关于CAPM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。
中国股票市场CAPM的实证研究
中国股票市场CAPM的实证研究中国股票市场CAPM的实证研究摘要：资本资产定价模型（Capital Asset Pricing Model，简称CAPM）是一种被广泛应用于金融市场的理论模型，用于计算股票或资产的期望收益率。
本文旨在通过实证研究探究CAPM在中国股票市场中的适用性和有效性。
关键词：CAPM、中国股票市场、实证研究1. 引言中国股票市场在过去几十年间取得了快速发展，成为全球最大的股票市场之一。
随着市场的发展，投资者对于股票报酬的预期也变得更加重要。
为了准确评估投资风险和期望收益，金融学家们提出了CAPM模型，试图找到一个与风险有关的合理预期收益率。
2. CAPM模型的理论基础CAPM模型是由Sharpe(1964)、Lintner(1965)和Mossin(1966)等学者独立提出的。
它基于市场均衡理论，假设投资者的理性追求最大化效用。
3. CAPM模型的基本假设CAPM模型的有效性建立在一系列假设之上，其中最重要的是市场的完全竞争性和无套利机会。
此外，CAPM还假设投资者具有相同的投资期望值和风险偏好。
4. 使用研究方法本文选取了中国股票市场中的多个股票作为研究样本，通过历史股票价格和市场指数来计算股票的期望收益率。
然后，将这些数据代入CAPM模型中，计算每只股票的预期阿尔法和贝塔。
5. 研究结果及讨论通过对研究样本的实证分析，本文发现，中国股票市场中的股票普遍存在较高的贝塔值，这表明市场波动对股票收益的影响非常显著。
然而，对于预期的阿尔法值，结果却表现出一定的偏差。
这可能是因为CAPM模型中初始假设中的完全竞争性和无套利机会在中国股票市场中并不总是成立，因此存在一定的市场摩擦。
6. 结论和建议综上所述，本文的实证研究结果显示，中国股票市场中的股票收益率普遍具有较高的贝塔值。
然而，对于预期的阿尔法值，结果却较为不准确。
因此，在中国股票市场上，单纯依靠CAPM模型来估计股票的期望收益率可能不够准确。
基于医药上市公司的资本资产定价模型的实证检验
基于医药上市公司的资本资产定价模型的实证检验基于医药上市公司的资本资产定价模型的实证检验引言资本资产定价模型（Capital Asset Pricing Model，简称CAPM）是一种用于衡量证券投资回报与系统性风险之间关系的理论模型。
CAPM是金融学领域中最常用和广泛接受的定价模型之一，其已在许多金融市场和不同领域的实证研究中得到了广泛的应用。
本文将基于医药上市公司的数据，对CAPM进行实证检验，旨在探究医药上市公司的资本资产定价模型的有效性和适应性。
一、研究背景和目的资本资产定价模型是由贝塔模式和吉布森公式构成的，通过系统性风险和无法分散的市场风险来计算投资回报。
医药上市公司由于其特殊的行业属性和高度发展的科技，其股票价格和投资回报具有较高的波动性和不确定性。
本研究旨在验证CAPM在医药上市公司的可行性，并进一步探究其对医药行业风险的敏感性。
二、研究方法和数据选取本研究选取了中国A股市场中十家知名医药上市公司的股票数据作为研究样本，包括公司的股票价格、市场收益率和无风险收益率等。
首先，通过回归分析计算各家公司的贝塔系数，以衡量其相对于整个市场的风险敏感程度。
然后，利用计算得到的贝塔系数和市场收益率计算各个公司的期望回报率。
最后，通过对比各公司实际的市场回报率和计算的期望回报率，来验证CAPM的有效性。
三、实证结果和分析根据研究结果显示，所选取的医药上市公司的贝塔系数普遍高于1，表明这些公司的股票价格波动性相对于整个市场来说较高。
根据CAPM的理论，贝塔系数越高，对市场风险的敏感程度越高，预期回报率也就越高。
通过计算，发现与实际市场回报率相比，大多数公司的期望回报率较高，表明CAPM在医药行业的适应性较好。
进一步的分析显示，资本资产定价模型在医药上市公司中的应用并不完美。
其中一部分公司的实际回报率与计算得到的期望回报率存在一定的差异。
这可能是由于医药行业的不确定性和复杂性所导致的，这些因素可能会对市场回报率产生较大的影响。
CAPM在中国股市的有效性检验
CAPM在中国股市的有效性检验摘要：资本资产定价模型（Capital Asset Pricing Model，简称CAPM）是衡量风险报酬关系的经典模型之一，对于投资组合的构建和资本市场的有效性有重要意义。
本文通过对中国股市的数据进行实证分析，检验了CAPM在中国股市的有效性，并探讨了可能的影响因素。
一、引言资本市场的有效性是指市场中的股票价格是否充分反映了其内在价值。
有效市场假设认为，价格已经包含了所有可获得的信息，因此投资者无法利用信息来获取超额收益。
而CAPM模型则是使用市场风险与预期收益之间的关系来解释股票市场是否有效。
二、资本资产定价模型CAPM模型是由Sharpe（1964）、Lintner（1965）和Mossin （1966）等学者提出的，它假设了一个理性的投资者，用市场组合作为风险的代表，以及对风险敏感的理性投资者都追求组合的效用最大化。
该模型的公式为：E(Ri) = Rf + βi×(E(Rm)-Rf)，其中E(Ri)是股票i的预期收益，Rf是无风险收益率，βi是股票i的系统风险，E(Rm)-Rf是市场超额收益。
三、中国股市中CAPM的实证检验为了检验CAPM在中国股市的有效性，我们收集了A股市场2005年至2020年的日度数据，并按照CAPM的假设进行检验。
实证结果显示，在中国股市中，市场风险与预期收益之间存在正向关系。
这表明了CAPM模型在中国股市中的应用有效性。
然而，我们也发现一些非理想的情况。
首先，中国股市中通常存在较高的波动性，这可能导致股票价格与CAPM模型的预测值出现较大的偏离。
其次，由于中国股市的特殊性，如政策风险、信息不对称等因素的存在，可能会使CAPM模型在中国股市的解释能力有所下降。
四、影响CAPM在中国股市有效性的因素1. 市场特征：中国股市相对较新，市场机制和规则尚不完善，市场参与者的理性程度有待提高。
这些因素都可能对CAPM模型的预测能力产生一定的影响。
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。
《2024年资本资产定价模型的实证研究》范文
《资本资产定价模型的实证研究》篇一一、引言资本资产定价模型（Capital Asset Pricing Model，简称CAPM）是现代金融理论中的基石之一，用于衡量资产预期收益率与风险之间的关系。
该模型为投资者提供了在给定风险水平下如何选择最优投资组合的理论框架。
本文旨在通过实证研究，深入探讨CAPM在中国资本市场的适用性及其实践效果。
二、文献综述前人关于CAPM的研究主要集中在其理论框架的完善和实证检验。
国内外学者通过不同国家和地区的资本市场数据，对CAPM的有效性进行了广泛探讨。
总体来看，CAPM在发达国家市场表现出了较好的解释力，但在新兴市场和转型经济体中，其适用性尚存在争议。
因此，本文选择中国资本市场作为研究对象，以期为CAPM的进一步发展提供实证支持。
三、研究方法本研究采用实证研究方法，以中国A股市场为研究对象，选取具有代表性的股票数据作为样本。
通过计算各股票的β系数、市场风险溢价等因素，对CAPM进行实证检验。
在数据处理和分析过程中，采用SPSS等统计软件进行数据处理和描述性统计分析。
四、数据来源与处理本研究数据主要来源于万得（Wind）数据库，包括各股票的历史收益率、市场收益率、β系数等数据。
在数据处理过程中，首先对数据进行清洗和整理，确保数据的准确性和完整性。
然后，根据CAPM模型的要求，计算各股票的预期收益率、β系数和市场风险溢价等指标。
五、实证结果与分析1. β系数的计算与分析通过计算样本股票的β系数，我们发现大部分股票的β系数均大于零，表明这些股票的市场风险较高。
同时，我们还发现不同股票的β系数存在较大差异，这表明各股票对市场风险的敏感度不同。
2. CAPM的实证检验根据CAPM模型，我们计算了各股票的预期收益率，并将其与实际收益率进行比较。
通过对比分析，我们发现CAPM在一定程度上能够解释股票的预期收益率与风险之间的关系。
然而，在实际应用中，CAPM的解释力受到一定限制，可能受到市场环境、政策因素、投资者心理等多种因素的影响。
CAPM模型在A股市场适用性的实证检验
CAPM模型在A股市场适用性的实证检验CAPM模型在A股市场适用性的实证检验摘要：资本资产定价模型（Capital Asset Pricing Model, 简称CAPM）是由沃科兹（William.F.Sharpe）和莫甘斯坦（John.Lintner）基于马科维茨的均值-方差理论提出的，旨在解释资本市场中风险与回报之间的关系。
本文通过对A股市场上的股票数据进行实证研究，旨在检验CAPM模型在A股市场的适用性，并探讨可能存在的原因。
一、引言A股市场是中国最重要的股票市场之一，股票价格波动剧烈，风险性较高。
在这样的市场环境下，是否可以使用CAPM模型来解释股票的回报率成为了一个有趣且重要的问题。
本文通过实证研究，旨在探究CAPM模型在A股市场中的适用性。
二、CAPM模型的原理与假设CAPM模型认为，资产的风险可以分为系统风险和非系统风险。
系统风险是对冲无法消除的风险，非系统风险可以通过多样化投资来消除。
CAPM模型基于以下假设：（1）投资者是理性的和善于计算预期回报和风险的，（2）投资者追求风险最小化，并考虑预期回报，（3）投资者可以无限制地借入或贷款。
三、CAPM模型在A股市场的实证分析通过收集A股市场上的股票数据，本文采用CAPM模型计算每个股票的预期回报率。
然后，我们将实际回报与预期回报进行比较，以检验CAPM模型在A股市场的适用性。
实证结果显示，CAPM模型并不完全适用于A股市场。
首先，实际回报与预期回报之间存在一定的差异，说明投资者在计算预期回报时存在偏差。
这可能是由于A股市场的复杂性和不确定性导致的。
其次，即使在控制了非系统风险后，仍然存在大量未解释的系统风险。
这表明CAPM模型不能完全解释A股市场上的风险与回报之间的关系。
四、CAPM模型在A股市场的局限性分析CAPM模型在A股市场中的局限性主要包括以下几个方面：（1）资本市场的有效性假设并不成立，导致投资者无法根据过去的数据来预测未来的回报率；（2）投资者对风险的态度存在差异，有些投资者更愿意承担较高的风险以换取更高的回报；（3）CAPM模型忽视了市场流动性对回报率的影响，而A股市场的流动性普遍较低。
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。
- 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)。
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。