capm在中国股票市场的实证研究.doc
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。
上证股票的CAPM实证分析
２ 具体 分析 过程 （ 模 型 的设 定 １）
套能 够使 用的工 具。
２ 资产合 理的 “ ． 公平 定价 ”
Ｃ Ｐ Ａ Ｍ模 型描 述的是 在均 衡状 态 下证券 或统 风险 之 间的线 性关 系 ，但 是 由于 以上种种 ３ Ｃ Ｐ Ａ Ｍ模 型是 基于 资本 资产 的均 衡收 益基 础上 的预 测模 型 ，根 假 定的存 在使 得模 型与现 实情 况存 在着 不容忽 视 的差异 。 因此 ，本 据 它计 算 出 的预 期 收益 乃 是 均衡 收 益 。我 们 可 以通 过 对 某 资产 在 文 引入误 差项 以期 弥补 因模型 假定 或其余 不可 抗 因素 引起 的模 型 未 均 衡 时的预 期收益 与 其实 际收益 的比较 发现 价值 被高估 或低 估 的资 能 描述 的状 态 ，建立 以下一 元线性 回 归模 型 ： 产 ，再根 据 “ 买高 卖 ”原则 进行 投 资。 如 图表 １ 低 中所绘 出的证 券 Ｒｆｑ＝ １ｔ Ｒｍ一 ＋ ． 。ｌ ￣＋ （ ￡ ３ ＲＯ ￡ ｔ 市 场线 中位 于Ｓ 线 上端 的点说 明资产 的实 际期 望收益 高于 均衡 收 ＭＬ 益 说 明该资产 被市 场所 低估 ，此 时可作 出购 入该 资产 的投资 决策 。 反 之 ，位于Ｓ 线 下端 的点说 明该 资产 被高 估 ，此时若 仍持 有该 资 ＭＬ 产 应该做 出抛 售的投 资决 策。 本 文利 用 时 间序 列 最 ＆ －乘 线 性 回 归进 行 模 型模 拟 。 其 中 ， Ｒ 为证 券ｉ 时 刻的 收益率 ， Ｒ Ｒ是 证券 ｉ 时刻 的超额 收益 率 ， “ 在ｔ ，ｔ ｒ 在ｔ Ｒ 是市场 组合 Ｉ 时刻 的收益 率 ，Ｒ Ｒ是 市 场组合 ｉ 时刻 的超额 在ｔ ｔ 在ｔ 收益 率 ， Ｂ为待估计 参数 。
CAPM模型在我国证券市场上的实证研究与改进方向
场 参与者都是价格 的接受 者 ；三是市场信息对称 、 完 全 ，信 息成本为零 ，所有市场参 与者 同时接收信息 ；四是存在无风 险资产 ，其收益率在 时段 内不变 ，且 对所 有投 资者都 相 同 ；
五是所 有市场参与者都是 理性 的 ，并且追求效用最 大化。 资本资产定 价模 型 （ Ｃ Ａ Ｐ Ｍ） ，是建 立在 风 险资 产期 望 收益均 衡 基 础 之 上 的 预测 模 型。 Ｃ Ａ Ｐ Ｍ 模 型 的公 式 为 ： Ｅ
5capm模型在我国证券市场应用方面的改进方向capm模型是建立在严格的假定前提下的这些严格的假设条件在现实世界中很难满足因此传统的capm模型所描述的预期收益率和系统性风险的线性对应关系很难得到市场的准确印证但这并不能作为完全否定capm模型的理由
高妙永 ：Ｃ Ａ Ｐ Ｍ模型在我国证券市场上的实证研究与改进方向
（ ）＝０＋ ［ Ｅ（ ｒ ｍ ）一ｒ ， ］，其 中 ， Ｅ（ ） 是 证券 ｉ 的期望 收
益率 ； Ｅ （ ｒ ｍ ）是市场组 合 的期望 收 益率 ； ｒ ， 是 无 风险 资产 利 率 ，通 常 表 现 为 国 债 利 率 ； 卢 是 证 券 ｉ的 卢 系数 ，
， １ … ， 、
现股票 的系统 风险与预期收益存 在显著的负相关关系 ，同时
非系 统 风 险 也 是 影 响 股 票 定 价 行 为 的 重 要 因 素 。阮 涛
（ ２ ｏ ｏ Ｏ ）以 １ ９ ９ ６ －１ ９ ９ ８年 的 ４ ０只股 票 为 样 本 进 行 实证 研 究 ，
结果 发 现 Ｃ Ａ Ｐ Ｍ 模 型 并 不 适 用 于 我 国 股 票 市 场 。高 扬 （ ２ ０ ０ ７ ）研究发现 ：Ｃ Ａ Ｐ Ｍ模 型不完 全适 用于我国股票 市场 ， 除 了 风 险 以 外 ，还 有 很 多 因 素 影 响 股 票 收 益 。王 远 韬
资本资产定价模型在中国股票市场的实证研究_周子耀
资本资产定价模型是现代金融经济学理论的基石。1952 年，马科 维茨提出均值 － 方差的分析方法，以均值度量股票的预期收益，以方差 度量股票的风险，把投资问题转化为在既定的风险水平下寻求股票的收 益最大化，或在既定的收益水平下寻求风险的最小化。马科维茨均值 － 方差理论的提出，标志着现代投资理论的诞生。从 20 世纪 60 年代初开 始，以 Sharpe，Lintner 和 Mossin 为代表的一些经济学家开始从实证的角 度出发，探索证券投资的现实，导致了资本资产定价模型的产生。作为 基于风险资产期望收益均衡基础上的预测模型之一，CAPM 阐述了在投 资者都采用马科维茨的理论进行投资管理的条件下市场均衡状态的形 成，把资产的预期收益与预期风险之间的理论关系用一个简单的线性关 系表达出来了，即认为一个资产的预期收益率与衡量该资产风险的一个尺 度 β 值之间存在正相关关系。应该说，作为一种阐述风险资产均衡价格决定 的理论，单一指数模型，或以之为基础的 CAPM 不仅大大简化了投资组合选 择的运算过程，使马科维茨的投资组合选择理论朝现实世界的应用迈进了一 大步，而且也使得证券理论从以往的定性分析转入定量分析，从规范性转入 实证性，进而对证券投资的理论研究和实际操作，甚至整个金融理论与实践 的发展都产生了巨大影响，成为现代金融学的理论基础。
图 1 CAPM 回归拟合线 查表可知，在 5% 显著水平下回归系数 γ1 显著不为 0，即在上海股 市中收益率与风险之间存在较好的线性相关关系。γ0 ＜ 0，即无风险收 益率是负数。这与原 CAPM 模型的假设不同。这个差异可以解释为目前 中国证券市场存在制度性缺陷和投资者行为的投机性。投资者放弃货币的流 动性需求，对货币的投机需求大于放弃流动性所需要的溢价补偿。中国股市 参与者的投资理念仍不成熟，关注高风险带来的高收益而不是货币的时间价 值。从客观上说明了中国股市的不成熟。γ1 为正表明股票的收益率与其系 统风险确实存在正向关系。这与 CAPM 模型的理论相符。模拟出的证券市场 线向右上方倾斜，说明在中国股市对风险的确有正的溢价。 三、总结与结论 中国股市尚处于发展阶段，随着改革的不断深入，中国股票市场有 了显著提升，对股市的研究也有了新的发展。本文尝试用 CAPM 模型的 方法来对中国股市进行初步的实证研究。 通过分析，资本资产定价模型在中国股票市场都有较好地解释，随 着中国股票 市 场 的 日 趋 完 善， 将 会 有 着 更 令 人 期 待 的 实 际 应 用 价 值。 （ 作者单位： 中央财经大学） 参考文献： ［1］ 约翰． Y． 坎贝尔等． 金融市场计量经济学 ［M］． 上海财经大
CAPM在上海股票市场上的实证研究
其中 Pit 为第 i 只股票第 t 日的收盘价 .
股票代码
600051 600052 600053 600054 600055 600056 600057
表1 CAPM 计算检验结果
α i
- 0. 000 354 - 0. 000 058 0. 000 281 6 - 0. 000 043 - 0. 000 046 0. 000 028 5 - 0. 000 446
第 1 期 李 嘉 李从珠 吴富锁 :CAPM 在上海股票市场上的实证研究 79 就 CAPM 在我国股票市场的适用性问题 ,近 年来许多学者都作了一些研究 ,得出的结论是在 1999 年以前的中国股市上 ,CAPM 基本上是不适 用的 . 但是 ,随着我国资本市场的不断发展 ,上市 公司的数量、 规模以及交易制度等所发生的变 化 ,以上的研究并不能反映在我国股市上的最新 发展趋势 . 本文根据最新的数据 ,运用多种方法 对 CAPM 进行了实证检验 ,并对检验结果进行了 简单的分析 . 由于以前的检验工作都是以 1999 年以前的 数据进行的 ,所以本次检验采用的数据起止时间 为 1999 年 1 月 1 日～ 2002 年 12 月 31 日 . 文献 [2 ]曾指出 ,无论市场上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 股指数为市场组合 ;股票样本为 600051～ 600181 的 120 只股票 (中间有数据缺失的予以剔 除) ;无风险利率以 3 个月的定期存款利率表示 ; 所有的数据均为日数据 . 对于第 i 只股票第 t 日的收益率 ,由下式计 算:
0. 366 0. 75 0. 532 0. 693 0. 93 0. 669 0. 299
0. 966 1. 176 0. 947 1. 172 1. 142 0. 783 1. 152
资本资产定价（CAPM）模型在中国证券市场的适用性研究
资本资产定价（CAPM ）模型在中国证券市场的适用性研究金梦影摘要：本文首先阐述了在中国证券市场不断进行改革的背景下，对资本资产定价（CAPM ）模型在中国证券市场的适用性研究的意义，进而对资本资产定价（CAPM ）模型的缺陷以及在中国证券市场的实际应用中所存在的问题进行了实证分析，探讨了资本资产定价（CAPM ）模型在中国证券市场的适用性。
关键词：资本资产定价（CAPM ）模型；中国证券市场；适用性一、资本资产定价（CAPM ）模型在中国证券市场的适用性研究的意义（一）有助于分析预期收益与系统风险之间的关系资本资产定价（CAPM ）模型使得风险可以被量化，并通过考虑风险，为估计预期收益提供了一种广泛使用且相对客观的方法。
此外，财务决策者可以将CAPM 与其他有用的方法和合理的判断相结合，对权益资本的成本进行现实和有用的预测。
例如，许多财务经理使用CAPM 来决定股票的额外风险是否值得添加到投资组合中。
换句话说，CAPM 用于估计投资组合的总风险，并决定对投资组合的更改是否必要。
（二）有助于估算股权成本股权资本成本是投资者投资企业股权时所要求的收益率。
估计股权资本成本的方法很多，资本资产定价（CAPM ）模型是国际上最常用的方法之一。
作为一种单纯基于假设检验结果的简化方法，资本资产（CAPM ）模型虽然存在很多局限性，但却仍然可能是有用的。
换句话说，即使数据拒绝模型，模型在某些方面仍然可能对决策者有用。
例如，在392家美国公司中，73.5%的首席财务官在估算股权成本时使用资本资产定价机制。
在313家欧洲公司中，平均约有45%采用CAPM 来估算股权成本。
因此，虽然CAPM 并不完美，但在一定程度上它仍然是有用的。
二、资本资产定价（CAPM ）模型在中国证券市场的实证分析（一）样本和数据收集本研究选取上海证券交易所51只A 股股票的月度收盘价数据作为股票样本，样本编号为600000-600645，采样期间没有不连贯的观测，时间跨度为2018年1月-2019年6月，共18个月。
CAPM基于中国股票市场的动态实证检验
[关键词 ]股票; 金融
[中图分类号 ] F8
[文献标识码 ] A
[文章编号 ] 1003-6067( 2009) 01-0099-01
一. 研究出发点 考虑到静 态 CAPM 模型是 不完整 的, 它回避了对资产风险和收益来源问 题的深入研究, 同时, 无风险利率和市场 收益率的外生性也使得模型偏离了一般
参考文献:
[ 1] D amodar N. G u jarat i , basic E conom etrics, 中 国人民大学出版社 [ 2] 朱祎莉, 柴俊, 刘霞倩. 递归效用函数在 动 态定价中的应用 [ J] . 华东师范大学学报 ( 自 然 科学版 ) , 2006, ( 01 ) [ 3] 程碧波. 浅议 CAPM 的动 态定价 修正 [ J] . 时代金融 , 2007, ( 01 )
随着时间的推移, 股票组合的市场 无风险利率减小, 风险溢价虽然存在波 动但仍有明显增加的趋势, 这在该回归 方程的正的系数中得到了印证。且两回 归方程的解释变量的系数都是显著的, 更加证明我们的结果。
而对于我们最终所得出线性回归方 程 Ri = C^1 + C^2 B^i + Li:
即 PR ICE = - 0. 005074214528 + 0. 02644534448* BETA 0. 006001 0. 006727 ( - 0. 845609) ( 3. 931491 )
Indext - Indetxt- 1与 St - St- 1。
Indext- 1
St- 1
( 三 ) 结果分析:
1. C^1, C^2 的变化趋势: 对于 E view s输出的结果, 我们首先
做 C^1 和 C^2 的回归方程如下:
CAPM模型在我国证券市场上的实证研究与改进方向
２０１６ １２ＣＡＰＭ模型在我国证券市场上的实证研究与改进方向高妙永（集美大学 外国语学院，福建 厦门 ３６１０２１）［摘 要］文章通过ＣＡＰＭ模型的假设前提与我国证券市场的对比，首先分析ＣＡＰＭ在我国证券市场的应用不理想的原因；其次通过对模型的修正及对证券市场的完善两个方面提出了理论与实践相适应的方法；最后就ＣＡＰＭ模型在我国证券市场的实证研究与改进方向进行总结。
［关键词］ＣＡＰＭ模型；实证研究；改进方向［ＤＯＩ］１０ １３９３９／ｊ ｃｎｋｉ ｚｇｓｃ ２０１６ ５０ ０７５１ ＣＡＰＭ模型介绍ＷｉｌｌｉａｍＦ Ｓｈａｒｐｅ于１９６４年在比较强的市场和投资者行为假设下，依据分离定理、市场证券组合和市场均衡原理，得出了均值－方差模型的均衡版本，即资本资产定价模型，即ＣＡＰＭ模型。
这是针对金融资产的定价而建立的理论模型，主要包括股票、权证、期权、期货等金融资产。
ＣＡＰＭ理论的提出基于一系列假设：一是所有资产无限可分，市场没有摩擦，允许无限制地卖空；二是市场完全竞争，所有市场参与者都是价格的接受者；三是市场信息对称、完全，信息成本为零，所有市场参与者同时接收信息；四是存在无风险资产，其收益率在时段内不变，且对所有投资者都相同；五是所有市场参与者都是理性的，并且追求效用最大化。
资本资产定价模型（ＣＡＰＭ），是建立在风险资产期望收益均衡基础之上的预测模型。
ＣＡＰＭ模型的公式为：Ｅ（ｒｉ）＝ｒｆ＋βｉ［Ｅ（ｒｍ）－ｒｆ］，其中，Ｅ（ｒｉ）是证券ｉ的期望收益率；Ｅ（ｒｍ）是市场组合的期望收益率；ｒｆ是无风险资产利率，通常表现为国债利率；βｉ是证券ｉ的β系数，βｉ＝Ｃｏｖ（ｒｉ，ｒｍ）σ２ｍ。
β系数，通常可以用来衡量一只股票的风险的大小，可以看成股票收益变动对市场组合收益变动的敏感程度。
２ ＣＡＰＭ模型的作用ＣＡＰＭ模型的具体作用有以下两方面：一是有助于资产分类，优化资源配置。
对于模型中的风险因子β，可以通过它的大小来对股票进行分类：当β＞１时，称这类股票为进攻型股票；当β＝１时，称这类股票为中性股票；当β＜１时，称这类股票为防御性股票。
- 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)。
1
ＣＡＰＭ在中国股票市场
的实证研究
摘要综合上海、深圳两个股票市场中的数据采用时间序
列方法和横截面检验方法检验了CAPM在中国股票市场的适
用性结果发现CAPM不符合我国目前的股票市场但是适应性
逐年增强；对风险构成的分析表明:通过构造理性的投资组合
可以使组合的总风险减低到只包含系统性风险水平这表明中
国股票市场正一步步走向成熟关键词资本资产定价模型；投
资组合；风险分散
1引言
作为现代金融理论三大支柱之一的资本资产定价理
论经过几十年的发展已经在资本成本估算业绩评价事件研究
等方面得到了广泛的应用自1990年上海证券交易所和深圳
2
证券交易所成立以来经过十多年的持续发展两所的各项法
律、法规得到了不断地完善我国证券市场进入了一个全新的
发展阶段近年来随着中国证券市场的国际化我国的经济学界
对资本资产定价理论表现出了浓厚的兴趣发表了不少检验
CAPM在上海或深圳股票市场有效性的文章:施东辉（1996）
陈浪南、屈文洲（2000）靳云汇、刘霖(2001)向方霓（2001）
孙刚（2003）等面对发展迅速的中国股票市场我们有必要对
其进行新的检验
2数据来源、变量选取和模型设计
2.1研究对象
本文综合上海股票市场和深圳股票市场为研究对象
原因有（1）上海证券交易所和深圳证券交易所共同构成中国
的股票市场具有市场分割效应必须把它作为一个整体来研
究；（2）实证研究CAPM的条件之一是样本观测期一般是
10年或更长的时间而中国股票市场自成立以来总共才十几
3
年的时间因此我们只能利用尽可能多的数据来消除风险溢价
随时间的波动这也是本文采用大样本的原因
2.2数据来源
数据来源于色诺芬公司的CCER数据库选取沪深两
市中在1996年12月31日以前上市的423只A股作为研究
对象为了避免除权、除息造成的数据失真问题我们选取的数
据都是CCER数据库中考虑分红的复权价
2.3无风险利率的确定
目前在以个人投资者居多的中国股票市场中由于还
没有进行利率市场化而且中国国债市场发展不成熟因此无法
用国债利率代表无风险利率同时储蓄是中国个人投资者中比
重最大的投资机会因此本文选取与样本期间一致的三个月居
民定期储蓄存款利率作为无风险利率（1.71%）其周利率为
=0.03325%
2.4收益率的计算
本文定义市场指数为上证综指与深圳综指取对数后
4
的算术平均值股票组合的对数价格为其包含的所有股票的对
数价格的算术平均值收益率采用对数差分形式
3CAPM及其实证研究
CAPM是建立在一系列假设条件的基础上它主要描
述证券市场中资产的预期收益率与风险之间的关系其数学表
达式为
第一步把时间段分为排序期
（1997.01.03–1999.12.30）预估期
（2000.01.07–2003.12.31）检验期
（2004.01.02–2007.12.28）
第二步利用排序期数据采用OLS法对公式（2）进
行时间序列回归计算各个股票的值
5
第三步根据第二步估计的个股β值按从小到大
的顺序排列并分成20个组合前17个组每组21只股票后3
组每组22只股票
第四步对CAPM进行修正检验结合预估期的数据按
公式(2)估计出每个组合的βp值及回归残差的标准差
4检验结果分析
总之,以上回归结果表明股票收益与市场收益、非系
统风险、系统风险的测度值β的平方β2没有严格的
线性关系中国股票市场不支持CAPM根据AIC值我们可以判
定上述回归方程中模型四的解释能力最强其次是模型二而
CAPM公式即模型一仅比模型三稍好一些这就是说至少需要
增加个股的特质风险因素中国股票市场上的股票收益率才可
能得到全面的解释
5中国股市投资风险构成分析
6
股市风险分为系统风险和非系统风险对系统风险的
测度我们结合20个组合的数据采用两个指标β系数和
判决系数R2我们知道只要方差至少是风险的近似测
量CAPM对股票收益风险的分类仍然是成立的其收益率的方
差我们用如下式子表示
可知从相对指标来看β1的组合数占所有组合
数的比例高达75%；R2的均值的0.874比孙刚在
2003计算的数值0.729提高了19.98%与国外成熟的股票市
场的风险比例（90%以上）相近从二十个组合的整体上来看
所有组合的β均值为1.04组合的β趋于稳定与
Levy（1967）测试的结果相似单个股票在短时间里β值
是不稳定的而由若干只股票构成的证券组合的β值的稳
定性却有相当的提高这说明选择合适的多只股票进行组合投
资可以分散绝大部分非系统风险
7
6结语
本文综合沪深两市中的数据进行时间序列分析和横
截面检验结果表明中国股票市场不适合资本资产定价模型但
是适应性有了很大的提高虽然股票收益率历史数据和系统风
险之间不存在显著的正相关关系股票系统性风险在股票定价
中没有起到太大的作用但是通过构造理性的投资组合可以使
组合的总风险减低到只包含系统性风险水平可以说中国股票
市场经过这十几年的发展正一步步走向成熟
参考文献
［1］
ShapeWF.Capitalassetpricesatheoryofmarketequilibri
umunderconditionofrisk
8
［J］.JournalofFinance,1964,19(2):425-442.
［2］靳云汇,刘霖.中国股票市场CAPM的实证研
究［J］.金融研究,2001（7）.
［3］陈浪南,屈文洲.资本资产定价模型的实证研
究［J］经济研究,2000(4).
［4］施东辉.上海股票巾场风险的实证研究［J］.
经济研究,1996,(10).