPM(ICAPM)或罗斯(ROSS)的套利定价理论(APT)的一个三因素版本。
我国金融理论界对SLB的CAPM研究（杨朝军等，1996）显示，单纯由股票的系统风险来解释股票的收益率是不够的，尚有其它的风险因素在股票的定价中起着不容忽视的作用，在对其它因素的分析中发现，公司股本规模因素和净资产收益率对解释股票回报有一定的作用，同时一些研究也发现我国股市存在一定的规模效应，这些暗示着我国证券市场股票的回报也可能由三因素模型解释。为探究我国证券市场的平均回报生成模式，我们以FF模型为版本，采用时间序列回归方法，对深圳股票市场的价格数据进行了实证研究。
二、组合形成方法及其描述统计
我们选取深圳股票交易所1996.7-1999.6的月价格交易数据作为样本，这种选择的原因主要是为了保证每个证券组合股票的数量不至太少，对于规模（或市场价值）的计算采用的是可流通股数，而帐面价值(BE)却是相对全部股本而言，所以BE/ME偏大，原因是我们只得到了这样的数据资料。
表1 解释变量的描述统计
*表示在0.01水平（双边）是显著的
1.解释变量回报
(1)规模与帐面市场组合
每年6月，所有股票按规模分成小和大两组，即Small(S)和Big(B)，按BE/ME分成低、中、高三组，即Low(30%),Middle(40%),Migh(30%)，其中，BE为t-1年会计年度末的普通股帐面价值，ME为t-1年12月末的市场价值；然后，按上面的分类构造6个组合(S/L,S/M,S/H,B/L,B/M,B/H)，对这六个组合从t年的7月至t+1年的6月，每月分别计算其价值加权的回报；最后，在t+1年的6月按上述方法重新形成6个组合。
表2 依赖变量的超额回报
表3 超额股票回报对超额市场回报(Rm-Rf)、规模(SMB)
(2)SMB组合（小减大组合）
每月分别计算三个小股票组合(S/L,S/M,S/H)和三个大股票组合(B/L,B/M,B/H)的简单平均回报，然后计算两者之差。
(3)HML组合（高减低组合）
每月分别计算两个高BE/ME组合(S/H,B/H)和两个低BE/ME组合(S/L,B/L)的简单平均回报，然后计算两者之差。
(4)超额市场回报Rm-Rf Rm是6个规模——帐面市场组合里所有股票的价值加权组合的回报，Rf为三个月期定期储蓄利率所折算的月利率，它代表了无风险利率。
2.依赖变量回报
以规模和帐面市场权益形成16个组合（FF1993为25个组合，我们的选择是为了保证每个组合的股票达到一定数量），这16个组合从1996年7月至1999年6月每月的超额回报(R(t)-Rf)作为时间序列回归的依赖变量。组合的形成方法如下：
首先，每年t的6月，按BE/ME分别将股票分成4组，对规模分组而言，ME是每年6月末的市场价值，对BE/ME而言，ME是t-1年12末的值，BE是t-1年会计年度的值；然后形成16个组合，从t年的7月到t+1年的6月分别计算这16个组合价值加权的月回报。
3.描述统计
表一报告了解释变量的描述统计，在资产定价检验的时间序列回归方法中，回报共同因素的平均风险升水刚好是各解释变量的平均值。Rm-Rf的均值（每单位市场β的平均升水）是每月2.4%，从投资的观点而言，这是很大的。平均SMB回报（与规模相关因素的平均升水）是每月2.04%。也是相当大的。帐面市场因素HML产生了每月平均0.17%的平均升水，因而是较小的，同时，相关分析发现SMB与HML的简单相关关系是显著的，它们之间可能存在某种共同的趋势。组合上面的月平均升水看，HML可能不能作为一个独立的解释变量。
表二报告了依赖变量的描述统计。这16个股票组合每月平均超额回报的范围从2.14%至5.31%。这些组合证实了规模和平均回报之间有负的相关。平均回报随规模的增大而逐渐减少。然而从这些组合里我们并不能明显发现BE/ME和平均回报之间有正的关系。
三、实证分析
限于篇幅，我们直接用超额市场回报(Rm-Rf)、规模(SMB)和帐面市场因素进行回归，回归结果见表三。
表三显示，当超额市场回报也包括进回归时，回扫拟事程度有了很大提高，摘整R2值有13个达到0.09以上，这种提高主要源于Rm-Rf和SMB。从t检验来看，除了一个S值(b/s)不异于零外，其它都显著异于零，这说明Rm-Rf和SMB是两个重要的解释变量。而且我们发现SMB的斜率与规模相关，在每个帐面市场四分之一组合里，SMB的斜率随着规模的增加而下降，最小规模和最大规模的斜率分别显著为正和显著为负。
从三因素回归的HML变量而言，16个h值大部分是不异于零的。从数字上看，HML的斜率似乎与帐面市场因素相关，在2和Big两个规模组合里，HML的斜率随着帐面市场比率的增加而上升，最小BE/ME和最大BE/ME的斜率分别显著为负和显著为正，然而对于Small和3两个规模而言，这种相关并不存在。
综合上述分析，我们认为帐面市场因素的解释作用并不明显，应该从模型中剔除，最终的模型应该包括市场组合因素和规模因素，为此，我们进行超额股票回服对Rm-Rf和SMB的两因素的回归分析（结果报告在表四）。
表三相比，从解释变量中剔除HML对回归结果并没有影响，无论是回归拟合程度，还是变量的系数及t值都没有明显的变化。因此，二因素模型要优于三因素模型和SLB模型和APT模型。
依据SLB模型和APT模型，如果包括Rm-Rf和SMB的两因素模型足够描述横截面平均股票回报，那么，时间序列回归的截矩项a应该不异于零，为此，我们对常数a进行了检验（报告于表五），结果发现，常数项a并不异于零，这与我们的假设是相符的。
表4 超额股票回报与Rm-Rf/SMB的回归
R(t)-Rf(t)=α+b[Rm(t)-Rf(t)]+aSMB(t)+e(t)
表5 包含Rm-Rf和SMB的两因素模型的截距
四、结论及应用
通过以上分析，我们认为：(1)FF三因素模型在我国证券市场并不能成立。因为BE/ME并不能作为一个好的解释度量进入模型。因此，帐面市场效应在中国并不存在（或不能明显观察到）；(2)我国证券市场目前存在明显的规模效应，与规模相关的某种系统风险因素在股票定价中起到了重要作用，因此，传统的SLB模型（或CSPM）应该加以修正；(3)我们鉴定的二因素模型是：一个证券组合超过无风险利率的预期回报[E(Ri)-Rf]由它的回报对二因素的敏感性解释，即一个广泛市场组合的超额回报(M、-Rf)以及一个小股票组合的回报和一个大股票组合回报的差(SN4B)具体而言，组合国的预期超额回报是：
E(R[,i])-Rf=b[,i][E(Rm)-Rf]+5[,i]E(ShIB)
(3)
E(R[,i])=Rf+b[,i][E(Rm)-Rf]+S[,i]E(ShIB)
(4)
这里，参数的意义同上。
一般而言，我们的结论能够用于任何需要估计预期股票回报的方面，这包括，(a)选择证券组合，(b)评估组合业绩，(c)测量事件研究中的超常回报，以及(d)估计资本成本。因为我们的模型提供了对横截面平均股票回报的一个良好描述，而且它并不需要我们鉴定与模型有关的真实因素，因此，对于目前普遍采用传统的CAPM模型的我国证券理论和实务界而言，它的意义是明显的。
首先，如果这二个因素捕捉了横截面平均回报，它们能被用于规范组合选择。一个备选的组合对二因素的暴露能用这个组合过去的超额回报对二个解释变量的回归来估计，回归的斜率和历史平均升水然后能用于估计该组合的预期回报。一个类似的方法能用来估计一个公司的证券的预期回报，进而来判断它的资本成本。
我们的结论对评价一个管理组合的业绩也是清楚的。这个管理组合的超额回报对两个解释回报的时间序列回归的截距是平均超常回报，它可用来判断一个管理者能否战胜市场。即，是否他能利用特定的信息获得比用二因素模拟回报的消极组合更大的平均回报。
最后，在股票价格对公司特定信息反应的事件研究里，可以用二因素模型作为预期正常回报的一个基准，这比传统的CAPM或市场模型可以更好地描述证券的平均回报。