上市公司权益资本成本的测度与评价——基于我国证券市场的经验检验，本文主要内容关键词为：上市公司论文,权益论文,资本论文,成本论文,评价论文，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
资本成本一直是公司财务的核心概念之一。从微观层面看，资本成本是企业投资项目甄选与评价、融资方式选择等行为的重要标准，对公司的财务及业务决策起着至关重要的作用。从宏观层面看，资本成本是资本市场发展和相关制度建设的基本考量指标，对资本市场资源配置效率的提高及资金流向的正确引导起着极为关键的作用。遗憾的是，时至今日，财务理论仍未能对权益资本成本究竟如何准确地测度做出解答。权益资本成本(CofEC，Cost of Equity Capital)是现有股东投入资金的机会成本，只有高于此机会成本的收益才真正为股东创造价值，因此它是股东和管理层都极为关注的重要标杆。对权益资本成本的衡量不仅能为公司筹资与投资决策提供评价标准，也可为公司治理、信息披露，以及公司声誉的建立和评价等提供科学依据。
从目前来看，现有的权益资本成本测度方法无一例外都是基于西方(主要是美国)资本市场的状况提出的。相比美国股市三百多年的历史，我国股市从1990年至今仅仅经历了二十多年的发展，呈现更易受宏观政策因素影响、投机程度更高、监管体系不够完善、市场参与者风险识别能力较低等特点，这意味着我国股市的系统性风险相对较高，股票价格的噪音相对较大。在这一背景下，投资者要求的股票回报应当更高。但大量的研究表明，在我国股权融资成本低于债务融资成本，因而上市公司存在明显的股权融资偏好。那么，究竟应当采用何种模型测度股权融资成本？这些模型在中国的适用程度如何？不同模型测度结果有无差异？这些差异对评价我国上市公司的筹资和投资决策，特别是公司的融资偏好，以及信息披露等决策是否具有显著影响，国内尚未有文献对此问题展开深入研究。
借鉴已有的研究成果，本文从事后和事前两个角度测度了我国上市公司的权益资本成本，并从经济和统计两个角度对不同的测度进行了评价。本文的研究对于评价我国上市公司的筹资和投资决策，特别是公司的融资偏好，以及信息披露等决策具有重要参考意义。
二、已有文献回顾与评论
(一)权益资本成本的测度
1.事后权益资本成本(ex post CofEC)的测度
Sharpe(1964)等在现代投资组合理论的基础上创立了资本资产定价模型(CAPM模型)。资本资产定价模型以极其简明的方式表述了资产收益与风险的关系，认为风险资产的均衡收益率是其与市场组合收益率的协方差(β系数)的函数，资产的收益率等于无风险利率加上由系统性风险所决定的风险溢价。通过CAPM模型获得的公司预期收益率(投资者要求的回报率)，从公司的角度看，即为公司的权益资本成本。
然而，在CAPM模型中，对风险溢价的确定非常困难，以至于之后的实证研究并未能找到足够的证据来支持CAPM模型。Reinganum(1981)、Coggin和Hunter(1985)、Lakonishok和Shapiro(1986)以及Fama和French(1992)等研究都未发现资产期望收益与β系数存在正相关关系。
Fama和French(1993)认为CAPM模型对影响资产收益因素的界定过于狭隘，通过考虑市场风险溢价、公司市值、账面市值比三大因素，提出三因素模型(FFM模型)，从而为估计公司股票预期收益和公司预期资本成本提供了新的思路。遗憾的是，FFM模型不仅缺乏强有力的理论支撑，而且，Fama和French(1997)在之后的研究中又发现，用这两个模型所估计出来的资本成本都十分不准确。估计误差的出现主要是由于对风险溢价和影响风险溢价的因素把握不准。
除CAPM和FFM模型外，Bower和Logue(1984)、Goldenberg和Robin(1991)及Elton，Gruber和Mei(1994)等提出套利定价模型(APT模型)能够相对更好地测度资本期望回报率的观点。与CAPM模型预测所有证券的收益率都与唯一的公共因子——市场证券组合收益率存在着线性关系相比，APT模型以收益率形成的多因素模型为基础，但是其并没能明确界定影响资本收益的因素，而只不过是一种广义的资本资产定价模型。
以上模型都是用已实现的股票回报来测度期望资产收益，得出的是事后资本成本(Elton，1999)。大量的经验证据表明，事后资本成本往往非常不准确(Blume和Friend，1973；Sharpe，1978；Froot和Frankel，1989；Elton，1999)。利用事后收益数据进行估计的前提假设是：在有效资本市场上，风险能够被正确地定价，平均已实现的收益数据是对未来收益的无偏估计。然而这一假设并不总是成立，由于市场并不是完全有效，事后的数据受到很多随机干扰，“噪音”很大。Gebhardt，Lee和Swaminathan(2001)研究得出，用1979～1985年的数据估计出的风险溢价比事后真正的市场风险溢价低很多。这一研究与Claus和Thomas(2001)的结论一致。Fama和French(1997)采用1963～1994年纽约证券交易所、全美证券交易所及纳斯达克股市的交易数据也实证证明：无论是用CAPM模型还是FFM模型，估计标准误差都高于3.0%。
2.事前权益资本成本(ex ante CofEC)的测度
鉴于事后权益资本成本的不准确，近些年学者们将注意力转向对事前资本成本的测度。Claus和Thomas(2001)、Gebhardt，Lee和Swaminathan(2001)，以及Pástor，Sinha和Swaminathan(2007)等提出隐含的权益资本成本(ICC，Implied Cost of Capital)的概念。ICC是使股票未来现金流的现值等于现行股票价格的内含报酬率。
在ICC的估计中，权益资本成本的测度摆脱了对股价波动及过去已实现的股票收益数据的依赖，这种利用股票价格、短期与长期盈利预测数据来进行估计的方法为权益资本成本的测度另辟蹊径，同时使得与权益资本成本相关的信息披露、绩效评价等研究也得以向前推进了一大步。
事前权益资本成本的测度可大致分为三类：戈登增长模型、剩余收益模型和非正常盈余增长模型(Lee，So和Wang，2010)。
(1)戈登增长模型(Gordon Growth Model)
Gordon和Gordon(1997)提出了当期股票价格等于未来预期股利的折现(戈登增长模型)。
其中，
为t+i期的普通股每股股利，
为t+T期的普通股每股收益。这一模型将无限期间的估值模型转化为有限期间估值模型。根据所选期间T的不同，现行研究中存在两种推导权益资本成本的方法。一种方法是选取T=1，即用一年的预测数据和现行股价推导权益资本成本(RE_EPR)。另一种方法是假定可预测区间为五年(即可获取预测数据的期间T为五年)，依据这五年的预测数据和现行权益市价推导权益资本成本(RE_GGM)。
(2)剩余收益模型(GLS模型)
剩余收益模型是由传统的贴现现金流量模型推导而来，其中，剩余收益是指账面收益与股东要求的必要报酬之差。企业只有获得高于股东必要报酬的收益，才算获得了真正的剩余价值。剩余收益模型认为企业内在价值等于账面价值的现值和剩余价值的现值之和。Gebhardt，Lee和Swaminathan(2001)对剩余收益模型进行了完善，提出GLS模型用来估计权益资本成本
。
GLS模型中，可预测区间通常为十二年。其中，前三年使用分析师的预测数据；而从第四年起，假定公司的ROE向行业ROE历史数据(过去9年)的中位数等差回归。该模型最大的局限性在于其对企业未来ROE的预测。首先ROE等差回归这一假设在实际中很难成立，这不可避免地影响估计的准确性。其次，由于现代企业多是混业经营，业务常常跨多个行业，以至于对公司所属行业的划分越来越困难，这给行业ROE的计算带来困难。但Gebhardt，Lee和Swaminathan(2001)还是实证证明这种方法估计出的ICC相对传统的CAPM模型、FFM模型能够较好地反映企业的风险溢价。Lee，So和Wang(2010)、Hou，Dijk和Zhang(2012)等也得出GLS模型较CAPM和FFM估计的权益资本成本的效果好。
(3)非正常盈余增长模型(PEG、MPEG、AGR和OJM)
PEG与MPEG模型：
PEG与MPEG模型的区别主要在于PEG模型不考虑长期增长，而是假设非正常收益的长期增长率等于短期增长率，它是MPEG模型的一个特例。
AGR模型：
Easton(2004)提出了T=2时非正常盈余增长模型，通过求解下述方程获得re(RE AGR)：
OJM模型：
Ohlson和Juettner-Nauroth(2005)认为股票价格与下一年的每股期望收益、每股收益的短期增长率、每股收益的长期增长率以及资本成本有关，而并不取决于股利。
该模型优点在于只需要预测未来的盈利，而不需要对账面价值和ROE做出估计。
通过上述分析可以得出，事前资本成本测度模型的基础——剩余收益估值模型的运用基于一个重要假设，那就是干净剩余关系(Clean-Surplus Relation)。正是基于干净剩余关系，由股利折现模型到剩余收益折现模型的推导才成立。因此，干净剩余关系在实践中成立与否是制约事前资本成本测度模型准确性的重要因素之一。
此外，各模型都对未来期间的收益做出了不同的假设，有些直接对ROE进行假设，有些对收益增长率做出假设，这些假设均有根据而非凭空捏造，但资本市场从来都不是一成不变的，这些假设与资本市场实际情况的契合程度难免影响模型测度的准确性。
(二)权益资本成本测度方法的评价
学者们提出各模型之前，都会对其估计的可靠性进行测试，或与其他模型进行比较以证明模型的有效性。检验方法主要有两类，一类是经济意义上的检验，即通过检验预期权益资本成本对未来已实现回报的解释力，以及检验风险因素对预期资本成本的影响是否符合预期。一类是统计意义上的检验，主要检验权益资本成本时间序列预测计量误差的方差。具体如下：
1.检验权益资本成本估计值对公司事后已实现回报的解释力
权益资本成本应当与事后已实现的回报呈正相关，并且，对未来回报的解释力越强，则权益资本成本估计越好。
Easton和Monahan(2003)在控制了影响未来折现率的因素(return news)和影响未来现金流的因素(cash-flow news)的前提下，通过计量误差的分析检验了各模型计算出的事前资本成本与事后真实回报的关系，结论认为对于预测数据的假定越少的模型，测度效果最佳。Guay等(2005)分别在行业层面和公司层面检验了当年ICC估计值与第二年真实回报的相关关系，但由于文章重点在于研究分析师预测数据对估计的影响，所以并未对模型的优劣好坏给出结论。
这类方法的问题在于，众所周知股价的噪音难以避免，那么真实回报率本身的可靠性就成为检验结果可信度的重要制约因素。
2.检验权益资本成本各截面估计值能否较准确反映及区分不同公司的风险
公司面临的风险是影响投资者预期回报的重要因素。已有研究表明，这些风险因素主要包括系统性风险(β系数)、公司规模和账面市值比(Fama和French，1992、1993)、公司杠杆(Bhandari，1988)、价格惯性与股票价格波动性等。通常，β系数越高、股票回报的波动性越大，公司杠杆越高，投资者面临的风险和要求的回报越高，因而与公司的权益资本成本正相关。由于投资者预期小公司将产生更大的收益，因此，公司市值规模越大，公司预期的资本成本越低(见Fama和French(1992)的分析)。有关账面市值比、价格惯性与权益资本成本的关系，现有研究尚未得出一致的结论，见Berk，1995；Dechow等，2004；Jegadeesh和Titman，1993；Conrad和Kaul，1998的研究。
这种检验方法分析资本成本与其影响因素(一般是财务风险影响因素)之间的相关关系的符号与强弱。Easton(2003)、Botoson和Plumlee(2002、2005)、Gode和Mohanram(2003)、Gebhardt，Lee和Swaminathan(2001)等将估计出的权益资本成本与风险变量(一般选取β系数、权益账面市值比、负债率、企业规模、收益波动、股价波动、行业等)进行回归，通过二者之间的相关关系(如回归系数的符号和大小，回归的估计误差大小等)来判断各模型的有效性。一般来说，相关程度越高、估计误差越小的模型估计出的结果更可靠。这种评价方法应用很广泛，理论上收益与风险的确存在很强的相关关系，可以作为模型估计准确性的判别标准。但是，这些风险变量本身是否有噪音，从而能否准确并全面地反映企业真实风险都还有待进一步的研究和检验。
考虑到信息披露是连接股票市场资金供给方和需求方的重要纽带，是投资者决策的重要参考依据。本文进一步采用深圳证券交易所对深圳证券市场上市公司信息披露质量的评级来衡量上市公司的信息披露总体质量，考察了各权益资本测度的经济有效性。
3.权益资本成本时间序列误差方差的检验
Lee，So和Wang(2010)提出了评估权益资本成本质量的两维框架。即一方面检验各模型下权益资本成本估计值对已实现回报的解释力，另一方面计算和比较各模型下预期权益资本成本时间序列预测误差方差的大小及稳定程度。误差方差越小，越稳定，权益资本成本估计指标的效果就越好。借鉴Lee，So和Wang(2010)的方法，本文以权益资本成本(CofEC)的时间序列计量误差的方差来判断CofEC的统计属性。
考虑到上述测度指标都一定程度上依赖于有效市场的假定，因此，我们认为，CofEC指标的优劣首先应当满足经济检验标准，当经济检验标准无法进行有效区分时，可通过统计方法进行进一步的检验。
从我国来看，迄今为止，学术界尚未构建起成熟的资本成本估算的理论框架和模型，通常的做法是利用国外已有的研究模型来进行测试。从现有文献来看，GLS模型使用较为广泛(陆正飞和叶康涛，2004；曾颖和陆正飞，2006；黄娟娟和肖珉，2006；于李胜和王艳艳，2007；徐浩萍和吕长江，2007；于李胜，王艳艳和陈泽云，2008；沈洪涛，游家兴和刘江宏，2008；肖珉，2008；等等)。其他模型的使用则比较少见，如汪祥耀，叶正虹(2011)使用了PEG模型，沈洪波(2007)，徐浩萍，吕长江(2007)使用了OJM模型，姜付秀，陆正飞(2006)使用了CAPM模型，王兵(2008)则直接用已实现的股票收益作为权益资本成本的测度。然而在选择国外模型时，这些研究并没有对上述模型在中国的适用性进行评价。
三、我国上市公司权益资本成本的测度
(一)数据与样本选择
本文以2001～2009年所有上市公司为初选研究样本，剔除了B股、中小板和创业板上市公司，以及每股股票价格、每股净资产、每股盈余以及每股股利等相关数据不全的公司。初始样本量为11522。数据来源：除分析师预测数据来自Wind数据库外，其他数据均来自国泰安数据库。
(二)变量测度
在事前资本成本的估计中，预测盈余是最重要的基础数据。通常情况下，预测盈余的主要来源有以下三种：公司管理层、证券分析师和统计模型。在我国，公司管理层很少发布盈余预测，预测盈余主要来源于证券分析师和统计模型。国外大量的研究表明分析师的盈余预测要优于统计模型，在我国，岳衡和林小驰(2008)研究得出，我国证券分析师做出的盈余预测，同以年度历史数据为基础的统计模型得出的盈余预测相比，预测误差较小，证券分析师盈余预测具有一定的优势；但同某些以季度历史数据为基础的统计模型得出的盈余预测相比，预测误差较大，证券分析师盈余预测不具有优势。由于我国分析师预测起步较晚，截至目前，许多上市公司尚未受到分析师的关注，因此未有相关的分析师预测数据，这使得使用分析师预测数据估计ICC时会出现大量的缺失值。在最近的研究中，Hou，Dijk和Zhang(2012)发现，使用截面模型预测单个公司的盈余，同分析师预测的盈余具有很高的一致性，并具有更大的可靠性。这种方法不仅减少了因分析师预测数据缺失带来的样本量减少问题，而且可以获得未来多年的盈余预测数据，而分析师通常仅提供未来1～2的预测数据。因此，本文主要基于Hou，Dijk和Zhang(2012)所提出的方法估计未来盈余，以及通过9种方法来估计权益资本成本(CofEC)。为了检验统计预测模型在估计CofEC方面的有效性，本文还利用2005～2009年的样本，对同一CofEC估计方法下使用相同的观测数，对比分析了分析师预测模型和统计预测模型下CofEC的估计结果。
借鉴Hou，Dijk和Zhang(2012)的方法，利用模型1使用过去10年的数据(至少6年)估计如下混合截面回归模型。
表示j公司t+τ年的扣除非常项目前的盈余。所有解释变量以t年末的数据测度，EV指公司价值，等于总资产+权益的市场价值-权益的账面价值，TA是总资产，DIV是支付的每股股利，DD是指是否支付股利哑变量，NEGE是指如果公司盈余为负取1，ACC是指总的应计。
为了减少极端值的影响，我们分年度对连续性变量在0.5%和99.5%的分位数上进行了缩尾处理(winsorize)。模型1的回归结果见表1。从表1可以看出，解释变量对领先1年盈余回归的
为83%，对领先5期盈余回归的仍可达46%，这表明将模型1用于预测盈余较为合理。
利用上式估计的历史系数和最近可公开获得的非缩尾公司特征值获得预测盈余。
利用第(一)部分中权益资本成本的测度模型，我们估计了权益资本成本的9个测度指标，分别为RE_GLS、RE_PEG、RE_MPEG、RE_OJM、RE_EPR、RE_AGR、RE_GGM、RE_CAPM和RE_FFM。其中RE_CAPM和RE_FFM属于事后权益资本成本(事后CofEC)，其余指标为事前权益资本成本(事前CofEC，即ICC)。在CAPM和FFM模型中，本文使用截至当年年末加权市场回报的算术平均减去无风险利率作为预期市场风险溢价的测度，无风险利率以一年期整存整取定期利率为基础计算。分别以当年的日个股回报与市场回报为基础，和以截至当年年末前60个月(至少需要24个数据)的月个股回报与市场回报为基础估计CAPM和FFM模型的β。在ICC的计算中，预测股利等于预测盈余乘以当年的实际股利支付率。当估计的CofEC大于100%或小于0时设为缺失值。2001～2009年分年度权益资本成本(CofEC)的描述性统计见表2。
从表2可以看出，各模型的总体均值中，最高的是MPEG模型(16.50%)，最低的是EPR模型(4.37%)，最大差异达到了12.13%。从2001～2009年，所有事前资本成本模型的测度值变化趋势基本一致；除PEG与MPEG模型的测度值明显偏高外，其余模型的测度值也十分接近。在2001～2009年期间，基于GLS模型、OJM模型、EPR模型和AGR模型计算平均权益资本成本，较同一期间5年以上人民币贷款平均基准利率低，而其他模型则相反。因此，基于不同方法测度权益资本成本，将对我国公司融资顺序(偏好)是否主要基于资本成本考虑的判断造成重大影响。
可以看出，所有的事前资本成本测度模型在2005、2006和2008年的测度值都相对较高，我们认为，这主要是因为股权分置改革(2005和2006)和全球性的金融危机(2008)的影响，股权分置改革和全球性的金融危机，一方面导致公司权益资本筹资的难度加大，另一方面受宏观经济形势的影响，资本市场的风险增大，这都将导致权益资本成本的增加。而事后资本成本模型则是在2007年就达到高点，仅反映了股票市场当年的发展。从这个角度来看，事前资本成本测度模型的测度效果相对更佳。
各权益资本成本(CofEC)测度的相关性见表3。从表3看，事前资本成本模型的测度结果高度正相关，然而所有的ICC与事后权益资本成本的测度结果都没有正相关关系(这与Gebhardt，Lee和Swaminathan(2001)、Lee，So和Wang(2010)的结论相一致)。
四、我国上市公司权益资本成本测度有效性的评价
1.权益资本成本估计值对公司事后已实现回报解释力的检验结果
本文以未来12、24和36个月的购买持有期回报作为未来已实现回报的测度，检验了每个公司权益资本成本测度对未来公司已实现回报的解释力(单变量回归，未报告常数项)。回归结果见表4。从表4来看，事前CofEC对未来持有期回报均具有显著解释力，但事后CofEC对未来持有期回报的解释力很差，并与预期符号相反。
2.公司风险因素对权益资本成本影响的检验结果
从经济意义上讲，权益资本成本应该同投资者所承担的风险具有显著关系。本文采用以下指标来测度风险：
(1)贝塔(BETA)。以截至上年末止的60个月的公司个股回报率和市场回报率(至少需要24个观测值)，利用市场模型来估计BETA。
(2)公司市值规模(SIZE)。以上年末公司总市值规模的对数测度SIZE。
(3)账面市值比(BTM)。以上年末的净资产与权益市值的比测度BTM。
(4)公司股票回报的标准差(STDRET)。以公司上年度日股票回报的标准差(STDRET)来测度股票回报的波动性。
(5)价格惯性(MOMENTUM)。以过去1年的持有期回报加上1的对数作为价格惯性的测度。
(6)公司杠杆(LEVERAGE)。以上年末公司的总负债与权益市值的比率作为公司杠杆的测度。
表5报告了风险替代指标与各权益资本成本测度的回归结果。从表5来看，各风险替代指标与RE_PEG和RE_MPEG的影响基本符合预期，而在RE_GLS模型中，BETA不显著，SIZE和STDRET的影响与预期相反，在RE_OJM和RE_EPR中，BETA和SIZE的影响与预期相反，在RE_AGR和RE_GGM中，BETA不显著，SIZE的影响与预期相反，在RE_CAPM模型中，BETA的影响与预期相反，在RE_FFM模型中，SIZE的影响与预期相反。控制行业的影响后，结论基本不变。为了提高数据和结论的可比性，我们进一步在各个模型下使用完全相同的样本量进行比较，结论不变。
进一步考虑信息披露质量后的检验结果显示，在所有模型中，无论是单变量还是多变量检验，只有在RE_PEG和RE_MPEG模型中，信息披露质量的影响显著并符合预期，其他变量的检验结果同表5的结果变化不大(限于篇幅，未报告结果)。
3.权益资本成本时间序列计量误差方差的比较
各权益资本成本测度的时间序列计量误差方差(均值和中位数乘以100)见表6。从表6来看，PEG、MPEG和ARG测度的误差方差均值较高。剔除极端值的影响后，各权益资本成本测度的时间序列计量误差方差的中位数差异相对较小。
五、敏感性分析
为了检验统计预测模型在估计CofEC方面的有效性，本文利用2005～2009年的样本，对同一CofEC估计方法下使用相同的观测数，对比分析了分析师预测模型和统计预测模型下CofEC的估计结果(限于篇幅，本部分未报告结果)。结果显示，PEG、MPEG和AGR模型下，运用分析师预测和统计预测估计的ICC值差异相对较大。但两种预测方法下估计ICC指标的总体模式一致，即运用PEG和MPEG模型估计的ICC值要远远大于其他方法下估计的ICC值。
同统计预测相比，基于分析师预测的公司权益资本成本对未来公司已实现回报同样具有显著正的影响。从风险替代指标与分析师预测模型下各权益资本成本测度的回归结果看，各风险替代指标与RE_PEG和RE_MPEG的影响与统计模型下的结果基本一致，而GLS模型的表现不够理想，BETA和LEVER-AGE不显著，SIZE的影响与预期相反。在其他模型中，BETA和LEVERAGE的影响与预期相符并且显著，但SIZE的影响与预期相反，或不显著。控制行业的影响后，结论基本不变。
由于分析师预测数据从2005年才能获得，因此无法通过公司的时间序列计量误差方差进行统计上的评价。
六、结论与政策建议
本文在现有研究的基础上，从实际(事后)和预期(事前)两个角度测度我国上市公司的权益资本成本，并从统计和经济两个角度对不同的测度进行了评价。研究得出：
第一，不同方法得出的权益资本成本测度差异显著。PEG模型和MPEG模型下权益资本成本要明显高于其他模型下的事前权益资本成本，最大差异达到了12.13%。这些差异对我国公司融资顺序(偏好)是否主要基于资本成本考虑的判断会造成重大影响。
第二，在权益资本成本测度指标的评价中，通过CAPM和Fama-French三因子模型估计的权益资本成本，对未来已实现回报的影响与预期相反，在与各公司风险的回归中，表现也不够稳定。因此总体而言，事前权益资本成本测度模型要优于事后CAPM和Fama-French三因子模型。
第三，在事前权益资本成本测度中，国内外文献中普遍运用的GLS模型下权益资本成本表现不够理想，而PEG和MPEG模型下的权益资本成本能恰当地捕捉到各风险因素的影响，尽管其时间序列误差方差相对较大。我们认为，GLS模型表现不够理想的主要原因可能是对预测盈余的假定过强。当经济标准和统计标准存在冲突时，应当首先考虑经济标准。
本文的研究可以为测度我国上市公司的权益资本成本，以及评价我国上市公司的筹资和投资决策，特别是公司的融资偏好，以及信息披露等决策提供重要的经验支持，也可以为经验研究中选择权益资本成本测度提供重要参考依据。
标签：资本成本论文; 股票论文; 权益资本成本论文; 预测模型论文; 回归模型论文; 风险评价论文; 风险模型论文; 模型公司论文; 误差分析论文; 分析师论文;