股票市場仍然存在超額收益嗎？
——基于條件資本資產定價模型的研究

陽佳余 趙澤宇 張少東

資本資產定價模型(CAPM)是現代金融學的基石之一。這一框架討論當投資者遵循均值方差原則選擇最優資產組合時資產均衡價格是如何依風險而定。早期實證研究支持了這一觀點，比如 Jensen 等(1972)以及 Fama和Macbeth(1973)的研究。隨后出現了越來越多無法用 CAPM 模型解釋的市場異象，比如市場規模效應(Banz，1981)、杠桿效應(Bhandari，1988)、賬面市值比效應(Fama and French，1992)、流動性效應(Amihud，2002)、資產增長效應(Cooper et al.，2008)、現金流波動性(Haugen and Baker，1996)、異質性(Ang et al.，2006)以及投資效應(Titman et al.，2004)和動能效應(Jegadeesh and Titman，1993)等。

在傳統 CAPM 模型中，一個重要假設是投資者具有相同投資期限，資產的β值不隨時間變動。部分研究放松“所有投資者均只有一期投資期限”的假設，提出跨期資本資產定價模型(Intertemporal CAPM)。Merton(1973)認為，投資者不僅關心某一時期投資收益的最大化，還關心整個生存期間消費效用的最大化；投資風險不僅來源于證券價格的不確定性，還來源于消費品未來相對價格以及未來投資機會等，這些風險稱為超市場風險，而實際中對各種額外風險進行準確的估價和補償是困難的(Guo and Whitelaw，2006；Bali，2008；Bali and Engle，2010)。另一類研究則放松資產β值固定不變的假定，提出條件資本資產定價模型(Conditional CAPM)。條件 CAPM模型將時變性引入模型，使傳統靜態 CAPM 模型研究擴展到動態研究，并希望以此來解決諸如截面收益的擬合優度過低、定價誤差過大、截面收益呈現規模效應和賬面市值比效應等問題。宋軍和吳沖鋒(2008)對金融資產定價異常現象的研究進行了綜述。

在實證研究方面，國內學者多遵循傳統CAPM模型和FF三因子模型從時間序列角度進行分析，忽略了橫截面分析。本文不僅研究了條件 CAPM 模型對收益數據的時序分析和截面分析，并對傳統 CAPM 模型、FF三因子模型以及條件 CAPM 模型進行比較研究。

一、條件CAPM模型的分析框架

Bollerslev 等(1988)研究證明資產收益的條件協方差矩陣具有自回歸效應。Jagannathan和Wang(1996)假設市場β,可變，將條件單因子模型轉化為無條件雙因子模型，表明條件 CAPM 模型能較好地解釋股票橫截面收益，而將人力資本納入考慮后的無條件三因子模型在解釋股票橫截面收益上又有明顯改進。Wu(2002)利用 GMM方法發現條件三因子模型能很好地解釋美國股票市場的動量效應和反轉效應。早在1973年，Fama Macbeth就對時變β,進行了研究，他們利用 60個月的滑動窗口技術(rolling window)計算出月度市場β,，并進行截面回歸。一類模型假設β,是宏觀經濟變量和公司特征變量的函數，模型可以表示為：

其中，Zt-1是宏觀變量的k維向量，δ0i是常系數，是k維宏觀變量的系數。Shanken(1990)將市場β,表示成關于利率和利率波動率的線性模型，然后通過回歸估計系數得到條件市場β,。Lettau和Ludvigson(2001)基于消費CAPM模型，利用作為預測變量對β,進行建模，其中表明消費、資產財富和收入共同的隨機趨勢。還有一類研究利用GARCH模型。不同于對市場β,直接建模，GARCH族模型考慮對條件方差和協方差建模。Bali(2008)利用二元GARCH模型估計條件市場β,，發現其能較好地解釋 Fama-French的 25組資產組合平均收益。Engle(2002)提出了動態條件相關系數GARCH模型，通過估計股票組合和市場指數收益率的條件方差和動態相關系數得到時變β,系數。最后一種是非參數估計方法(Robinson，1989；Stanton，1997；Lewellen和Nagel，2006；Li和Yang，2009)。

傳統模型的實證檢驗結果表明，在我國市場β對收益的橫截面差異沒有解釋能力，阮濤和林少宮(2000)、陳浪南和屈文洲(2000)的研究均拒絕了SLB模型。對于FF三因子模型實證檢驗則沒有得到統一的結論。范龍振和余世典(2002)發現，中國 A股市場存在明顯的金融異象，市場β不能解釋截面收益差異，但FF三因子模型的解釋能力較好，類似觀點的研究者還有朱寶憲和何治國(2002)以及 炘楊和陳展輝(2004)。基于多因子模型的研究，陳信元等(2001)討論了財務杠桿和市盈率的作用。李家偉(2013)認為好β和壞β均不能解釋股票回報的橫截面信息。何孝星和于宏凱(2003)以條件 CAPM 作為風險調整模型分析證券投資基金業績；羅登躍等(2007)基于條件CAPM 模型分析了深圳市場的時變β,效應。王宜峰等(2012)采用 GMM 方法分析了單狀態變量條件CAPM模型和多狀態變量條件CAPM模型。

本文的研究基于 Harrison和Kreps(1979)提出的隨機折現因子(stochastic discount factor)模型和Lettau和Ludvigson(2001)研究。市場中無套利時，對于任意可交易資產存在一個隨機折現因子，使得下式成立：。Et[?]表示基于 t時刻信息的條件期望因子，Ri,t+1為資產 i在 t+1時期的收益，Mt+1即為隨機折現因子。，Re,t+1為有效集上任意一點的收益。稱為條件線性因子模型。當其參數為恒定常數時轉化為無條件線性因子模型：。

由條件線性因子模型可以推導出條件β,的表達式(Lettau & Ludvigson，2001)：。其中，R0,t是零β投資組合的收益，與隨機折現因子不相關，βit為資產i的條件β，于是有：，。

如果條件矩是時變的，上式中的參數 bt一般而言不應是常數，不妨假設參數at、bt由 t時刻的具有預測作用的信息變量zt決定，特別的，可將參數at、bt寫成如下線性形式：。將其帶入可得：，于是有：。

在資本資產定價模型中，資產的收益可能與一些基礎因子(fundamental factor)相關，將第j個基礎因子記為fjt。例如FF三因子模型中，三個組合收益數據均為基礎因子，并構成列向量 ft。定義，其中 ft+1為基礎因子，化簡為，其中。將其帶入上式可寫為：。其中，列向量，γ0是標量，是變量前的恒定系數。于是可得到β恒定的無條件多因子β表達式為：。其中，為零β組合收益的均值，且與隨機折現因子無關。β可通過對收益數據的多因子回歸分析得到，其表達式為：。由上式可得：。需要注意的是，此處得到的λ并不能直接解釋為風險的價格。因為每一個無條件多因子模型都是從對應的條件多因子模型推導而來的。例如，假設條件 CAPM 模型可以寫為表示市場收益，由此可以推導得到對應的無條件多因子模型為：。對于一個給定的條件線性因子模型，其中，條件β由下式給出：。其中，，是t時期基礎因子的風險價格，表達式如下：。該式的風險價格與系數λ無直接關系，此方法不用于λ的估計，但得到的λ可用于計算，將這里的b'與通過定義得到的 bt進行比較。當沒有進一步的假定條件時，不能計算出基礎因子的風險價格，因為條件協方差未知。

二、傳統CAPM模型和FF三因子模型的實證檢驗

(一)數據選擇及其統計描述

本文研究對象為滬、深兩市 A股市場，剔除 ST和金融行業以外的所有股票月度收益數據，樣本期從1995年7月到2014年12月。數據來自于CCER數據庫、銳思數據庫和萬德數據庫。

在剔除 ST股票和金融行業股票后，采用 Fama和French(1992)的二維分組方法對符合要求的股票進行分組。分組原則如下：首先，在 t年 6月對股票依照市值(Size)和賬面市值比(B/M)進行獨立分組，以股票在t年6月末市值作為分組依據，賬面市值比中的市值為 t-1年年末市值，對應的賬面價值也為 t-1年所對應會計年度的賬面價值。第二步，剔除在接下來 12個月中收益數據不完整的股票。第三步，把符合要求的股票按照市值和賬面市值比各取5個分位數點，分為55組，其中Size-1到Size-5分別表示市值從最小到最大的組合，B/M-1到B/M-5分別表示賬面市值比從最小到最大的組合。將每個組合內股票的月度收益數據按照市值進行加權平均，得到該組合的12個組合月度收益數據。重復這一操作，可得組合月收益的一組時間序列數據。將時序的組合收益數據進行簡單平均后得到每個組合的平均月度收益數據如表1所示，收益數據來源于銳思數據庫。

表1 組合平均月度收益

縱向地看，組合收益均值隨著組合市值增大而減小；橫向地看，除了(1，3)①(x，y)表示(Size-x，B/M-y)的組合。組合之外，組合的收益均值隨組合的賬面市值比增大而增大，即中國市場存在明顯的規模效應和賬面市值比效應。

(二)傳統CAPM模型的測算

本文采用 Fama-MacBeth 的兩步回歸法②由于后文對條件 CAPM 進行回歸檢驗時，采用的收益數據從1997年 7月開始，作為對照，對傳統 CAPM的實證研究也選擇從1997年7月開始進行。，首先，對每一組合的收益數據進行時間序列回歸，得到在樣本區間上恒定的組合β,值；然后用每個組合收益的時間均值對第一步獲得的截面組合β,值進行回歸，檢驗β,對截面收益的解釋能力。其模型表達式為：

其中，Rit為組合 i的月度收益數據，計算方式如前文所述；Rmt為市場組合的收益，在實證中采用股票指數收益進行替代。由于本文研究對象包括滬、深兩市股票，因此市場組合選用滬深300指數進行分析。滬深300指數從2005年4月8日起開始發布，反映了滬、深兩市流動較性強且規模較大股票股價的綜合變動情況。此前，上證綜合指數和深證綜合指數已于1991年7月15日和1991年4月3日起開始實時發布。

比較三個指數的時間趨勢圖可以發現③限于篇幅，未列出。，上證指數與滬深 300指數的走勢大致吻合，且滬市總市值、發展程度和影響力均大于深圳證券交易市場，因此在 2005年 4月之前選擇上證指數作為市場組合的模擬，2005年4月后選擇滬深300指數作為市場組合的模擬。

Rft為無風險收益，本文采用銳思數據庫中提供的無風險收益數據。具體而言，無風險收益數據的選擇標準為：2002年8月前采用三個月定期銀行存款利率；2002年8月到2006年10月采用三個月中央銀行票據的票面利率；2006年10月后，采用上海銀行間3個月同業拆放利率。

首先，對組合收益數據進行時序回歸得到每個組合在樣本區間的組合β，結果如表2所示。傳統 CAPM 模型的市場β,值均顯著異于零，說明市場組合的收益可以捕捉到組合時序的收益變化；而且除了 Size-2的五個組合外，大都表現出隨著賬面市值比增加而增大的趨勢，在市場超額收益大于零的情況下，可以部分解釋賬面市值比效應；縱向的看，市場β,并未表現出明顯的趨勢性，規模效應不能得到解釋。此外，如果靜態CAPM 模型成立，則回歸得到截距項系數α應為零。表2中，截距項系數α基本表現出隨著規模增大而減小的規模效應特征，隨著賬面市值比增大而增大的賬面市值比效應特征。市值較小的組合中，截距項系數α幾乎全部顯著異于零；賬面市值比較大的組合中，α顯著的組合也多于不顯著的組合。其次，用組合收益的時間均值對第一步得到的組合截面β數據進行回歸：。

表2 傳統CAPM模型的時間序列回歸

從表3可以看到方程的擬合優度僅有2.64%,，說明傳統CAPM模型對截面收益的解釋能力較弱，組合截面收益的大部分并不能被靜態市場β,值所捕捉。同時，市場β,的系數為1.87，并不顯著，這與Fama和French(1992)的研究結果相同，恒定的組合β,不能解釋截面收益的情況。

表3 傳統CAPM模型的截面分析

(三)FF三因子模型的經驗分析

由于市場存在較強的規模效應和賬面市值比效應，Fama和French(1992)提出了三因子模型，三個因子分別為市場組合的超額收益、用于捕捉規模效應的因子(SMB)和用于捕捉賬面市值比效應的因子(HML)。SMB和HML的構造方法均基于FF的二維分組方式，將每一時期的股票規模分為 S、B兩組，賬面市值比分為 L、M、H三組。每一期得到的 6組數據(S/L、S/M、S/H、B/L、B/M、B/H)中，用小市值股票的收益數據減去大市值股票收益數據，得到 SMB；用賬面市值比大的股票收益數據減去賬面市值比小的股票收益數據，得到HML。即SMB=(S/L+S/M+S/H)-(B/L+B/M+B/ H)；

其中，βm表示市場β，βsmb表示規模效應因子對應的β，βhml表示賬面市值比效應對應的β，上式中其他各符號代表的意義同前。

第一步，對組合的收益數據進行時序回歸。從表4可以看出，市場β均是顯著的，說明市場組合收益是解釋組合收益的時間序列變化不可或缺的變量，且其擬合值與 t值均未有明顯下降。規模因子β的 t值隨著規模的增大而減小，且除了規模最大的幾個組合外，均顯著異于零，說明隨著規模的增大，規模效應因子對時間序列的收益變化捕捉能力減弱。賬面市值比因子β的 t值大體上呈現出隨著賬面市值比增大而增大的趨勢，當賬面市值比較大或較小時，賬面市值比因子是解釋時序收益數據的必要因子，當賬面市值比落于中間組合時，該因子對時序收益的解釋能力大大降低。

B/M-1 B/M-2 B/M-3 B/M-4 B/M-5 B/M-1 B/M-2 B/M-3 B/M-4 B/M-5

表4 FF三因子模型的時間序列分析

將表4與表2進行對比，發現三因子模型得到的組合α更接近于零，且不再表現出隨規模和賬面市值比變化的趨勢，此外，僅有少數組合的α顯著。這些均表明，從時間序列數據上來看，三因子模型是比傳統靜態 CAPM 更優的模型。靜態 CAPM 模型對收益數據進行時間序列回歸時，擬合優度從 54.39%,到90.58%,不等；FF三因子模型的擬合優度則普遍高于90%,，表現出明顯優勢。

第二步，用組合收益時間均值對得到的組合的βm、βsmb、βhml截面數據進行回歸：

由表5可知，三因子模型可以很好地提高對截面收益的解釋能力，模型的擬合優度從靜態 CAPM 的 2.64%,大幅提升到 83.15%,。三個β值系數中，規模效應估計系數s和市值效應估計系數h均非常顯著，但市場組合β的系數并不顯著。

三、條件CAPM模型的經驗研究

(一)獲得時序α值以及β,值

條件CAPM模型中，β,是隨時間可變的，本文采用Fama-MacBeth(1973)滑動窗口的方法獲得時序β,值。作為一種非參方法，滑動窗口模型不會因模型參數設定不當而導致可能錯誤。根據滑動窗口方法，當期β值用滯后 24個月的月度收益數據獲取，即t期的組合β值由t-24到t-1期的組合月度收益回歸得到。每個組合得到的時序組合β值是從1997年7月到2014年12月共有210個值的β的時間序列。表6列出了靜態CAPM模型下各組合α、β值和各組合時序α、β值的統計特征。

表6 靜態β和動態β的統計特征

驗證條件 CAPM 是否成立即為驗證條件α是否為零(Lewellen & Nagel，2006)，越接近零，則模型越優。總體上條件 CAPM 并沒有有效降低定價誤差，只有當規模較小或較大時，條件α略小于靜態CAPM的無條件α，表現出一定優勢。

靜態β和動態β的均值有顯著差異。本文僅選取兩個極端組合(1，1)和(5，5)，繪制出了組合靜態β和組合動態β的分布情況。由圖中可以看出，組合β隨時間動態波動，放松恒定β這一假設條件可以更好地模擬實際市場情況。

圖1 組合(1，1)動態β的波動情況

圖2 組合(5，5)動態β的波動情況

(二)確定狀態變量

國外文獻中常用的狀態變量有滯后的市場收益、國債利率、股息收益率還有期限利差、消費財富比(cay)、D/P等。國內學者王宜峰(2012)選擇了 Shibor、廣義貨幣余額(M2)變動率、社會消費品零售總額變動率、固定資產投資變動率、CPI作為狀態變量進行實證研究。本文選擇狀態變量的原則有：首先要盡可能涵蓋影響β和收益的宏觀或金融因素，主要包括市場因素、貨幣因素、國際貿易因素、投資因素、價格因素、匯率因素等；其次，所選擇狀態變量要能反映β的時變特性。

基于此，本文首先選擇如下變量作為備選狀態變量。貨幣因素包括 M0同比增長率、M1同比增長率、M2同比增長率；匯率因素包括美元兌人民幣匯率；國際貿易因素包括月度貿易差額、月度貿易差額同比增長率；價格因素包括消費者價格(CPI)同比增長率、商品零售價格指數(RPI)同比增長率、生產價格指數(PPI)同比增長率；投資因素包括固定資產投資完成額；消費因素包括社會零售品消費總額同比增長率；市場因素包括滯后 1、2、3期的市場收益率；其他綜合因素包括宏觀經濟預警指數①預警指數是把經濟運行的狀態分為 5個級別，“紅燈”表示經濟過熱，“黃燈”表示經濟偏熱，“綠燈”表示經濟運行正常，“淺藍燈”表示經濟偏冷，“藍燈”表示經濟過冷。、宏觀經濟一致指數②一致指數是反映當前經濟的基本走勢，由工業生產、就業、社會需求(投資、消費、外貿)、社會收入(國家稅收、企業利潤、居民收入)4個方面合成。、宏觀經濟先行指數③先行指數是由一組領先于一致指數的先行指標合成，用于對經濟未來的走勢進行預測。、宏觀經濟滯后指數④滯后指數是由落后于一致指數的滯后指標合成得到，它主要用于對經濟循環的峰與谷的一種確認。、消費者信心指數⑤消費者信心指數(Consumer Confidence Index，CCI)是反映消費者信心強弱的指標，是綜合反映并量化消費者對當前經濟形勢評價和對經濟前景、收入水平、收入預期以及消費心理狀態的主觀感受，是預測經濟走勢和消費趨向的一個先行指標，是監測經濟周期變化不可缺少的依據。、消費者滿意指數、消費者預期指數⑥消費者預期指數是普通消費者對收入、生活質量、宏觀經濟、消費支出、就業狀況、購買耐用消費品和儲蓄在未來一年的預期及未來兩年在購買住房及裝修、購買汽車和未來6個月股市變化的預期。。前幾個變量模擬的都是單一的宏觀或經濟因素，最后幾個指數指標在編制時就考慮了多種宏觀和金融指標，是一種綜合指數從而反映了多種因素變化情況。第一步，研究各組合時變β與狀態變量的相關系數，相關性越強說明備選變量與時變β的波動特征更相似，能夠在一定程度上模擬時變β的變動⑦由于篇幅所限，完整的相關系數表不在此處列示，如有需要可向作者索要。。第二步，用各個備選狀態變量對每個組合的時序β進行回歸，看哪些變量能較好捕捉β變化，衡量標準為各備選狀態變量對時變β回歸的擬合優度值。

由表7可知，當用單一備選狀態變量對組合收益進行時序回歸時，依擬合優度大小排序，前幾名的備選狀態變量與之前通過計算相關系數得到的狀態變量呈現了高度的重合性。本文采用 CPI同比增長率、RPI同比增長率、PPI同比增長率、社會消費品零售總額同比增長率、美元兌人民幣匯率、無風險利率、固定資產完成額、宏觀經濟預警指數、宏觀經濟一致指數、宏觀經濟滯后指數這些變量對時變β進行模擬。

表7 備選狀態變量的擬合優度

(三)條件CAPM對時序收益和截面收益的解釋

條件CAPM模型的一般表達式如下：

參考Lettau和Ludvigson(2005)、Santos和Veronesi(2006)的模型，將靜態CAPM模型中恒定的α和β改寫成單一狀態變量線性函數。組合收益不僅受到市場組合影響，還受到狀態變量以及狀態變量與市場組合收益交叉項影響，如下式所示：

對每個投資組合分別做 24個狀態變量的單變量時間序列分析，得到各狀態變量對應的β值、市場組合β值、交叉項對應的β值以及回歸截距項、擬合優度等信息，如表8所示。

表8 考慮單一狀態變量的條件CAPM模型時序回歸結果(僅列出部分組合結果)

續表8

續表8

結合表2、表4和表8可知，當狀態變量衡量的是價格因素和投資因素時，各組合條件α與靜態 CAPM 無條件α非常接近，小規模組合的條件α均顯著異于零。當RPI、CPI、PPI同比增長率進入模型后，條件α表現出較明顯的規模效應特征和賬面市值比效應特征，即條件α隨著規模的增大而減小，隨著賬面市值比的增大而增大；當固定資產完成額進入模型后，條件α表現出較為明顯的賬面市值比效應特征而未表現出規模效應特征。因此，價格因素和投資因素作為狀態變量時，從時間序列角度的定價誤差來看，條件CAPM并不優于靜態CAPM。

當狀態變量為其他變量時，從時序定價誤差的角度看，條件 CAPM 不僅優于靜態CAPM模型，也比FF三因子模型表現出更好定價能力。當狀態變量為無風險利率時，表現出輕微規模效應特征，但所有投資組合的條件α均不顯著。當狀態變量為匯率因素時，僅有個別條件α顯著，比如組合(3，1)和(4，1)。當考慮社會零售品消費總額同比增長率時，僅有組合(5，1)與(5，4)在 10%,顯著性水平上顯著。當其他綜合指數作為狀態變量時，條件α不僅沒有表現出明顯規模效應特征和賬面市值比效應，且條件α均不顯著，時序角度定價能力較強①表8中狀態變量為“固定資產完成額”時，所有投資組合的估計系數值過小，不進入下一步截面回歸。。從時序回歸的擬合優度來看，各個狀態變量對特定組合的擬合優度差異不大。條件 CAPM 的時間序列擬合優度大體上與靜態 CAPM相當，與FF三因子模型的擬合優度相差較大。

下面進行截面回歸分析，用各組合收益的時間均值對上面得到的三個β值進行OLS回歸，研究加入狀態變量后，對截面收益的解釋能力是否有所提高。

由表9可知，通過狀態變量來模擬時變β可以增強對截面收益的解釋力，擬合優度均有不同程度提高。

表9 條件CAPM模型的截面回歸結果

當狀態變量為宏觀預警指數、PPI同比增長率和美元兌人民幣匯率時，市場組合β的系數顯著異于 0，說明這三個狀態變量的加入可以提高市場β對截面收益的解釋能力；當狀態變量為宏觀預警指數和美元兌人民幣匯率時，交叉項β的系數顯著，交叉項β也對截面系數具有一定的解釋能力。如前所述，靜態 CAPM 模型和FF三因子模型的截面回歸中，市場β的系數均不顯著，但在條件CAPM中，當狀態變量為宏觀經濟預警指數、PPI同步增長率、美元兌人民幣匯率時，市場β的系數顯著。尤其是當狀態變量為宏觀經濟預警指數時，模型擬合優度最高，同時三個β值系數均顯著異于 0。從截面上看，可認為宏觀經濟預警指數是最優的狀態變量。此外，PPI同比增長率作為狀態變量時也獲得了較高的 R2提升，且狀態變量β值及市場組合β值的系數均顯著異于0。因此，價格因素與利率因素的狀態變量，和一些綜合指數如宏觀經濟預警指數、一致指數等，都可以作為較好的狀態變量選擇，從而在截面上更好地改進靜態CAPM。

四、結 論

本文放松了傳統 CAPM 模型的恒定參數假定，在隨機折現因子的框架下，運用Fama-MacBeth的兩步驟回歸方法，從條件CAPM模型的角度出發，研究引入時變β對資本資產定價模型能否有所改進。首先從時間序列角度進行分析，獲得每個投資組合對應不同狀態變量時相應的β值，并分析不同因子對時序收益的解釋能力；第二步用截面的組合收益時間均值對第一步獲得β值進行 OLS回歸，觀察加入時變特性后的模型是否提高了截面回歸的擬合優度。對于狀態變量的選擇采用的是通過滑動窗口方法估計的組合β值時間序列，在已知時序β值的條件下，依據相關系數和變量對β波動捕捉情況來選擇狀態變量。總體上，本文即是通過傳統CAPM模型、FF三因子模型以及條件CAPM模型的橫向比較，判斷條件CAPM模型在中國股票市場的適用性。

通過對依據規模和賬面市值比分組的25個投資組合進行傳統CAPM模型的經驗分析，我國 A股市場存在明顯的規模效應和賬面市值比效應；市場組合對時序收益的解釋能力受組合影響較大，不同組合的靜態α值也反映較大定價誤差；恒定市場β對組合的截面收益幾乎沒有解釋力。FF三因子模型不僅能夠穩定地解釋組合時序收益，且擬合優度均達到 90%,以上，定價誤差也有效降低；在截面上，三因子模型也獲得了很高擬合優度值，但在截面分析中市場組合β的系數依舊不顯著，并沒有改變傳統CAPM模型中市場組合β對截面收益解釋乏力的事實。

通過滑動窗口回歸得到各個組合的時序α、β值，進一步證實了組合β的時變特性，說明簡單假定β恒定的做法并不可取。比較相關性及不同宏觀、金融變量對時序β的擬合情況，發現價格因素、匯率因素、利率因素、投資因素、產出因素和綜合指數均可以在一定程度上模擬β的時變特征。從時序回歸角度看，條件CAPM模型對時序收益的擬合能力相比于傳統CAPM模型并沒有顯著提升，價格因素和投資因素也沒有有效改善定價誤差；但當狀態變量為匯率因素、利率因素、產出因素或綜合指數時，此時定價誤差不僅明顯小于傳統 CAPM 模型，也優于 FF三因子模型。從截面回歸角度看，相比于傳統 CAPM 模型，時變β的引入可以明顯提升模型對截面收益的解釋力，但不同狀態變量對模型擬合優度的提升程度有較大差異，而且狀態變量的引入可以在很大程度上提升市場β在模型中的解釋能力，這是對傳統CAPM模型和FF三因子模型非常直觀的改善。

［1］陳浪南，屈文洲.資本資產定價模型的實證研究[J].經濟研究，2000(4)：26-34.

［2］陳信元，張田余，陳冬華.預期股票收益的橫截面多因素分析：來自中國證券市場的經驗證據[J].金融研究，2001，6(22)：22-35.

［3］范龍振，余世典.中國股票市場的三因子模型[J].系統工程學報，2002，17(6)：537-546.

［4］何孝星，于宏凱.條件 CAPM 下我國證券投資基金業績的實證研究[J].南開經濟研究，2003(6)：68-71.

［5］李家偉.極端事件真的能塑造投資者預期？——基于“壞β”“好β”資產定價理論的實證檢驗[J].經濟學(季刊)，2013，13(1)：151-174.

［6］羅登躍，王春峰，房振明.深圳時變 Beta條件 CAPM 實證研究[J].管理工程學報，2007(4)：102-109.

［7］阮 濤，林少宮.CAPM 模型對上海股票市場的檢驗[J].數理統計與管理，2000，19(4)：12-17.

［8］宋 軍，吳沖鋒.金融資產定價異常現象研究綜述及其對新資產定價理論的啟示[J].經濟學(季刊)，2008，7(2)：701-730.

［9］王宜峰，王燕鳴，張顏江.條件 CAPM 與橫截面定價檢驗：基于中國股市的經驗分析[J].管理工程學報，2012，26(4)：137-145.

［10］楊 炘，陳展輝.中國股市三因子資產定價模型實證研究[J].數量經濟技術經濟研究，2004(12)：137-141.

［11］朱寶憲，何治國.β值和帳面/市值比與股票收益關系的實證研究[J].金融研究，2002(4)：71-79.

［12］Amihud Y.Illiquidity and Stock Returns：Cross-section and Time-series Effects[J].Journal of Financial Markets，2002(5)：31-56.

［13］Ang A.，Robert J.H.，Xing Y.H.，Zhang X.Y.The Cross-section of Volatility and Expected Returns[J].Journal of Finance，2006(61)：259-99.

［14］Bali T.G.，Engle R.F.The Intertemporal Capital Asset Pricing Model with Dynamic Conditional Correlations[J].Journal of Monetary Economics，2010，57(4)：377-90.

［15］Bali T.G.The Intertemporal Relation Between Expected Returns and Risk[J].Journal of Financial Economics，2008，87(1)：101-31.

［16］Banz R.W.The Relationship Between Return and Market Value of Common Stocks[J].Journal of Financial Economics，1981，9(1)：3-18.

［17］Bhandari L.C.Debt/Equity Ratio and Expected Common Stock Returns：Empirical Evidence [J].The Journal of Finance，1988，43(2)：507-28.

［18］Bollerslev T.，Engle R.F.，Wooldridge J.M.A Capital Asset Pricing Model with Time-varying Covariances[J].The Journal of Political Economy，1988，96(1)：116-31.

［19］Cooper M.J.，Gulen H.，Schill M.J.Asset Growth and the Cross Section of Stock Returns [J].Journal of Finance，2008，63(4)：1609-52.

［20］Engle R.Dynamic Conditional Correlation：A Simple Class of Multivariate Generalized Autoregressive Conditional Heteroskedasticity Models[J].Journal of Business & Economic Statistics，2002，20(3)：339-50.

［21］Fama E.F.，French K.R.The Cross-section of Expected Stock Returns[J].Journal of Finance，1992，47(2)：427-65.

［22］Fama E.F.，MacBeth J.D.Risk，Return，and Equilibrium：Empirical Tests[J].The Journal of Political Economy，1973：607-36.

［23］Guo H.，Whitelaw R.F.Uncovering the Risk-return Relation in the Stock Market[J].The Journal of Finance，2006，61(3)：1433-63.

［24］Haugen Robert A.，Nardin L.Baker.Commonality in the Determinants of Expected Stock Returns[J].Journal of Financial Economics，1996，41(3)：401-39.

［25］Jagannathan R.，Wang Z.The Conditional CAPM and the Cross-section of Expected Returns[J].The Journal of Finance，1996，51(1)：3-53.

［26］Jegadeesh N.，Titman S.Returns to Buying Winners and Selling Losers：Implications for Stock Market Efficiency[J].Journal of Finance，1993，48(1)：65-91.

［27］Jensen M.C.，Black F.，Scholes M.S.The Capital Asset Pricing Model：Some Empirical Tests[J].Social Science Electronic Publishing，1972，94(8)：4229-32.

［28］Lettau M.，Ludvigson S.Resurrecting the(C)CAPM：A Cross-sectional Test When Risk Premia Are Time-varying[J].Journal of Political Economy，2001，109(6)：1238-87.

［29］Lewellen J.，Nagel S.The Conditional CAPM Does Not Explain Asset-pricing Anomalies[J].Journal of Financial Economics，2006，82(2)：289-314.

［30］Li Y.，Yang L.Underconditioning and Overconditioning：Testing the Conditional CAPM and the Conditional Fama-French Three-factor Model[R].Working Paper，Cornell University，Ithaca，NY，2009.

［31］Merton R.C.An Intertemporal Capital Asset Pricing Model[J].Econometrica，1973，41(5)：867-87.

［32］Robinson P.M.Nonparametric Estimation of Time-varying Parameters[M].Verlag Berlin Heidelberg：Springer，1989.

［33］Shanken J.Intertemporal Asset Pricing：An Empirical Investigation[J].Journal of Econometrics，1990，45(1)：99-120.

［34］Stanton R.A Nonparametric Model of Term Structure Dynamics and the Market Price of Interest Rate Risk[J].The Journal of Finance，1997，52(5)：1973-2002.

［35］Titman S.，Wei K.，John C.，Xie F.X.Capital Investments and Stock Returns[J].Journal of Financial and Quantitative Analysis，2004，39(4)：677-700.

［36］Wu X.A Conditional Multifactor Analysis of Return Momentum[J].Journal of Banking &Finance，2002，26(8)：1675-96.