CAPM在上证A股市场的有效性检验
资本资产定价模型CAPM在中国资本市场中的实证检验
资本资产定价模型CAPM在中国资本市场中的实证检验摘要：资本资产定价模型（Capital Asset Pricing Model，简称CAPM）是衡量投资组合预期回报的重要工具之一。
本文旨在探讨CAPM模型在中国资本市场的实证检验，并评估其在该市场中的有效性和适用性。
通过分析中国市场的相关数据，包括股票市场指数和个别股票的历史数据，我们对CAPM模型进行实证检验，并考察其在预测投资组合回报方面的准确性和可靠性。
研究结果显示，尽管CAPM模型在中国资本市场中的适用性存在一定局限，但仍然可以作为一种有效的工具来衡量投资组合风险和预期收益。
1. 引言随着中国资本市场的日益发展和开放，投资者对于投资组合分析和风险管理的需求不断增加。
CAPM模型作为一个经典的投资分析工具，广泛应用于衡量投资组合回报的预期收益和风险。
然而，CAPM模型在中国资本市场中的适用性一直备受争议和质疑。
本文将通过实证检验的方法来评估CAPM模型在中国资本市场中的有效性。
2. CAPM模型简述CAPM模型是由Sharpe、Lintner和Mossin等学者在20世纪60年代提出的。
该模型基于以下假设：(1) 投资者只关注风险与回报之间存在正相关的有效投资机会；(2) 投资者是追求风险最小化的理性投资者；(3) 市场是完全有效的。
CAPM模型可以用以下公式表示：E(Ri) = Rf + βi(E(Rm) - Rf)其中，E(Ri)是股票或投资组合i的预期回报，Rf是无风险利率，βi是股票或投资组合i的系统风险系数，E(Rm)是市场的预期回报。
3. 数据来源和模型检验方法本研究选取中国股票市场作为研究对象，收集了市场指数和个别股票的历史收益率数据。
利用这些数据，我们计算了每个股票的系统风险系数β，并将其与市场的预期回报进行对比。
我们采用回归分析方法来检验CAPM模型在中国资本市场中的适用性和有效性。
4. 实证检验结果我们将CAPM模型应用于中国股票市场，并通过回归分析的方法进行实证检验。
关于CAPM的实证检验
关于检验CAPM模型的实验报告一、数据选取1、10只股票分别是：东风汽车；海信电器；林海股份；包钢稀土；兖州煤业；延长化建；江西铜业；中铁二局；海螺水泥；浦发银行2、选取这十只股票2010年1月1日至2010年12月31日，每个交易日的收盘价3、选取了2010年1月1日至2011年12月31日，,每个交易日的上证综合指数4、选取2010年个人活期存款年利率二、原理1、利用每日收盘价算出股票日收益率2、利用每日上证指数算出市场日收益率3、用个人活期存款利率代替市场无风险利率4、基于CAPM模型：个股收益率=无风险收益率+贝塔系数*（市场风险收益率-无风险收益率），即：个股收益率-无风险收益率=贝塔系数*（市场风险收益率-无风险收益率）即个股风险溢价=贝塔系数*市场风险溢价三、公式日平均收益率=LN()-LN()四、数据计算。
计算选出的10只股票的超额回报率和市场超额回报率，将市场超额回报率与个股超额回报率逐个回归，求出每只股票的贝塔系数。
部分数据截图：1、东方汽车Dependent Variable: GPCEHBLMethod: Least SquaresDate: 12/22/11 Time: 00:08Sample (adjusted): 1 240Included observations: 240 after adjustmentsVariable Coefficient Std. Error t-Statistic Prob.C -0.001589 0.001413 -1.124937 0.2617SCCEHBL 0.084694 0.098860 0.856710 0.3925R-squared 0.003074 Mean dependent var -0.001653 Adjusted R-squared -0.001114 S.D. dependent var 0.021847 S.E. of regression 0.021859 Akaike info criterion -4.800087 Sum squared resid 0.113723 Schwarz criterion -4.771082 Log likelihood 578.0105 F-statistic 0.733951 Durbin-Watson stat 1.889569 Prob(F-statistic) 0.392467回归可得：东风汽车的贝塔系数是0.0846942、海信电器Dependent Variable: GPCEMethod: Least SquaresDate: 12/22/11 Time: 00:16Sample (adjusted): 1 241Included observations: 241 after adjustmentsVariable Coefficient Std. Error t-Statistic Prob.C -0.002521 0.002283 -1.104389 0.2705SCCE 1.340584 0.159818 8.388201 0.0000R-squared 0.227442 Mean dependent var -0.003457 Adjusted R-squared 0.224210 S.D. dependent var 0.040184 S.E. of regression 0.035393 Akaike info criterion -3.836317 Sum squared resid 0.299394 Schwarz criterion -3.807398 Log likelihood 464.2762 F-statistic 70.36191 Durbin-Watson stat 2.075267 Prob(F-statistic) 0.000000回归可得：海信电器的贝塔系数是1.3405843、林海股份Dependent Variable: GPCEMethod: Least SquaresDate: 12/22/11 Time: 00:21Sample (adjusted): 1 241Included observations: 241 after adjustmentsVariable Coefficient Std. Error t-Statistic Prob.C 0.001685 0.001625 1.037128 0.3007SCCE 1.077793 0.113761 9.474206 0.0000R-squared 0.273027 Mean dependent var 0.000932 Adjusted R-squared 0.269985 S.D. dependent var 0.029487 S.E. of regression 0.025194 Akaike info criterion -4.516191 Sum squared resid 0.151697 Schwarz criterion -4.487272 Log likelihood 546.2011 F-statistic 89.76058 Durbin-Watson stat 1.778067 Prob(F-statistic) 0.000000回归可得：林海股份的贝塔系数是1.0777934、包钢稀土Dependent Variable: GPCEMethod: Least SquaresDate: 12/22/11 Time: 00:25Sample (adjusted): 1 241Included observations: 241 after adjustmentsVariable Coefficient Std. Error t-Statistic Prob.C 0.004466 0.002054 2.173610 0.0307SCCE 0.995467 0.143842 6.920551 0.0000R-squared 0.166940 Mean dependent var 0.003770 Adjusted R-squared 0.163454 S.D. dependent var 0.034829 S.E. of regression 0.031855 Akaike info criterion -4.046953 Sum squared resid 0.242530 Schwarz criterion -4.018034 Log likelihood 489.6578 F-statistic 47.89402 Durbin-Watson stat 1.983845 Prob(F-statistic) 0.000000回归可得：宝钢稀土的贝塔系数是0.9954675、兖州煤业Dependent Variable: GPCEMethod: Least SquaresDate: 12/22/11 Time: 00:28Sample (adjusted): 1 241Included observations: 241 after adjustmentsVariable Coefficient Std. Error t-Statistic Prob.C 0.001918 0.001274 1.505803 0.1334SCCE 1.695326 0.089193 19.00739 0.0000R-squared 0.601853 Mean dependent var 0.000734 Adjusted R-squared 0.600187 S.D. dependent var 0.031239 S.E. of regression 0.019753 Akaike info criterion -5.002781 Sum squared resid 0.093251 Schwarz criterion -4.973862 Log likelihood 604.8352 F-statistic 361.2809 Durbin-Watson stat 1.787795 Prob(F-statistic) 0.000000回归可得：兖州煤业的贝塔系数是1.6953266、延长化建Dependent Variable: GPCEMethod: Least SquaresDate: 12/22/11 Time: 00:30Sample (adjusted): 1 241Included observations: 241 after adjustmentsVariable Coefficient Std. Error t-Statistic Prob.C 0.000643 0.001964 0.327440 0.7436SCCE 1.474246 0.137485 10.72294 0.0000R-squared 0.324823 Mean dependent var -0.000387 Adjusted R-squared 0.321998 S.D. dependent var 0.036978 S.E. of regression 0.030448 Akaike info criterion -4.137352 Sum squared resid 0.221567 Schwarz criterion -4.108433 Log likelihood 500.5509 F-statistic 114.9814 Durbin-Watson stat 1.932363 Prob(F-statistic) 0.000000回归可得：延长化建的贝塔系数是1.4742467、江西铜业Dependent Variable: GPCEMethod: Least SquaresDate: 12/22/11 Time: 00:33Sample (adjusted): 1 241Included observations: 241 after adjustmentsVariable Coefficient Std. Error t-Statistic Prob.C 0.001535 0.001344 1.141867 0.2547SCCE 1.648272 0.094117 17.51292 0.0000R-squared 0.562032 Mean dependent var 0.000384 Adjusted R-squared 0.560200 S.D. dependent var 0.031430 S.E. of regression 0.020843 Akaike info criterion -4.895299 Sum squared resid 0.103833 Schwarz criterion -4.866379 Log likelihood 591.8835 F-statistic 306.7023 Durbin-Watson stat 2.084239 Prob(F-statistic) 0.000000回归可得：江西铜业的贝塔系数是1.6482728、中铁二局Dependent Variable: GPCEMethod: Least SquaresDate: 12/22/11 Time: 00:35Sample (adjusted): 1 241Included observations: 241 after adjustmentsVariable Coefficient Std. Error t-Statistic Prob.C -0.000682 0.001076 -0.634435 0.5264SCCE 1.219860 0.075314 16.19703 0.0000R-squared 0.523281 Mean dependent var -0.001534 Adjusted R-squared 0.521287 S.D. dependent var 0.024106 S.E. of regression 0.016679 Akaike info criterion -5.341060 Sum squared resid 0.066488 Schwarz criterion -5.312141 Log likelihood 645.5978 F-statistic 262.3439 Durbin-Watson stat 2.300445 Prob(F-statistic) 0.000000回归可得：江西铜业的贝塔系数是1.2198609、海螺水泥Dependent Variable: GPCEMethod: Least SquaresDate: 12/22/11 Time: 00:39Sample (adjusted): 1 241Included observations: 241 after adjustmentsVariable Coefficient Std. Error t-Statistic Prob.C -0.001573 0.003056 -0.514742 0.6072SCCE 0.771927 0.213932 3.608282 0.0004R-squared 0.051661 Mean dependent var -0.002112 Adjusted R-squared 0.047693 S.D. dependent var 0.048550 S.E. of regression 0.047378 Akaike info criterion -3.253069 Sum squared resid 0.536469 Schwarz criterion -3.224149 Log likelihood 393.9948 F-statistic 13.01970 Durbin-Watson stat 1.948307 Prob(F-statistic) 0.000375回归可得：海螺水泥的贝塔系数是0.77192710、浦发银行Dependent Variable: GPCEMethod: Least SquaresDate: 12/22/11 Time: 00:41Sample (adjusted): 1 241Included observations: 241 after adjustmentsVariable Coefficient Std. Error t-Statistic Prob.C -0.001534 0.001413 -1.086011 0.2786SCCE 1.134370 0.098922 11.46731 0.0000R-squared 0.354924 Mean dependent var -0.002327Adjusted R-squared 0.352225 S.D. dependent var 0.027219S.E. of regression 0.021907 Akaike info criterion -4.795721Sum squared resid 0.114704 Schwarz criterion -4.766801Log likelihood 579.8844 F-statistic 131.4992Durbin-Watson stat 2.145820 Prob(F-statistic) 0.000000回归可得：海螺水泥的贝塔系数是0.771927五、用所选取的10只股票的贝塔系数，与所选取的10只股票的日平均回报率进行回归。
CAPM模型在我国银行股市场的实证分析
CAPM模型在我国银行股市场的实证分析作者：史英慧来源：《商场现代化》2014年第10期摘要：为检验CAPM模型在我国银行股市场是否适用，本文选取四大银行股和上证A股指数2013年1月—2014年4月的周度数据，运用计量经济学知识，进行了模型的构建与估计。
实证结果表明，CAPM模型能够衡量四大银行股风险与收益的关系，从而证实了CAPM 在我国银行股市场的有效性与可行性。
关键词： CAPM模型；β值；四大银行股自从CAPM在国外被提出后，国内许多学者都致力于CAPM模型的研究，特别是其在中国证券市场的适用性研究，然而大多数实证分析是针对整个市场的，对某个具体行业股票的有效性研究并不多见。
因此，本文对该模型在银行股市场做了实证分析。
一、CAPM 模型的基本理论1.CAPM模型的基本假设。
模型的假设条件包括：投资者在预期收益水平相同时选择风险较小的投资，而在风险水平相同时追求最大的收益；投资者只能被动地接受市场价格；资本与信息可以自由地流动。
概括而言，CAPM假设的核心思想是：所有的投资者都是完全理性的，证券市场是完全有效和充分竞争的。
2.CAPM模型的基本形式。
在CAPM基本假设的前提下，CAPM模型描述了单项资产预期收益率与相对风险之间的关系，其基本形式如下：E（Ri）= Rf +βi[E（Rm）-Rf] （ i = 1，2，……，n）其中，E（Ri）为第i项资产的预期收益率，E（Rm）为市场组合的预期收益率，Rf代表无风险利率，βi表示该项资产的系统风险系数。
CAPM模型的关键在于β系数的计算：β值大于1，表示第i项资产的系统风险大于整个市场组合的风险，相应的就要求其回报率高于市场平均回报率；β值小于1情况则相反。
二、数据的选取与处理1.样本股的选取。
为使实证不过于繁琐，本文选取银行业中较具代表性的四大银行在上证交易所上市的股票作为样本股，这四只股票分别为中国银行（601988）、农业银行（601288）、工商银行（601398）、建设银行（601939），同时我们采用周度数据来提高模型的精度。
CAPM模型在中国有效性论证
证券投资分析CAPM模型有效性论证一.研究方法CAPM模型的形式为:Ri=Rf+i(Rm-Rf)(1)。
其中:Ri为第i种股票的收益率。
Rf 为无风险利率，Rm为市场组合的收益率,i是风险系数。
检验该模型是否有效，首先要估计个股的系数。
本文采用的方法是对单个股票的收益率Ri与市场指数的收益率Rm进行时间序列的回归确定系数之后，就可以将作为自变量对单个股票的收益率与系数再进行一次回归，进行检验。
二.样本选择1、股票品种本文随机选择股票，为以下十只1.浦发银行2.招商银行3.兴业银行4.南方航空5.同仁堂6.日照港7.万科A 8.大唐发电9.中国宝安10.盐田港2、市场指数本文选择上证综合指数作为市场组合指数3、无风险利率Rf=0.025三．所选股票数据的年份：2010.1.4-2010.12.31四．具体操作（一）回归求beta系数1、浦发银行Dependent Variable: YMethod: Least SquaresDate: 12/25/11 Time: 14:26Sample: 1/04/2010 12/31/2010Included observations: 242Variable Coefficient Std. Error t-Statistic Prob.C -0.027818 0.001058-26.30295 0.0000X 0.006186 0.000605 10.22709 0.0000R-squared 0.303527Mean dependentvar-0.027912Adjusted R-squared 0.300625S.D. dependentvar0.019673S.E. of regression 0.016452Akaike infocriterion-5.368507Sum squared resid 0.064961 Schwarz criterion-5.339673Log likelihood 651.5893 F-statistic104.5934Durbin-Watson stat 1.474769 Prob(F-statistic)0.0000002、招商银行Dependent Variable: Y Method: Least Squares Date: 12/25/11 Time: 14:33 Sample: 1/04/2010 12/31/2010 Included observations: 242Variable CoefficientStd.Error t-Statistic Prob.C -0.0260160.000969-26.83754 0.0000X 0.0060130.00055410.84521 0.0000R-squared 0.328894Mean dependentvar-0.026108Adjusted R-squared 0.326098S.D. dependentvar0.018370S.E. of regression 0.015080Akaike infocriterion-5.542689Sum squared resid 0.054576 Schwarz criterion-5.513854Log likelihood 672.6653 F-statistic117.6187Durbin-Watson stat 1.673752 Prob(F-statistic)0.0000003、兴业银行Dependent Variable: Y Method: Least Squares Date: 12/25/11 Time: 14:38Sample: 1/04/2010 12/31/2010 Included observations: 242Variable Coefficient Std. Error t-Statistic Prob.C -0.026554 0.001283-20.69085 0.0000X 0.007386 0.000734 10.06317 0.0000R-squared 0.296739Mean dependentvar-0.026666Adjusted R-squared 0.293809 S.D. dependent var0.023757S.E. of regression 0.019964Akaike infocriterion-4.981560Sum squared resid 0.095653 Schwarz criterion-4.952726Log likelihood 604.7688 F-statistic101.2675Durbin-Watson stat 1.759353 Prob(F-statistic)0.0000004、南方航空Dependent Variable: Y Method: Least Squares Date: 12/25/11 Time: 14:43 Sample: 1/04/2010 12/31/2010 Included observations: 242Variable Coefficient Std. Error t-Statistic Prob.C -0.022864 0.001472-15.53212 0.0000X 0.012131 0.000842 14.40960 0.0000R-squared 0.463851Mean dependentvar-0.023048Adjusted R-squared 0.461617 S.D. dependent var0.031208S.E. of regression 0.0228 Akaike info -4.707298 criterion 66Sum squared resid 0.125841 Schwarz criterion-4.678431Log likelihood 571.5791 F-statistic207.6365Durbin-Watson stat 1.815510 Prob(F-statistic)0.0000005、同仁堂Dependent Variable: YMethod: Least SquaresDate: 12/25/11 Time: 14:47Sample (adjusted): 1/04/2010 12/01/2010 Included observations: 220 after adjustmentsVariable Coefficient Std. Error t-Statistic Prob.C -0.022327 0.001612-13.84665 0.0000X 0.009307 0.000907 10.26638 0.0000R-squared 0.325909Mean dependentvar-0.022363Adjusted R-squared 0.322817 S.D. dependent var0.029063S.E. of regression 0.023916Akaike infocriterion-4.619471Sum squared resid 0.124693 Schwarz criterion-4.588620Log likelihood 510.1418 F-statistic105.3986Durbin-Watson stat 1.889725 Prob(F-statistic)0.0000006、日照港Dependent Variable: Y Method: Least Squares Date: 12/25/11 Time: 14:50 Sample: 1/04/2010 12/31/2010 Included observations: 242Variable Coefficient Std. Error t-Statistic Prob.C -0.025535 0.001064-23.99647 0.0000X 0.007823 0.000609 12.85477 0.0000R-squared 0.407766Mean dependentvar-0.025654Adjusted R-squared 0.405298S.D. dependentvar0.021465S.E. of regression 0.016553Akaike infocriterion-5.356220Sum squared resid 0.065764 Schwarz criterion-5.327385Log likelihood 650.1026 F-statistic165.2451Durbin-Watson stat 1.726877 Prob(F-statistic)0.0000007、万科ADependent Variable: Y Method: Least Squares Date: 12/25/11 Time: 15:07 Sample: 1/04/2010 12/31/2010 Included observations: 242Variable Coefficient Std. Error t-Statistic Prob.C -0.027602 0.002070-13.33167 0.0000X 0.006318 0.001184 5.335586 0.0000R-squared 0.106040Mean dependentvar-0.027698Adjusted R-squared 0.102315 S.D. dependent var0.033992S.E. of regression 0.032206Akaike infocriterion-4.025068Sum squared resid 0.248942 Schwarz criterion-3.996234Log likelihood 489.03 F-statistic 28.46833 48Durbin-Watson stat 1.235806 Prob(F-statistic)0.0000008、大唐发电Dependent Variable: Y Method: Least Squares Date: 12/25/11 Time: 15:10 Sample: 1/04/2010 12/31/2010 Included observations: 242Variable Coefficient Std. Error t-Statistic Prob.C -0.024475 0.002249-10.88155 0.0000X 0.005879 0.001286 4.570003 0.0000R-squared 0.080054Mean dependentvar-0.024564Adjusted R-squared 0.076221 S.D. dependent var0.036403S.E. of regression 0.034988Akaike infocriterion-3.859409Sum squared resid 0.293794 Schwarz criterion-3.830575Log likelihood 468.9885 F-statistic20.88493Durbin-Watson stat 1.183646 Prob(F-statistic)0.0000089、中国宝安Dependent Variable: Y Method: Least Squares Date: 12/25/11 Time: 15:13 Sample: 1/04/2010 12/31/2010 Included observations: 242Variable Coefficient Std. Error t-Statistic Prob.C -0.023052 0.001648-13.98931 0.0000X 0.013054 0.000942 13.85118 0.0000R-squared 0.444258Mean dependentvar-0.023250Adjusted R-squared 0.441943 S.D. dependent var0.034313S.E. of regression 0.025633Akaike infocriterion-4.481637Sum squared resid 0.157693 Schwarz criterion-4.452802Log likelihood 544.2780 F-statistic191.8552Durbin-Watson stat 2.148978 Prob(F-statistic)0.00000010、盐田港Dependent Variable: Y Method: Least Squares Date: 12/25/11 Time: 15:16 Sample: 1/04/2010 12/31/2010 Included observations: 242Variable Coefficient Std. Error t-Statistic Prob.C -0.026141 0.000816-32.03897 0.0000X 0.007693 0.000467 16.48540 0.0000R-squared 0.531038Mean dependentvar-0.026257Adjusted R-squared 0.529084 S.D. dependent var0.018495S.E. of regression 0.012692Akaike infocriterion-5.887472Sum squared resid 0.038660 Schwarz criterion-5.858638Log likelihood 714.3842 F-statistic271.7684Durbin-Watson stat 2.160507 Prob(F-statistic)0.000000●Beta系数：1.浦发银行：0.0061862.招商银行：0.0060133.兴业银行：0.0073864.南方航空：0.0121315.同仁堂：0.0093076.日照港：0.0078237.万科A：0.0063188.大唐发电：0.0058799.中国宝安：0.01305410.盐田港：0.007693●个股平均收益率：11.浦发银行：-0.0082812.招商银行：-0.0042913.兴业银行：-0.0163714.南方航空：0.00965715.同仁堂：-0.0208516.日照港：0.0049517.万科A：-0.0016718.大唐发电：-0.0017919.中国宝安：-0.0024720.盐田港：-0.00182（二）Beta系数和平均收益率的回归：Dependent Variable: YMethod: Least SquaresDate: 12/25/11 Time: 22:35 Sample: 1 10Included observations: 10Variable Coefficient Std. Error t-Statistic Prob.C -0.010900 0.010384-1.049698 0.3245X 0.807728 1.217043 0.663681 0.5256R-squared 0.052186Mean dependentvar-0.004294Adjusted R-squared -0.066291S.D. dependentvar0.009058S.E. of regression 0.009353Akaike infocriterion-6.329290Sum squared resid 0.000700 Schwarz criterion-6.268773Log likelihood 33.64645 F-statistic0.440473Durbin-Watson stat 3.293357 Prob(F-statistic)0.525555（三）结果：回归结果显示，R-squared=0.009058，数值很小，说明系统风险对股票预期收益率的解释能力很弱。
CAPM模型对中国上证A股的实证分析
、
Ｃ Ｐ 模型组合 的系统风 险 系数 即 ｊ ３ 系数 ， 是某
（） 有投 资者都是 风 险厌 恶者 ， 是效用 最 项资产组合的风险程度与市场组合的风险程度之 １所 都 大化 的理性投 资经济 人 。 的接 受者 。
来源于 Ｃ Ｅ （ Ｃ Ｒ 色诺芬） 数据库和锐思数据库。
（ ） 据 选取 二 数
收 稿 日期 ：００—０ ８ ２ １ ９—２
作者简介 ： 李呈娇（９５一） 女， １８ ， 湖北宜 昌人。武汉科技大学管理学院硕士生 。
一
１ ４ —
李 呈娇 ：Ａ Ｍ模 型对 中 国上 证 Ａ股 的实证 分析 ＣＰ
．
Ｃ Ｐ 模 型 对 中 国上 证 Ａ股 的 实 证 分 析 ＡＭ
李 呈娇
（ 武汉科 技大学
摘
管理学 院 ， 湖北 武汉 ４０ ８） ３０ １
要： 资本资产定价模型（ Ａ Ｍ模型） ＣＰ 作为金融市场现代价格理论 的脊梁 ， 已被 广泛应用干股票
基 金 、 券 等 资产 定 价 的 分 析 和 确 定 以及 投 资决 策 等领 域 。 我 国股 票 市 场在 近 年 来 发 展 较 为迅 速 ， 文 债 本
，
证券交 易所上市 交 易 的 Ａ股 股票 作 为样 本 ， 为 分 行业 、 通运输 仓储行 业 共 ９ 交 ６只股票 。所有 数据
分 纺织服装 皮毛 表示 市场组合在时期 ｔ 的风 险回报率 ，， ｒ表示无 三组 ， 别来 自医药 生物制 品行 业 、
它表示某一组合 的系统风险系数 。
２ ０世 纪 ６ ０年 代 ， 夏 普 （ｈｒｅ 、 特 纳 以 Ｓａ ） 林 ｐ （ｉｎｒ为 代 表 的 一批 学 者创 立 了“ Ｌ ｔｅ） ｎ 资本 资产 定 项 资产或 资产 组合 的期 望 收益 率 与 市 场风 险 （ 系 者将 Ｃ Ｐ Ａ Ｍ模 型 的实证 分析 和理论研 究 应用 于 中 国股市 ， 验其 有 效 性 ， 现 了很 多 问题 ， 我 国 检 发 对
CAPM运用实证分析——基于市场的有效性检验
金融天地ＣＡＰＭ运用实证分析——基于市场的有效性检验熊鹏飞 安徽大学经济学院摘要：资本资产定价模型作为资本市场最基础的定价模型之一，一直是资本市场均衡理论模型方面研究探讨的核心之一，市场的有效性是使用这个模型的大前提条件，本文使用的是单位根检验方法，主要是针对弱势有效市场进行检验，目的在于证明其收益率序列是否随机游走过程，本文首先对CAPM模型历史研究情况进行简单的梳理，以某上市公司为例，使用单位根检验的方法对沪市有效性进行检验，然后在基于证明上证交易所市场有效性检验的前提下，运用CAPM模型对选取的某一上市公司进行估值[1]。
关键词：CAPM 市场有效性；ADF检验；股利贴现模型中图分类号：F832 文献识别码：A 文章编号：1001-828X(2019)024-0285-02一、ＣＡＰＭ模型概述在20世纪60年代，William Sharpe、John Lintner等一些著名学者在市场风险资产定价理论模型方面突破性的研究出了资本资产定价模型。
尽管在这之前马科维茨的分散投资与效率组合投资理论在此之前已经使用严谨的数理工具向世界描绘了一个风险厌恶的投资者如何在众多风险资产构建最优资产组合的情景，但是，由于其过于繁琐，与现实严重脱节，所以很难被人们使用到现实的市场环境中，CAPM模型是以风险资产期望收益均衡为基础的预测模型，公式表达为：E(r i)=r f+βim(E(r m)-r f)。
可以看出，单个资产的预期收益率与衡量该资产对市场变动敏感程度的标准β值之间存在一种正相关关系[2]。
19世纪七十年代开始，外国的较为发达的资本市场都开始对资本资产定价模型的适用性进行大量的研究证明，但是都没有得出确定性的较为一致的结论，目前，我国证券市场日趋完善，很有必要对资本资产定价模型的适用性进行相关二、序列随机游走过程证明本文选取的是上证交易所上市公司，目的选取最新数据再一次对沪市的有效性进行检验，并以选取的某上市公司为例进行估值，从而进行投资价值判断。
CAPM模型与三因素模型的实证分析——基于上海证券市场的检验
关键词 ： ＣＡＰ Ｆ ｍａ ｒｎ ｈ Ｓ Ｍ ａ －Ｆｅ ｃ ＭＢ Ｌ Ｂ ＨＭ
有 相 同 的 预 期 ，他 们 都 会 选 择 市 场 组 合 进 行 投 资 ，进 而 用
Ｃ Ｐ 公 式 ， 特 定 证 券 的预 期 收 益 率 进 行 计 量 。 ＡＭ 对 由于 模 型 的 开 放 性 。 于 如 何 选 取 适 合 的 因素 进 行 研 究 对
比低 市 场 比 率股 票 多 的 资 产组 合 收 益 。
中 国 的证 券 市 场 发 展 较 晚 ， 响 证 券 收 益 率 的 因 素 也 较 影 为 多 样 ．因 此仅 用 系 统性 风 险 来诠 释股 票 收 益率 是 不 够 的 。
独 立 提 出 了著 名 的 资 本 资产 定 价 模 型 （ Ａ Ｍ）开 启 了研 究 ＣＰ ，
摘 要 ： 文 采 用 ＣＳ 本 ＭＡＫ 数 据 ， ＣＡＰ 模 型 和 Ｆ ｍａ 用 Ｍ ａ — Ｆｅｃ ｒｎ ｈ模 型 分 剐 对 上 证 Ａ 股 股 票 投 资 组 合 的期 望 收 益 率 估
计进行 了实证检验 。本文的主要 结论是在 中国的股票 市场 中 ． 市场 风 险 并 非 决 定 市 场 组合 或 者 单 个 股 票 预 期 收 益 的 唯 一 因素 ， 规 模 因子 （ ＭＢ） 账 面 市 值 比 因 子 （ 而 Ｓ 和 ＨＭＬ 能 ） 更好的解释投资组合的期望收益率 。
我国A股市场CAPM模型和Fama-French三因子模型的检验
我国A股市场CAPM模型和Fama-French三因子模型的检验我国A股市场CAPM模型和Fama-French三因子模型的检验引言：资本资产定价模型（CAPM）和Fama-French三因子模型是金融学中两个经典的资产定价模型。
本文旨在对我国A股市场中的CAPM模型和Fama-French三因子模型进行检验和分析，以探讨这两种模型在我国A股市场的适用性和效果。
一、CAPM模型CAPM模型是由美国学者Sharp、Lintner、Mossin等人在20世纪60年代提出的，并在随后的几十年里成为基金、股票和其他金融衍生品定价的重要工具。
其基本假设是市场上的风险资产回报与其风险高低成正比。
CAPM模型的表达式为：E(Ri) = Rf + βi[E(Rm) - Rf]其中，E(Ri)为资产的预期回报；E(Rm)为市场的预期回报；Rf为无风险资产的回报率；βi为资产i的系统性风险。
对于我国A股市场，CAPM模型的检验有两个关键问题：一是如何计算无风险收益率(Rf)；二是如何估计资产的beta 值。
关于无风险收益率(Rf)的计算，有三种常用的方法：国债收益率法、货币市场基金收益率法、银行存款利率法。
由于我国国债市场的不完善，货币市场基金收益率与银行存款利率相对稳定，因此可采用货币市场基金收益率作为无风险收益率进行计算。
对于资产的beta值的估计，通常采用历史回归法。
通过回归资产收益率与市场收益率的历史数据，可以得到资产的beta值。
然而，由于我国A股市场的特殊性，投资者行为和政策因素对资产收益率的影响较大，使用历史回归法估计的beta值可能存在较大的误差。
二、Fama-French三因子模型Fama-French三因子模型是由美国学者Eugene Fama和Kenneth French在上世纪90年代提出的，其基本假设是资产的回报与市场风险、规模风险和价值风险三个因素有关。
Fama-French三因子模型的表达式为：E(Ri) = Rf + βi1(E(Rm) - Rf) + βi2(SMB) + βi3(HML)其中，E(Ri)为资产的预期回报；Rf为无风险收益率；βi1为资产与市场收益的相关系数；βi2为资产与规模因子（市值大小）的相关系数；βi3为资产与价值因子（公司估值）的相关系数；SMB为规模因子的收益率；HML为价值因子的收益率。
CAPM模型在我国上证A股市场的实证分析
CAPM模型在我国上证A股市场的实证分析摘要：资本资产定价模型(CAPM)是由美国学者夏普和他的同伴在1964年提出，他们将马克维茨的现代投资组合理论基础与资本市场理论相结合。
资本资产定价模型经过多年发展，它已被广泛应用于金融资本资产的投资理论和实践中。
通过对贝塔系数的研究，学者们发现资本资产定价模型的贝塔系数具有一定的不稳定性和波动性，因此资本资产定价模型对于资本资产的实证研究有很大的争议。
自1990年我国沪深两市交易所相继开业，至今2023年，现已有超过3700支股票在沪深两市上市，我国股票市场具有浓厚的中国特色，对投资者和业界学者而言中国股票市场是一个值得投资研究的金融市场，有利于了解金融体系的运转与操作，提高市场价值投资组合策略的能力。
本文通过将不同β系数进行分组，代表不同类型的股票性质，再对分组CAPM模型的模型拟合优度进行讨论，验证CAPM模型在近5年期间，是否适用与中国上证A股市场。
本文由四个部分组成：第一部分为绪论，主要介绍研究背景、研究意义、研究方法等；第二部分阐述文章研究所需要的理论，包括CAPM模型的概念、界定和CAPM 模型在现代经济理论中的地位；第三部分对β系数及资本资产定价模型进行实证分析。
作者用资本资产定价模型计算各个股票的β系数，并根据系数对各支股票进行分组，分别讨论分组和总体的模型拟合优度；第四部分总结归纳了研究结果，同时提出了未来可继续展开的研究方向和角度。
关键词：CAPM模型；上证A股市场；拟合优度；β系数第1章绪论1.1研究背景及意义1.1.1研究背景1964年美国学者威廉·夏普(William Sharpe)等人在现代投资组合理论和资本市场理论的基础上提出资本资产定价模型(Capital Asset Pricing Model即 CAPM)。
资本资产定价模型对所有投资者进行投资的假设条件，即投资者以均值、方差作为资产组合参考和判断标准。
并且，资本市场有借贷率相等的无风险资产存在。
资本资产定价模式(CAPM)的实证检验
资本资产定价模式(CAPM)的实证检验资本资产定价模式（Capital Asset Pricing Model，简称CAPM）是金融学中一种重要的理论模型，用于计算资产的预期收益率。
虽然CAPM的应用历史已经有几十年，但其有效性一直备受争议。
许多学者对CAPM进行了实证检验，以评估其有效性。
在实证检验CAPM的有效性时，研究人员通常采用市场模型和多变量回归分析来评估CAPM的预测能力。
市场模型基于CAPM的基本公式，即预期收益率等于无风险利率加上系统风险乘以市场风险溢价。
通过与市场指数的回归分析，可以计算出资产的beta系数，进而估计出其预期收益率。
实证研究经常使用回归模型来检验CAPM的有效性。
回归模型通常以市场收益率作为自变量，收益率差异作为因变量。
通过回归分析，可以计算出资产的beta系数和alpha系数，其中beta系数代表了资产相对于市场的风险敏感度，alpha系数则代表了超额收益。
如果资产的beta系数显著不为零，表明CAPM有效；如果alpha系数显著不为零，则表明CAPM无效。
许多实证研究已经得出了不同的结论。
一些研究发现，CAPM能够较好地解释资产的收益率差异，显示出较高的预测能力。
然而，也有研究发现，CAPM的解释能力并不显著，无法充分解释资产的预期收益率。
有几个原因可能解释这些不一致的实证结果。
首先，CAPM假设市场是完全理性的，投资者都是风险厌恶的，这种假设在现实中并不成立。
其次，CAPM假设资本市场是没有交易费用和税收的，但现实中这些成本是必不可少的。
此外，CAPM还忽略了其他影响资产收益率的因素，如流动性风险、政府干预和市场不完全。
这些限制可能导致CAPM无法有效解释资产的预期收益率。
虽然实证研究的结果并不一致，但CAPM仍然是一个重要的理论模型。
研究人员在继续实证检验CAPM的有效性时，也应考虑到CAPM的局限性，并尝试提出改进模型来更好地解释和预测资产的收益率。
资本资产定价模型（Capital Asset Pricing Model，简称CAPM）是金融学中一种经典的理论模型，用于计算资产的预期收益率。
CAPM模型在上证银行业股票市场的实证分析
股 票 市场 的 实证 分 析
付宇涵 孙 雪 北京林 业大学 经济管 理学 院
【 文章摘要】
为 了进 行 Ｃ Ｐ Ａ Ｍ模 型 在 我 国 的 适 用 性研 究 ，本文 利 用该 模 型 对 上 证 １ 只 银 ２ 行 股 进 行 了实证 分析 。将 ２ ０据 等 分 为 三 个 阶段 ， ０年
北京 １ ０ ８ ０ ０ ３
二 、实 证 分析
（ 一）建立模型 利用 第一 阶段 的数据 ，建立各只股票 的风 险收益模 型 ：Ｒｉ Ｒｆ ＝ ｄ ｊ ｐｉ ｔ ｔ ＋ （ Ｒ ｔ ￡ｉ。其 中 ： ｉ是 单 个 股 票 ｔ Ｒｍｔ ｆ） ＋ ｔ Ｒｔ 时 间 的 日收 益 率 ；ＲＭｔ 是市 场指 数 在 ｔ 时 间 的 日收 益 率 ；Ｒ ｔ ｔ 间 的 无 风 险 收 益 ｆ是 时 率；ｅ是估计残 差；“、Ｄ是估计 参数 。 建 立的模型如表 ２ １ ． 所示 ： 从 回归结 果可 以看 出，方程均通过了 显著性检验 ，拟合优度在 ０ ４ 至 ０ ９ 之 ．０ ．０ 间 ，拟合 效 果 比较 令 人 满意 ，各 个模 型 的 Ｄ 值均基本接近 ２ Ｗ ，可认 为不存 在 自相 关。根据拟合优度将 ｌ ２只股票分为两组 ， 其 中 以 中国 银 行 、 信银 行 、 商 银 行 、 中 工 交 通银行、建设银行 、北京银行 ６家银行为 组 ，拟合优度较低 ，在 ０ ４ 至 ０ ６ 之 ．０ ．５ 间 ，说 明有股票的风险收益有一半左右取 决于市场风险。 而民生银 行、 南京银行 、 华 夏银 行、兴业银行 、招商银行 、浦发银行 的拟合优度较高 ， ０ ６ 至０ ８ 之 间， 在 ．５ ．５ 说 明这 ６家银行的股票风险收益受到市场风 险影响较大 。 从 回归系数来看 ， ｐ值 ，基本在 ０ ３ ． 至 １ １ 间。在 目前我 国处于熊市的状态 ．之 下 ，１ ２只股票均 比较保 守。华夏银行 、兴 业银 行、招商银行 、浦发银行 ４ 家银行 值 略 大 于 １ 属 于 进 攻 性 股 票 ， 余 ８ 均 小 ， 其 家 于 ｌ 这 四 家 银 行 均 为股 份 制 银 行 ， 相 对 。 于 国 有银 行 更 追 求 利 益 最 大 化 ，回归 结 果 基 本 符 合 其 的市 场 定位 。 （ ）时间序列检验 二
资本资产定价模型(CAPM)在我国股市的适用性研究
资本资产定价模型(CAPM)在我国股市的适用性研究资本资产定价模型(CAPM)在我国股市的适用性研究摘要：本文主要探讨了资本资产定价模型(CAPM)在我国股市的适用性，并通过实证分析的方法对其进行了验证。
研究结果表明，虽然CAPM作为一个经典的投资理论模型，具有一定的适用性，但在我国股市中存在一定的局限性。
因此，在使用CAPM进行投资决策时，需要结合其他因素进行综合考虑。
1. 引言资本资产定价模型(CAPM)是投资领域中最重要的理论模型之一，在投资组合的选择和定价上起着关键作用。
该模型是根据风险投资的基本原理和市场均衡理论基础上发展起来的，旨在通过考虑风险和回报之间的关系，提供一种合理的投资参考。
然而，CAPM模型的适用性一直备受争议，尤其是在我国股市的背景下。
本文将从理论和实证两个方面，对CAPM模型在我国股市中的适用性进行深入研究。
2. CAPM模型理论基础2.1 市场均衡理论市场均衡理论是CAPM模型的理论基础，它认为所有投资者都是追求效用最大化的理性决策者，在完全竞争的市场中，资产价格将通过供需关系来确定。
基于这一理论，CAPM模型假设所有的风险投资者都对风险敏感，并且会通过配置资产来在风险与回报之间寻求平衡。
2.2 风险和收益之间的关系CAPM模型认为，风险与回报呈正相关关系，即投资组合的预期收益率是风险无关部分与风险部分的线性组合。
该模型量化了风险与收益之间的关系，通过计算投资组合的无风险回报与风险溢价之间的关系，提供了一种衡量资产的合理回报率的方法。
3. CAPM模型的适用性研究3.1 实证分析方法本文利用我国股市的实证数据，运用回归分析方法，对CAPM 模型的适用性进行验证。
具体而言，我们选择了一组具有代表性的股票样本，收集相关数据，包括每只股票的收益率、市场风险溢价、无风险利率等指标。
3.2 实证结果分析根据回归分析的结果，我们发现CAPM模型在我国股市中具有一定的适用性，但也存在一些局限性。
我国股票市场资本资产定价模型的实证检验——基于上海证券交易所市场
7
产业财经 Industrial Finance
从组合回归结果及显著性水平表可以看出：所有组合系数βp 的显著性为0.0000，全部小于0.05，结果有效。说明投资组合的 收益明显地受到市场系统性风险（systematic risk）影响，模 型可用。而常数项αi的回归结果有7组显著，p值小于0.05；5 组不显著。并发现常数项αi显著的组合相对于其他组合，贝塔 系数更接近于1，其股价波动相对平稳。
变量 回归系数 显著性（P值） R^2
Adjust R^2
α -1.1100
0.571
r1 2.3140
0.524
0.3777
0.2395
r2 -.7719
0.635
从回归结果可以看出，r2不显著，并导致整个模型拟合度 降低，因此判断不存在非线性关系，这再次验证了风险和收益 的关系是线性的。
（2）非系统性因素检验 E（R）p-Rf=α+r1βp+r2Var（εp）+ε 其中E（R）p为组合期望回报率，βp为第二步回归出的 组合β，Var（εp）是每一个组合回归得出的残差平方和，ε 是本次回归残差项。回归结果如下：
Industrial Finance 产业财经
我国股票市场资本资产定价模型的实证检验
——基于上海证券交易所市场
郝宇星 王越 黄晋京 （北京语言大学商学院 100083）
摘 要：本文以上海证券交易所最新公布的上证180成分股作 为个股研究对象，采取2015年到2019年的股票收益率数据，对 上 海 证 券 交 易 所 进 行CAPM的 时 间 序 列 和Fama--Mecbath横 截面有效性检验。通过研究发现，上海股市基本满足资本资产 定价模型，且风险与收益呈现线性的正相关关系。 关键词：资本资产定价模型；时间序列分析；Fama--Mecbath横 截面检验
CAPM在我国股票市场上的有效性验证
Fina nc ia l Vie w金融视线现代商业MOD RN BUS IN S S38CAP M 在我国股票市场上的有效性验证李静西南财经大学金融学院四川成都610074[内容摘要]资本资产定价模型（CA PM ）自被提出以来，在西方国家许多专家、学者都进行了多次验证，在我国也有很多这方面的实证分析，有肯定也有质疑。
本文选取上证180中62只股票进行了实证分析，得出的结论是：CA PM 模型在我国现存的股票市场上尚不能成立。
[关键词]CA PM ；时间序列分析；横截面分析继马可维茨(H ar r yM ar kow i t z)提出的证券组合理论之后，他的学生W i l l i an Shar pe 于1964年建立了第一个金融资产定价均衡模型－CAPM ，这一模型与A PT (套利定价理论)、O PT (期权定价理论)共同构成现代金融理论的三大基石。
在西方，CA PM 在股票收益预测、投资风险分析等许多问题中得到了广泛的应用。
随着我国证券市场的发展,它在中国资本市场的适用性引起了众多学者的研究与验证。
本文利用上证A 股的最新数据对这一模型的有效性进行了验证。
一、文献追溯自从CA PM 诞生以来,关于其有效性是否存在的争论就从未间断过。
早期的实证检验结果大部分与CAPM 相一致。
如Bl ack ,J ensen 和Schol es (1972),Fam a 和M acbet h (1973)等，这些文献认为,股票平均收益与估计的β值之间存在显著的正相关关系,市场组合是均值——方差有效的。
但1977年Rol l 提出了著名的Rol l 批评。
他认为,CA PM 在实际中是不可检验的,通常检验的数据选择存在缺陷,真正的最优风险资产组合是不可得的。
年,Fam a 和Fr ench 通过检验1962——1989年之间的数据,基本否定了CA PM 的有效性。
在我国，许多学者也对其在中国资本市场的有效性进行了验证。
论CAPM模型在上证股票市场上的有效性检验及改进
２ 标 准 Ｃ Ｍ 模 型 的 实 证 检 验 ＡＰ
２ １ 数 据选 取 和 检 验 方 法 ．
因 素 进行 研 究 ， 图推 导 出 多 因 素 的 资 本 资 产 定 价 模 型 ， 试 并 实证 检 验其 适 用 性 。
对股票收益率影 响显 著 的主要 因素 有公 司规模 （ 总市 ）现金红利率 因素（ 每股现金分红 ｒ 股价 Ｐ 、 ） ／ ）帐面市 ６ Ｏ只股票作为研究样本 ， 取 ２０ 选 ０ ２年 １月 １日至 ２ ０ ０ ９年 ３ 值 ＭＥ 、 帐面净资产 Ｂ ／ 市值 ＭＥ 和流通 股 比例 因素 Ｅ总 ） 月３ １日作 为样 本期 间 。选择 上证 综 指作 为研 究 中的市 场 值 比因素（
关键词 ： 资本 资产 定价 模 型 （ ＡＰ ； Ｃ Ｍ） 引入 其 他 因 素 的 Ｃ Ｐ 模 型 ； 效 性 检 验 Ａ Ｍ 有 中 图分 类 号 ： ０ ２ Ｆ １ 文献标识码 ： Ａ 文 章 编 号 ： ６ ２３ ９ （ ０ ９ ０ — １ ９０ １ ７ — １ ８ ２ ０ ） ９０ ４ — １
资本资产定价模型CAPM在中国资本市场中的实证检验
资本资产定价模型CAPM在中国资本市场中的实证检验资本资产定价模型CAPM在中国资本市场中的实证检验引言：资本资产定价模型（Capital Asset Pricing Model, CAPM）是金融学中一个重要的工具，用于衡量资本资产的预期收益率。
该模型研究了投资者对风险与回报的权衡，并认为资产的预期回报与其系统风险直接相关。
本文将通过实证检验的方式，探讨CAPM在中国资本市场中的适用性及其局限性。
1. CAPM的基本原理CAPM是根据资本市场线来计算资本资产的期望收益率的数学模型。
其基本原理是假设投资者在选择投资组合时会在风险和预期回报之间寻求平衡。
该模型指出，资产的预期回报率应该等于无风险利率加上资产的β系数乘以市场风险溢价。
2. 实证检验方法本文将采用中国资本市场的数据，通过回归模型来检验CAPM的有效性。
研究对象包括不同行业的股票以及相关指数。
首先，收集过去一段时间的市场数据，并计算每个资产的超额回报。
然后，运用回归模型分析资产的超额回报与市场回报之间的关系，检验CAPM的适用性。
3. 结果分析通过实证研究，我们得出以下结论：3.1 在中国资本市场中，部分资产的实际回报并不等于CAPM所预测的回报。
一些资产的回报率高于CAPM模型所预测的值，一些资产的回报率低于预测值。
这表明CAPM并不完全准确地解释了中国资本市场中的资产回报。
3.2 在部分行业内，研究结果显示CAPM在预测资产回报方面的准确性较高。
尤其是成熟行业，如金融、能源等领域。
这些行业中的资产回报率与CAPM模型所预测的回报率较为一致。
3.3 在其他行业，特别是新兴行业和高风险行业，CAPM 模型无法准确预测资产回报率。
这可能是由于这些行业内的资产风险具有高度的不确定性，使得CAPM无法正确估计预期回报。
4. 局限性与改进CAPM模型的实证检验不仅为我们提供了对中国资本市场回报的认识，同时也揭示了该模型的局限性。
可以从以下几个方面对CAPM模型进行改进：4.1 考虑非线性关系：传统的CAPM模型假设资产间的关系是线性的，忽略了非线性关系的存在。
CAPM模型在上海证券市场有效性分析
ＣＡＰＭ模型在上海证券市场有效性分析CAPM模型自从被提出来，在西方国家被做过多次验证，在我国也做过许多次这方面的实证分析，有肯定也有质疑，本文选取上证除去ST股票之外的所有股票，利用SAS技术进行了实证分析，得出的结论是：CAPM模型在我国现存的股票市场上尚不能成立。
标签：β系数CAPM模型一元线性回归一、绪论资本资产定价模型(CAPM)最早于1964年由美国学者Sharpe提出。
它的提出导致了西方金融理论的一场革命，因为它是第一个在不确定条件下研究投资者效用最大化的资产定价模型。
在完全有效市场假设下，根据CAPM模型得到的均衡定价可以告诉人们按着投资组合理论去做会产生什么结果。
1.CAPM模型基本形式CAPM模型为其中表示投资组合的期望收益率，为无风险报酬率，表示市场组合期望收益率，β为某一组合的系统风险系数，资本资产定价模型(CAPM)通过构建单个证券或投资组合同系统风险收益率之间的关系，亦即是单个投资组合的收益率等于无风险收益率与风险溢价的和来对资产进行定价。
2.CAPM模型理论内涵CAPM模型理论认为，投资必要收益率取决于以下三个要素:(1)无风险利率，即将国债利率或银行存款利率(2)市场平均收益率，即整个市场的平均收益率，若一个投资的风险与市场平均风险相当，则该投资的收益率与整个市场的平均收益应该相同；(3)投资组合的风险系数β，即该资组合的风险程度与市场证券组合的风险程度的比值。
若β>1，表示该投资组合所的风险大于市场风险，相应地，该项投资的收益率就要大于市场平均收益率，这其中超过的部分便是风险溢价。
风险溢价表示该项投资所承担的风险超出市场风险部分的补偿。
资本资产定价模型证明了单个证券或投资组合的期望收益率与相对风险程度间的关系，即任何资产的期望收益率必等于无风险利率加上一个风险调整后的平均收益率，投资风险比平均市场风险越高，则该投资需要的额外补偿也就越大。
这便是CAPM模型所得到的的主要结论之一。
三因素CAPM模型在上证A股市场的实证研究的开题报告
三因素CAPM模型在上证A股市场的实证研究的开题报告一、选题背景和意义资本资产定价模型（Capital Asset Pricing Model, CAPM）是由美国经济学家沃伦·巴菲特等人在20世纪50年代提出的。
该模型可以帮助投资者或资产管理公司计算其投资组合的期望收益率，从而评估风险并做出决策。
三因素CAPM模型是对这一模型的扩展，加入了市值因素和账面市值比因素，并在美国市场上得到了广泛应用。
然而，其在中国A股市场上的适用性还未得到广泛研究。
上证A股市场是中国证券市场的代表，对于了解中国资本市场的状况和发展趋势具有重要意义。
因此，在上证A股市场中对三因素CAPM 模型的实证研究有其独特的实践意义和学术价值。
二、研究内容和方法本研究将探讨三因素CAPM模型在上证A股市场的适用性。
具体研究内容包括以下两个方面：1.构建适合中国A股市场的三因素CAPM模型考虑到中国A股市场的特点，本研究将在原有三因素CAPM模型的基础上，进一步分析市场风险因素、市值因素和账面市值比因素在中国A 股市场的表现，并构建适合该市场的三因素CAPM模型。
2.实证研究本研究将选取一定数量的代表性样本股进行实证研究，使用构建的三因素CAPM模型作为基础框架，探究该模型是否在上证A股市场中解释了股票收益率的变化，并在此基础上进行投资组合分析和风险管理。
本研究的方法主要包括资料收集、数据分析和实证检验等。
资料收集将以股票数据和财务数据为主，数据分析将主要采用统计学方法和计量经济学方法，实证检验将使用多种模型进行比较和分析。
三、研究预期和创新点本研究的预期结果包括以下两个方面：1.在三因素CAPM模型的基础上，构建适合上证A股市场的三因素CAPM模型，并对其表现进行评估。
2.实证研究结果将显示该模型在上证A股市场中的适用性，从而为中国股票投资者提供更为有效的投资工具，为资金的配置和风险管理提供依据。
本研究的创新点主要包括以下两个方面：1.将三因素CAPM模型应用到中国A股市场中进行适应性改进，从而更好地解释市场动态和投资者的行为。
CAPM模型在股市中的运用
CAPM模型在股市中的运用我国股市发展至今，制度逐渐完善，市场逐渐成熟，但仍存在诸多问题。
风险和收益的关系是投资者重点关注的问题。
CAPM模型作为国际上研究风险与收益关系的主流理论，主要研究证券市场中风险资产与资产的预期收益率之间的关系，以及均衡价格是如何形成的。
据此，本文拟基于CAPM模型，对中国股市风险与收益的关系进行测度，验证CAPM模型的有效性。
一、研究背景2012年开始，中国金融行业过于追求与经济周期不匹配的高收益率，却没有能够为市场风险、信用风险正确定价。
这种定价机制的扭曲，推动了2016年金融市场各类资产价格的大幅波动（刘煜辉，2017）。
综上，如何度量我国股票市场的金融风险，怎样评价收益和风险的关系已成为广大股票投资者日益关注的紧迫问题。
资本资产定价理论是目前国际上关于证券投资收益和风险相关性研究的主流金融理论。
应用CAPM模型对我国股市收益和风险进行研究，有助于进一步明确收益和风险的关系。
CAPM模型主要研究证券市场中资产的预期收益率与风险资产之间的关系，以及均衡价格是如何形成的，是现代金融市场价格理论的支柱。
CAPM模型将股票市场假设为一个理想化的、被简化的、抽象的市场。
CAPM模型假设股票市场是有效的，这要求市场信息是被充分披露的，信息的获取是没有成本的，投资者是理性投资者能及时的对市场信息做出反应。
然而我国股市建立较晚，虽然股市制度被逐渐完善，但是我国股市依然存在诸多问题，导致我国股市可能并非是个有效的市场。
同时CAPM模型认为非系统性风险可以通过投资组合而分散，我国股市未必能满足这一假设。
我国股市发展至今，规模日益扩大、制度不断完善，市场逐渐成熟，资本资产定价模型在我国股票市场的适用性是否得到了改善？需要我们对CAPM模型在我国股市适用性进行相关问题研究。
研究CAPM模型在我国股市的适用性，会对资产的定价提供一定的参考意义，也有助于CAPM模型在我国的实证研究与发展。
二、CAPM模型具体介绍CAPM模型主要研究均衡市场上资产预期收益与风险资产的相关性问题和证券均衡价格形成过程。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第21卷第5期河南财政税务高等专科学校学报V o l 1211N o 152007年10月Journa l o fH enan Co ll ege of F inance &T ax ati on O c t 12007CAP M 在上证A 股市场的有效性检验张金洪(上海财经大学经济学院,上海200433)[关键词]资本资产定价模型;市场有效性;系统风险[摘 要]随着2005年下半年我国证券市场大牛市行情的出现,市场本身在制度法规等各方面进行了很多创新。
但从CAP M 的角度来分析上证市场效率的现状,实证的结果无法说明上证A 股市场在本轮牛市中是有效的,这样也就无法验证近几年的改革创新使中国股市环境得到改善这一判断。
而导致模型失败的深层因素即CAP M 本身的适用性问题,也许更应该引起我们的注意。
[中图分类号]F83215 [文献标识码]A [文章编号]1008-5793(2007)05-0039-04有关资本资产定价模型(CA P M )在我国资本市场的适用性问题,近十年来已有过很多研究。
大家得出的普遍结论是,对2004年以前的中国股市,该模型基本无效。
但随着我国资本市场的进一步发展,在市场主体、市场监管、交易制度等全方位多层次的改革逐步深入后,市场质量也理应随之提高,从而在市场定价估值机制上也应该会出现某些改善。
特别是自2005年下半年以来的这一轮大牛市的启动,充分反映市场机制调整后各市场主体对市场的信心增强,这是前所未有的现象,而且这种影响将是全方位的。
本文试图从CAP M 的角度来诠释市场的最新发展趋势并从侧面反映本次大牛市的某些特征。
基于上述考虑,本文以上证A 股为研究对象,数据期间为2005年5月1日至2007年4月30日。
一、CA P M 的基本内容自1952年M arkov itz 运用均值-方差分析探讨资产最优组合以来,CA P M 发展出了两种本质相同的形式,其中20世纪60年代提出的Sharpe-L i nter 模型被认为是CA P M 的标准形式。
该模型假定投资者能够以无风险收益率借贷。
E[R i ]=R f +B i m (E [R m ]-R f )(1)B i m =Cov [R i,m]/V ar[R m ](2)其中R i ,R m ,R f 分别为资产i 的收益率,市场组合的收益率和无风险资产的收益率。
另一种形式是B lack 在1972提出的,他放宽了无风险利率借贷的假设,从而得到了更为普遍的模型。
E[i ]=E [R om ]+B i m (E [R m ]-E[R o m ](3)其中将无风险收益率R f 换成了市场组合中的零B 的资产收益R om 。
CAPM 理论的核心是对上述B i m 的解释,此即常说的B 系数,衡量的是给定市场组合m 的情况下,风险资产i 所面临的系统风险的大小;[E m ]-R f 则是市场对市场组合m 的风险补偿。
故公式(1)表示当资本市场达到均衡时,每项资产的期望收益和它与市场组合的协方差存在线性关系,因此,是资产收益与市场组合的协方差,而不是资产收益的方差,决定着某项资产的期望收益。
这还意味着只有系统风险对证券的预期收益率产生影响,非系统风险对之无解释能力。
CAPM 的有效性检验实际上便是对上述(1)式或(3)式是否成立的检验,换言之,是对B 系数市场中每只证券的解释能力的检验。
其基本思路是,先将上述经济学理论表述成一般的计量经济学模型,在整体上检验B 系数对收益率的解释能力(这一步也可不做);再用时间序列检验分时分组得出不同大小的B 对收益率的解释能力;若B 不足以解释单只股票所有的收益率,则要考虑引入其他因素(即非系统风险),用横截面检验来得出这些因素各自对每只股票的收益率的解释能力。
二、关于样本数据选取的相关说明如上所述,本文以上证A 股为研究对象,数据期间为2005年5月1日至2007年4月30日。
选股标准为剔除上证A 股中所有存在数据缺失的股票以及ST 股,由此可得到711只符合条件的股票;为计算的方便考虑,再在其中选择100只作为研究样本。
选择方法为按照股票代码顺序,在已知的股票样本空间挑选第7的倍数加1只股票(即1,8,15,,),直至选足100只股票。
本文采用日收益率,以每日的收盘价计算日回报率。
所[收稿日期]2007-06-05[作者简介]张金洪(1978)),男,浙江金华人,上海财经大学经济学院数量经济学2006级硕士研究生。
有的数据均采用前复权。
近两年来A 股的市场扩容速度一直很快,特别是一些大盘蓝筹股的加入尤为引人注目,到2007年5月上证A 股已达到841只。
关于市场组合收益率的确定,相关文献指出,无论市场是否存在无风险资产,用市场指数来代表市场组合都是有效的,故本文以上证A 股日收盘指数为市场组合。
故市场回报率即上证A 股的日回报R m =(今日收盘/前日收盘-1)@100;股票收益率采用以每日的收盘价计算的日回报率,即R i =(今日收盘/前日收盘-1)@100。
至于无风险利率,我国证券市场没有市场利率,债券市场中也无法找到合适的无风险收益率的替代品,故比较可行的方法是,无风险收益率R f 选取的是同期的银行3个月定期存款利率或银行间同业拆借或回购利率,然后按复利换算成日利率。
本文的主要研究方法是用分组识别法和截面回归法。
三、标准形式的CA P M 检验首先对标准形式的CAPM 进行检验,即检验上述公式(3),写成计量模型为:R ,i t =a i +B i C m t +E ,i t(3)其中R ,i t 是第i 只股票在第t 期的日收益率,C m t 是市场组合在第t 期的日收益率,E ,i t 是随机误差。
若要接受CAP M,则应在回归方程显著的条件下同时接受a i =0和B i X 0两个条件。
检验结果如下(共有100只股票,两个参数,故共有200行结果)。
表1(显著性水平为0105)a i 的估计t -value B i 的估计t -va l ue rsquare 0100224531190830 01061997-21027327010084200100240931646626-01127226-71861301011132280100238631403935-01033531-11239169010031630100244231484401-01015051-11171049010028250100243331478784-01030426-3165204701006158,,,,,,,,,,检验结论。
由上表可见,在显著性水平为0105的情况下,上述a i 的t 值都超过了临界值,所以我们应该拒绝a i =0的假设,即无法忽视非系统风险对股票收益率的影响;同时,B i 的t 值都小于临界值,而且每个方程的决定系数都很小,所以我们无法拒绝B i =0的假设,这说明B 系数对这些股票收益率的解释能力很差,系统风险在总风险中所占的比重不大,股票收益率对系统风险的补偿程度不高。
总之,CAPM 对样本空间中的单个股票是不适用的。
四、CA P M 的时间序列检验(分组识别法)为验证上述分析结果,可由CAPM 定义式引出时间序列检验BJS(B l ack ,Jensen 和Scho le)模型:R p ,t =C 0+C 1B p,t-1+e p ,t(4)其中R p ,t是第p 个组合的平均收益率,B p,t-1是根据前一期数据计算出的组合的当期B 系数估计值,e p,t 是随机误差项,C 0,C 1是待估参数。
令R p ,t 是e p ,t 的估计值。
其基本思想是,考虑到不同股票间可能存在结构性的差异,根据B 的大小进行分组,并由其平均收益率来看B 对收益率的解释能力。
这样的检验方法自然比标准形式的CAPM 检验更为准确有效。
其具体步骤为,先取以上选定的100只股票,将2005年5月1日至2007年4月30日共24个月平分为3个时间段,即2005年5月1日至2005年12月31日,2006年1月1日至2006年8月31日,2006年9月1日2007年4月30日。
再利用第1期的数据算出每只股票的B 系数,并按所得系数的大小顺序由高到低划分10个组合,每个组合含有10只股票;利用第2期的数据,计算出每个组合的日收益率(组合的收益率是由组合中各只股票收益率的简单算术平均值求得),对组合的收益和市场组合收益进行时间序列回归,估计出每个组合的B 系数,同时估计出R p ,t 。
最后,根据公式(4),利用第3期数据针对各个组合进行回归,回归结果如下。
表2(显著性水平为0105)C 0的估计t-va l ue C 1的估计t-value rsquare 010048643011030010167636071130842701176275检验结论:由上表2可见,在显著性水平为0105的情况下,上述C 0和C 1的t 值都小于临界值,同时,结论中的决定系数很小,所以我们无法拒绝和都为零的假设,也就是无法区分系统风险和非系统风险在股票收益率中各自的影响程度。
但另一方面,比较本模型与上一个模型的t 值可知,截距项的t 值在降低,B 系数的t 值在增加,这说明模型本身还是得到了一定改善的,但这样的改善对我们的帮助不大,故我们要进行截面回归检验。
五、CA P M 的截面回归检验横截面检验是基于时间序列检验中B 不足以解释所有的收益率,故可以通过增加变量来检验是否存在B 之外的对股票收益率具有解释能力的因素(如股票规模,但在本文中我们不做B 之外的因素的细分)。
CA P M 检验的截面回归模型一般用F a m a -M acbeth 模型。
本文根据F M 模型,可针对第3期数据,计算出各组的日收益率并利用第2期BJS 检验中估计出的B p ,t-1、B 2p,t-1及R p,t 三个因素,分别代入下列几个模型进行进一步回归分析并检验。
该F M 模型的基本思想是:先基于B 的估计值,反过来用O LS 来预测每一时间截面的收益,即求出C 0和C 1的估计值;再将这些预测值归总起来,分析^C 0和^C 1,判断等是否等于零,从而判断B p,t-1即系统风险是否对收益率有解释能力及能力的大小。
故检验结果中要写出参数估计值、相应的t 值和显著性三个结果。
假定B 已知,则第p 组股票在时间t 的回归模型为:R p,t =C 0+C 3R p ,t +E p,t(5)R p,t =C 0+C 1B p ,t-1+C 2B 2p ,t-1+E p ,t(6)R p,t =C 0+C 1B p ,t-1+C 2B 2p ,t-1+C 4R p,t +E p ,t(7)其中,R p ,t 是第p 组股票在时间t 的平均收益率,C 0、C 1、C 2、C 3和C 4是各待估计参数,B p,t-1是第p 组股票根据t-1期数据计算出的组合在t 期的B 系数估计值,R p,t 是(4)式中回归残差的标准差,E p ,t 是各模型的随机误差项。