货币资本资产定价模型及基于中国股市的检验

货币资本资产定价模型及基于中国股市的检验* 马长峰 1 陈志娟 1 陈国进 2 （1. 浙江工商大学金融学院；2. 厦门大学王亚南经济研究院） 作者简介： 马长峰，男，博士，浙江工商大学金融学院讲师，主要研究 方向： 资产定价、能源经济学。联系电话：15869002784，电子邮件： changfengma@gmail.com。联系地址：浙江工商大学金融学院，邮编：310018 【摘要】本文首先基于随机贴现因子理论框架，通过线性化随机贴现因子，建立了 贝塔形式的货币资本资产定价模型（MCAPM）；其次利用沪深两市 A 股数据和相关宏观 经济数据对 MCAPM 进行了实证检验。实证分析表明，货币因素被显著定价；与经典资 本资产定价模型（CAPM）和 Fama-French 三因子模型（FF3）相比，MCAPM 具有更强 的解释力度。本文为研究中国资本市场提供了新的模型选择，并为资产配置和风险管理 提供了宏观经济层面的参考。 关键词 随机贴现因子，资产定价，货币因素 中图分类号 F930.91 文献标识码 A Money Capital Asset Pricing Model: Theory and the Empirical Test in Chinese Stock Market Abstract：Based on the framework of stochastic discount factor, we first develop the Beta form of Money Capital Asset Pricing Model(MCAPM) through linearization of stochastic discount factor. Then we test MCAPM using the data of A share of Shanghai and Shenzhen and relevant macroeconomic data, we find that money factor is priced significantly; Compared to the classical CAPM and FF3, MCAPM is better to explain the returns in the Chinese stock * 本文获得国家自然科学基金“中国股市泡沫识别和投资者乘骑泡沫行为研究”（编号：71071132）和教育 部人文社科课题“异质信念、卖空限制和我国股市暴涨暴跌机制研究”（编号 08JA79019）的资助。 1 market. Our findings provide new inputs for model selection and portfolio management. Key words：Stochastic Discount Factor, Asset Pricing, Money Factor 一、问题提出和文献综述 风险和收益之间的关系是金融学研究的核心问题之一。上个世纪 60 年代，以资产组合选 择理论为基础，Sharpe(1964)等提出了经典的资本资产定价模型（Capital Asset Pricing Model， 以下简称 CAPM），使人们能够定量研究风险和收益之间的关系。CAPM 中资产的期望收益 率仅仅取决于资产与市场组合之间的协方差（即市场系统性风险），不同资产之所以具有不同 的预期收益仅仅是因为有不同的系统性风险。后来，规模效应（size effect）、价值溢价（vale premium）等异象导致了 Fama and French(1996)三因子模型（以下简称 FF3）的出现。FF3 在 CAPM 的基础上加入了规模因子（SMB）和价值因子(HML)，认为资产的预期收益率不仅与 市场因子有关，而且与规模因子和价值因子有关。 从本质上说，CAPM 和 FF3 都是基于投资组合的资产定价模型，类属于相对资产定价模 型。这类模型认为资产价格变化由资产与其他投资组合之间相关程度决定，即资产收益率会 随某个（些）资产组合波动而变化。例如，CAPM 说明给定市场因子时，股票的期望收益率 应该是多少。FF3 说明给定市场因子、规模因子和价值因子的情况下，25 个按照 Size 和 B/M 排列的投资组合的平均收益率应该是多少。然而，这种相对定价理论不能解释基准投资组合 的表现，也不能解释基准投资组合的收益率随时间发生变化的原因。也就是说，基于投资组 合的资产定价模型并不能直接说明资产价格波动背后真正的风险来源，即宏观因素 （Cochrane(2007)）。 针对 CAPM 单期静态的性质，Merton(1973)提出了跨期资本资产定价模型（ICAPM）。 ICAPM 考虑到了状态变量随机波动引起投资机会集的时变带来的风险因素，从而为研究宏观 经济变量影响资产价格奠定了基础。随后出现的消费资本资产定价模型（CCAPM）将多贝塔 的 ICAPM 转化为单贝塔模型，成为第一个明确研究宏观经济变量影响资产价格的资产定价 模型。CCAPM 将资产收益率和能够直接影响效用的消费联系起来，具有很强的经济学含义， 但是在实证分析方面的表现却令人失望，这也促使学术界继续进行资产定价的理论探索。进 入二十一世纪以后，随机贴现因子理论成为现代金融学的基础，它将诸多资产定价模型纳入 到一个统一框架中，具有最广泛的一般性。该理论可以将宏观经济变量直接引入随机贴现因 子，从而为宏观经济变量影响资产价格的研究奠定了坚实的理论基础。 货币因素是最重要的宏观经济变量之一，一方面货币量会影响消费者的消费，另一方面 货币量影响企业的投资，因此货币因素能够影响资产价格。在此方面早期的研究以货币政策 对资产价格的影响为主，如 Boyle and Peterson(1995)、Thorbecke(1997)和 Jensen and Mercer(2002)，而从资产定价的角度考察货币因素影响资产价格的研究相对较少。从资产定 价的角度来看，货币因素影响资产价格的一个核心问题是货币因素是否被定价，即不同资产 具有不同预期收益率的原因是否来源于他们受货币因素影响不同。Balvers and Huang(2009) 假设持有货币降低购买消费品的交易成本，在随机贴现因子理论框架下，将货币引入随机贴 现因子，提出了货币资本资产定价模型（MCAPM），是这方面最新的研究，他们的结论是货 币因素在美国股市被显著定价。但他们仅仅研究了美国股市，并未直接研究中国股市。 国内与此相关的研究集中于货币量是否对股市存在整体影响，但是诸多研究的结论并不 2 一致。孙华妤、马跃(2003)采用 VAR 方法发现货币量几乎不能影响股市（股价和股市值）， 而利率显著影响股市。易纲、王召(2002)指出只有未预期到的货币增长影响股票价格。万解 秋、徐涛(2005)分析了意外的货币供给对上海股票市场的影响，结果表明，货币供给扰动对 上海股指收益率的影响不大，而且还存在时滞。在不同层次的货币中，M1 的扰动对市场的 影响最为显著。 另外的研究却表明货币量影响股指。钱小安(1998)发现沪深指数与 M2 反向变化、与 M0 同向变化、与 M1 无关。而夏恩君、刘楠、沈洁(2008)的结论是 M1、M2 的变化可以引起上 证综指月波动率的变化。 本文工作包括理论建模和实证分析两个部分。在理论建模方面，基于 Balvers and Huang(2009)随机贴现因子理论框架，通过线性化随机贴现因子，建立贝塔形式的货币资本资 产定价模型（MCAPM）。实证检验方面，利用沪深两市 A 股数据和相关宏观经济数据，采用 Fama-MacBeth 方法、Hansen-Jagannathan 距离检验等方法，对 MCAPM 进行实证检验，并与 CAPM 和 FF3 进行比较，结果表明 MCAPM 具有更强的解释力度。本文的研究无疑对基于中 国资本市场的资产定价模型的选择，对机构投资者的资产配置和风险管理具有重要意义。 本文结构安排如下：首先基于 Balvers and Huang(2009)，我们建立了贝塔形式的 MCAPM。 然后利用国泰安数据库中 1997 年 7 月到 2010 年 6 月之间沪深两市的 A 股数据及相关宏观经 济数据，对 MCAPM 进行了实证分析。最后给出本文的结论。 二、货币资本资产定价模型 在随机贴现因子框架中，资产的预期超额收益率取决于它与随机贴现因子之间的协方差， 而随机贴现因子取决于投资者对财富的边际效用，可以用来衡量投资者所处的境况。在投资 者境况窘迫的时候单位货币的财富带来的边际效用非常高，因此，在此情形带来高收益率的 资产具有较低预期收益率，因为投资者愿意为增加效用而牺牲资产收益。所以，与随机贴现 因子正相关的资产预期收益率较低。 在该框架中，研究货币因素如何影响资产价格就是研究货币因素如何影响随机贴现因子。 Balvers and Huang(2009)假设持有货币能够降低购买消费品的交易成本，因而进行期望效用最 大化的投资者的决策变量不仅包括消费和投资组合，而且包括货币持有量。货币持有量指的 是除了消费之外，投资者并不投资金融证券的那部分财富。这样货币财富和金融财富便同时 影响随机贴现因子。由于货币财富可以影响随机贴现因子，那么货币量自然影响资产价格。 在代表性投资者的假设条件下，货币持有量由货币供给量代替，货币供给增长率成为一个风 险因子，可以用来解释不同资产的预期收益率的不同。 基于 Balvers and Huang(2009)的基本思路，我们通过线性化随机贴现因子，建立贝塔形 式的因子模型，以用于实证分析。他们得到的随机贴现因子模型如下：  1 1 1, 0it w t t tE V w m r i       (1) 这里 wt+1、m t+1 和 r t+1 分别表示 t+1 期的货币财富、金融财富和实际超额收益率，Vw 表 示财富的边际效用且充当随机贴现因子，Et 表示基于 t 期信息集的期望。（1）式的经济含义 是利用随机贴现因子对超额收益率定价，得到超额收益率的价格是 0。由随机贴现因子表达 式可知，随机贴现因子不仅取决于金融财富，也取决于货币持有量，因为货币持有量能够通 过影响消费的边际交易成本而影响效用。货币和财富的风险价格同时为正的一个充分条件是 3 随机贴现因子对货币持有量偏导数非正，即货币增长会降低财富边际效用。 在 的情况下，由协方差将(1)写为 0wmV   1 1 1, ,i it t t t w t tE r COV r V w m         1 （2） 由（2）式可以看出，如果一项资产的收益率与货币持有量正相关，也就与随机贴现因 子负相关，就会具有较高的预期收益率。这是因为，此类资产在投资者持有充足货币的时候 带来较高的收益率，从而只能带给投资者较低的边际效用，就会对这种资产出价较低，结果 这种资产预期收益率较高。（1）式将实际货币持有量引入随机贴现因子，为研究货币因素是 否被定价奠定了理论基础。 以随机贴现因子模型(1)式为基础，本文利用泰勒展开将随机贴现因子线性化，从而建立 了贝塔形式的 MCAPM。将随机贴现因子也就是财富的边际效用在 wt、mt 展开成泰勒级数， 并忽略高阶项，得到：           1 1 1 1, 1 , ,w t t ww t t t t wm t t t tV w m V w m w w V w m m m o           1 (3)        11 , ,t t tww t t t wm t t t t t w w m m V w m w V w m m w m        1 t 1 1, m i (4) 将（4）式代入（2）式，则可以得到： 1 1 1, i w i t t t t t t t t t tE r A COV R r B COV g r               (5) 其中        11 11 1 1 1 , , , , , , , ww t t t wm t t t w mt t t t t tt w t t t w t t V w m w V w m m w mA B R w mE V w m E V w m 1t tg                  1 1 1 m w (6) 仿照 Merton(1973)，假设存在一项资产 m 仅与货币增长率完全相关，而另一项资产 w 仅 与财富组合收益率完全相关，(5)式中分别取两项资产为 m 和 w，则有， 1 1 1 1 1 , , m w m t t t t t t t t t w w m t t t t t t t t t E r ACOV R r BVar g E r AVar R B COV g r                                 (7) 解方程得到 1 1 1 1 1 2 1 1 1 1 , , t m w m m w t t t t t t t t t t w m w m t t t t t t COV R r E r Var g E r A COV R r Var R Var g                                    1 1 1 1 1 2 1 1 1 1 , , t w m w w m t t t t t t t t t t w m w m t t t t t t COV R r E r Var R E r B COV R r Var R Var g                                    上式代入(5)式，得到： 1 1 i w w m m t t t t t t t t 1E r E r E g              (8) 其中贝塔系数满足： 4 1 1 1 1 1 1 1 2 1 1 1 1 , , , , t m i w m w i m t t t t t t t t t t tw t w m w m t t t t t t COV g r COV R r COV R r Var g COV R r Var R Var g                                      1 1 1 1 1 1 1 2 1 1 1 1 , , , , t w i m w m i w t t t t t t t t t t tm t w m w m t t t t t t COV R r COV R r COV g r Var R COV R r Var R Var g                                      这样就得到了贝塔形式的 MCAPM，这个模型说明，某项资产的预期收益率与这项资产 的市场贝塔和货币贝塔之间满足线性关系。投资者投资某项资产不仅承受了市场风险，而且 还会承受货币风险，因此要求市场风险溢酬和货币风险溢酬。 三、实证检验和结果 得到 MCAPM 之后，经典的 Fama-MacBeth 方法和 Hansen-Jagannthan 距离检验（HJ 距 离检验）就可以用于实证分析，研究货币是否影响资产价格。 1 数据及其描述性统计量 本文采用月度数据对MCAPM、CAPM和FF3 三种模型进行比较，因此需要构建时间序列 的因子包括：市场组合超额收益率、实际货币增长率、SMB和HML，这就需要规模(Size)和 帐面市值比(B/M)的数据。鉴于国内股市股本结构的实际情况，参考吴世农、许年行(2004)， 本文采用每股价格与每股权益之比（即市净率）来代替B/M，其中市净率数据来自锐思股票 数据库，同时用个股流通市值来代替Size，市场组合收益率选取国泰安数据库中的A股综合市 场收益率。个股的数据包括 1996 年 12 月到 2008 年 12 月之间有交易①的沪深两市A股收益率、 流通市值等，这些数据均来自国泰安数据库。 SMB 和 HML 的构造方法是，每年的 6 月底，将个股按照规模（Size）分成大(Big)和小 (Small)两组，按照上年年底的账面市值比（B/M）分成高（H,30%）中（M,40%）低（L,30%） 三组，两两交叉，形成六个组合，分别是 SH、 SM、 SL、BH、BM、BL，这样 SMB=(SL+SM+SH-BL-BM-BH)/3，表示剔除 B/M 因素后小的 Size 与大的 Size 组合的收益率 之差，而 HML=(SH+BH-SL-BL)/2，表示剔除 Size 因素后高 B/M 组合与低 B/M 组合的收益 率之差。 宏观经济变量包括货币供给量、环比消费物价指数和无风险利率，这些数据除无风险利 率来自国泰安之外均来自中经网和中宏网的宏观月度库。依据万解秋、徐涛(2005)的研究， M1 的扰动对市场的影响最为显著，因此本文选取 M1 作为货币供给量。首先将 M1 当月值的 月度时间序列利用 X11 程序进行季节调整，然后取对数做差值得到名义货币环比增长率。环 比消费物价指数首先经过季节调整，再求出通货膨胀率，然后用来平减名义货币增长率即得 实际货币增长率。季节调整是为了消除季节单位根。 经典的资产定价模型检验数据是按照 Size 和 B/M 进行分组生成的投资组合。本文首先 按照 Fama and French(1993)方法将全部个股生成 25 个投资组合的时间序列，以此为基础对三 个模型进行实证分析。具体方法是，t 年的 6 月底，将个股按照 Size 分成 5 组，同时按照 t-1 年底的 B/M 分成 5 组，两两交叉，形成按照 Size 和 B/M 排序的 25 个投资组合，以流通市值 ①这并非实证检验的区间，请参考下文组合构造方法。 5 作为权重计算 t 年 7 月到 t+1 年 6 月的收益率得到这 25 个投资组合收益率的时间序列。本文 的检验资产的时间区间为 1997 年 7 月到 2010 年 6 月，共 13 年，156 个样本点。该 25 个投 资组合的时间序列是本文检验三种资产定价模型的基准，以下简称 25 个 Size B/M 投资组合。 帐面价值非正的股票被剔除，分组后没有交易的股票同样也被剔除。Lewellen, Nagel and Shanken(2010)指出，25 个 Size B/M 投资组合具有很强的协方差结构，使得本身并不具有经 济学含义的因子也会产生很好的解释效果。因此仅用他们对模型检验是不够的，所以本文也 检验在 25 个 Size B/M 投资组合之外加入证监会公布的行业组合和万得（wind）行业组合作 为检验资产的情形，以保证结论的稳健性。 MCAPM 的两个因子分别是市场超额收益和实际货币增长率。经过季节调整的实际货币 增长率和市场超额收益的描述性统计量如表 1 所示。由表 1 可以看出，中国沪深两市的 A 股 月度超额收益率较高，同时波动性也比较大。M1 的实际增长率波动并不是很大，但是均值 是相当高的，这反映出我国保持长期高增长的货币投放的政策。采用 Jarque-Bera 统计量对两 者进行正态分布检验发现，两者都显著拒绝正态分布。两者的相关系数并不高，这也从计量 分析的角度说明加入货币增长率作为因子有可能会改进模型的解释效果。 表 1 市场超额收益率和实际货币增长率的描述性统计量 因子 市场超额收益率 M1 实际增长率 均值 0.7905 1.2005 差 9.2451 1.1925 Jarque-Bera 统计量 16.8172 45.3636 p 值(%) 0.0002 0.0000 相关系数 1 0.1087 0.1087 1 2 实证分析方法 本文实证分析方法主要采用 Fama-MacBeth 方法对贝塔形式的因子模型进行检验，同时 采用 GMM 框架中由 Hansen and Jagannathan(1997)提出的 HJ 距离检验对数据进行分析。下面 分别简要介绍这两种方法。 （1）Fama-MacBeth回归分析、Shanken矫正①和定价误差检验。Fama-MacBeth方法包括 两步：时间序列回归得到贝塔估计值，横截面回归得到风险价格的估计值。Balvers and Huang(2009)指出，在非时变情形中，利用全样本估计贝塔是最优的，因此本文采用全样本估 计贝塔。Cochrane(2005)，在这种情况下Fama-MacBeth方法等价于纯粹的横截面回归， 本文采用非时变的贝塔和纯粹横截面回归估计因子的风险价格及其方差，并给出 值和 Shanken矫正；同时检验定价误差是不是同时等于零，用以检验和比较模型。下面给出对线性 贝塔形式资产定价模型进行实证分析的简要步骤。 t t 收益率和因子的时间序列满足下式： t tR a f    (9) ① 参照文献 Shanken(1992)和 Cochrane(2005)。 6 这里 Rt 是所有投资组合的收益率在 t 时的列向量；ft 是因子在 t 时的列向量。时间序列 回归方程为： , 1, 2,it i i t itR a f i t T       (10) 每一个投资组合对因子的时间序列回归得到各自的贝塔向量，所有的检验资产估计得到的贝 塔向量构成一个矩阵，其维数由投资组合的个数和因子个数决定。 得到贝塔矩阵之后就可以用下式进行横截面回归： ER    (11) 这里 ER 是投资组合期望收益率向量，用样本均值代替。ER 对估计出的贝塔进行回归得 到风险价格向量 λ 的估计值，α 是定价误差向量。 Cochrane(2005)给出了风险价格和定价误差的协方差表达式：      1 11, fCOV T                 (12)    11( )Var I I T 1                       (13) 其中 指的是因子的方差协方差矩阵。由于第二步回归中的贝塔存在测量误差，需要进 行 Shanken 矫正： f        1 1 11, 1 f fCOV T                      (14)     1 1 11( ) 1 fVar I IT                             (15) 为了检验定价误差向量是否显著异于零，构造卡方检验：   1 2~ N KCOV       (16) 其中，N 是投资组合个数，K 是因子个数。在模型正确的零假设成立的情况下，卡方统 计量的值不应该超过临界值，P 值越大越不能拒绝定价误差为零的原假设。 贝塔形式的定价模型的比较标准为：1、风险价格系数及其 t 值说明因子是否被定价， t 值越显著越能说明该风险因子被定价；2、模型定价误差是否显著异于零用定价误差的卡方统 计量衡量，越不容易拒绝定价误差为零的模型的解释效果越好；资产定价模型定价误差越小， 对应的 P 值越大，越不拒绝模型。 （2）HJ 距离检验。在随机贴现因子框架中，由随机贴现因子对收益率定价得到：  1 11N t t tE SDF R  (17) 这里 1N表示一个 N（检验资产组合的个数）维的全 1 向量，SDF 表示随机贴现因子。R 表示 N 维收益率向量。Hansen and Jagannathan(1997)指出，线性因子模型等价于线性随机贴 现因子模型：  1:t tSDF F b (18) 7 这里 F 表示因子时间序列，b 表示系数向量，需要估计得到。HJ 距离由下式给出：      1t tHJ b E w b G E w b        N (19) 其中定价误差为 ，收益率的二阶矩为   1: 1t t tw b R F b  t tG E R R 。HJ 距离 表示一个模型对应的随机贴现因子与真实随机贴现因子之间的距离。如果模型是正确的，理 论上来说这个统计量应该是零，因此通过检验这个统计量是否显著异于零就可以检验定价模 型是否正确。Jagannathan and Wang(1996)给出了估计 HJ 距离的方法： 首先将(19)式中的期望值用时间平均值代替：          1 11 1 11: 1 1 ,T TT t t t N T N Tt tw b w b R F D b G b R RT T T           1T t tt (20) 然后用下式估计参数 b: (21)    1min T T Tw b G w b 得到参数 b 的估计值为：   11 1T T T T T Tb D G D D G  1 N (22) 将参数 b 的估计值及其对应的定价误差和收益率二阶矩的估计值代入(14)即得 HJ 距离 的估计值。Jagannathan and Wang(1996)证明 HJ 距离的渐进分布为：   2 1 d N K T T j jj T HJ b v    (23) vj(j=1,2…,N-K)是相互独立的服从 χ2(1)分布的随机变量，而对应的 λj(j=1,2…,N-K)是下 面矩阵的非零特征值：     11 2 1 2 1 2 1 1 2 1 2 1 2NS G I D G D G D D G S G              (24) 其中      , 1:t t t tS E w b w b G E R F         。 检验方法为随机抽取 M 次，每次抽取 N-K 个服从 χ2(1)分布的随机数，计算 1 N K j i iji u v ，统计这个统计量大于等于 HJ 距离估计值的频率作为 p 值：    211 M j T Tjp I u T HJ bM   (25) I(.)为示性函数，如果括号中的表达式成立则取值为 1，否则为零。 3 实证结果与分析 （1）基于 Fama-MacBeth 方法的实证分析结果。表 2 给出了 25 个 Size B/M 投资组合作 为检验资产的分析结果。RM1 表示 M1 的实际增速。表中从上到下依次给出了三个模型各个 因子的风险价格估计值，对应的 t 值，经过 Shanken 矫正后的 t 值，对定价误差是否同时为零 的联合检验的卡方统计量的值及其对应的 p 值。本文对定价误差是否同时为零的联合检验的 p 值越大越不能拒绝定价模型正确的原假设。 8 由表 2 结果可以看出，MCAPM 中货币增长率的风险价格是显著的，且经过 Shanken 矫 正之后仍然显著，这说明在中国股市中货币供给量影响资产价格；另一方面，对于定价误差 表 2 25 个 Size B/M 投资组合作为检验资产 模型 MCAPM CAPM FF3 因子 MKT RM1 MKT MKT SMB HML 风险价格 2.0103 1.2307 2.0734 1.5745 1.0261 0.0841 t 值 2.6213 2.7821 2.6898 2.0931 2.9499 0.3572 Shanken t 2.5297 1.9545 2.6845 2.0904 2.9453 0.3554 α’cov(α)-1 α 15.1776 30.4398 22.9884 p 值(%) 88.8157 17.0601 40.2387 是否为零的联合检验说明，MCAPM 的定价误差为零的假设不能被拒绝，说明这个模型的整 体解释能力很好。 在采用 25 个Size B/M投资组合作为检验资产的情形中，CAPM的表现并不差，定价误差 为零的联合检验同样不拒绝定价误差为零的假设。由CAPM估计得到的年化预期收益率①可达 26%，这说明中国股市的风险很高，因此投资者要求很高的风险溢酬。 FF3 模型中的 HML 系数并不显著，说明价值风险并未被定价。重要的是，采用定价误 差的卡方统计量对应的 p 值作为模型整体拟合的比较基准，容易发现 MCAPM 模型的整体定 价误差表现优于 FF3 模型，而 FF3 模型的整体定价误差表现优于 CAPM。 表 3 给出了 25 个 Size B/M 投资组合加上证监会公布的 12 个行业组合（证监会公布的行 业共 13 个，去掉一个时间跨度不够的金融行业剩下 12 个）共 37 个投资组合作为检验资产的 分析结果。加入行业组合后 MCAPM 中 M1 的风险价格也是显著的，即使经过 Shanken 矫正， 货币增长率的风险价格仍然是非常显著的。然而，FF3 模型中的 HML 的系数不仅不显著， 而且符号也发生了变化。从模型整体定价误差的角度来看，加入证监会行业组合后三个模型 的整体定价误差都增加了。CAPM 在 1%的显著性水平下被拒绝，FF3 在 5%的显著性水平下 被拒绝，然而，MCAPM 却不能被拒绝。 表 3 25 个 Size B/M 投资组合加 12 个证监会行业组合作为检验资产 模型 MCAPM CAPM FF3 因子 MKT RM1 MKT MKT SMB HML 风险价格 1.9368 1.0110 1.9728 1.6572 0.8460 -0.0110 t 值 2.5513 3.0716 2.5952 2.2160 2.4061 -0.0439 Shanken t 2.5066 2.3762 2.5921 2.2144 2.4011 -0.0436 α’cov(α)-1 α 35.9202 61.9738 54.3733 p 值(%) 42.5181 0.4549 1.4722 表 4 给出了 25 个 Size B/M 投资组合加上 9 个万得行业组合（万得行业组合共 10 个， 电信服务组合只有 4 只股票，会引起较大的测量误差因此被删除）共 34 个投资组合的分析结 果。在这种情况下，货币增长率的风险价格仍然显著，即使经过 Shanken 矫正也是临界显著 的。但是，从模型整体定价误差方面来看，在 10%的显著性水平下，MCAPM 和 FF3 不能被 拒绝，而 CAPM 却被拒绝。 ① 由横截面回归分析预测值得到。 9 表 4 25 个 Size B/M 投资组合和万得行业组合作为检验资产 模型 MCAPM CAPM FF3 因子 MKT RM1 MKT MKT SMB HML 风险价格 1.9888 1.1245 2.0204 1.7088 0.8388 0.0313 t 值 2.6237 2.2368 2.6574 2.2881 2.3949 0.1293 Shanken t 2.5705 1.6359 2.6541 2.2866 2.3906 0.1286 α’cov(α)-1 α 24.1147 44.5116 37.4092 p 值(%) 84.0234 8.7022 19.8434 （2）基于 HJ 距离检验的实证分析结果。由于在小样本情形中 HJ 矩阵作为权重矩阵经 常会拒绝掉正确的模型，因此根据 Ahn and Gadarowski(2004)和 Lettau and Ludvigson(2001)， 我们同时报告单位阵作为权重矩阵的 HJ 距离检验结果。表 5 给出了经典的 25 个 Size B/M 投 资组合作为检验资产时三个模型的 HJ 距离检验结果。不论采用哪种权重矩阵，三个模型对 应的随机贴现因子与真实随机贴现因子之间的距离为零的假设都不被拒绝，这与贝塔形式的 因子模型的结果是一致的。表 6 给出了 25 个 Size B/M 投资组合加 12 个证监会行业组合作为 检验资产的检验结果。这种情形中 HJ 矩阵在 5%的显著性水平下同时拒绝三个模型，单位阵 在 10%的显著性水平下不能拒绝 MCAPM 和 CAPM，但是能够拒绝 FF3。表 7 给出了 25 个 Size B/M 投资组合加 9 个万得行业组合作为检验资产的检验结果。这种情形中 HJ 矩阵同时 拒绝掉三个模型，而单位阵对三个模型都不拒绝，这很可能是 HJ 矩阵在小样本情形容易拒 绝正确模型导致的。采用 HJ 距离检验时，MCAPM 也是最不容易被拒绝的。 综合上述检验结果，可以发现，MCAPM 的解释效果优于 FF3 和 CAPM，从而说明货币 增长率因子不容忽视；对比而言，CAPM 模型在中国股市的表现并不是特别差，而 FF3 模型 的表现并不是特别好。 表 5 25 个 Size B/M 投资组合作为检验资产 权重矩阵 HJ 矩阵 单位阵 模型 MCAPM CAPM FF3 MCAPM CAPM FF3 HJ 距离 0.0638 0.0674 0.0639 0.1793 0.2013 0.1826 p 值(%) 30.3500 13.3700 21.3000 59.0400 24.5700 20.1000 表 6 25 个 Size B/M 投资组合加证监会行业组合作为检验资产 权重矩阵 HJ 矩阵 单位阵 模型 MCAPM CAPM FF3 MCAPM CAPM FF3 HJ 距离 0.0930 0.0962 0.0944 0.3029 0.3146 0.2943 p 值(%) 4.7700 2.0200 2.0800 22.0900 15.4500 9.0400 表 7 25 个 Size B/M 投资组合加万得行业组合作为检验资产 权重矩阵 HJ 矩阵 单位阵 模型 MCAPM CAPM FF3 MCAPM CAPM FF3 HJ 距离 0.0942 0.0942 0.0919 0.2756 0.2863 0.2534 p 值(%) 0.5300 0.5200 1.1200 19.9700 14.6000 10.6400 10 四、结论 通过线性化随机贴现因子而建立贝塔形式的 MCAPM，本文研究了货币因素是否被定价。 利用 Fama-MacBeth 方法和 Hansen-Jagannathan 距离检验，采用中国股市的月度数据对 MCAPM、CAPM 和 FF3 三种模型进行了实证分析。结果发现相对于 CAPM 和 FF3 模型， MCAPM 能够更好地解释中国股票市场的横截面收益率，货币因素被显著定价。本文的研究 结果丰富了国内关于宏观经济风险因子是否被定价的研究。显然，这为研究中国股票市场提 供了新的模型选择，并为资产组合选择、风险管理等提供了新的风险视角。 另一方面，次贷危机爆发后，对于货币政策是否应该将资产价格纳入政策目标这一问题 出现了更热烈的争论。本文结果表明，货币量影响资产价格，这在一定程度上可以为货币政 策制定者提供决策依据。 参考文献 [1] Ahn, S.,Gadarowski, C.,2004,Small sample properties of the GMM specification test based on the Hansen-Jagannathan distance,[J] Journal of Empirical Finance,11(1),January,pp.109~132. [2] Balvers, R. J.,Huang, D.,2009,Money and the C-CAPM,[J] Journal of Financial and Quantitative Analysis,44(2),April,pp.337~368. [3] Boyle, G.,Peterson, J.,1995,Monetary Policy, Aggregate Uncertainty, and the Stock Market,[J] Journal of Money, Credit & Banking,27(2),May,pp.570~582. [4] Cochrane, J. H.,2005,Asset Pricing,[M] NJ:Princeton University Press. [5] Cochrane, J. H.,2007,Financial Markets and the Real Economy,[M] Chap 7,Handbook of Equity Risk Premium,Elsevier BV. [6] Fama, E.,French, K.,1993,Common risk factors in the returns on stocks and bonds* 1,[J] Journal of financial economics,33(1),February,pp.3~56. [7] Fama, E.,French, K.,1996,Multifactor explanations of asset pricing anomalies,[J] Journal of Finance,51(1),March,pp.55~84. [8] Hansen, L.,Jagannathan, R.,1997,Assessing specification errors in stochastic discount factor models,[J] Journal of Finance,52(2),June,pp.557~590. [9] Jagannathan, R.,Wang, Z.,1996,The conditional CAPM and the cross-section of expected returns,[J] Journal of Finance,51(1),March,pp.3~53. [10] Jensen, G.,Mercer, J.,2002,Monetary policy and the cross-section of expected stock returns,[J] Journal of Financial Research,25(1),August,pp.125~139. [11] Lettau, M.,Ludvigson, S.,2001,Resurrecting the (C) CAPM: A cross-sectional test when risk premia are time-varying,[J] Journal of Political Economy,109(6),December,pp.1238~1287. [12] Lewellen, J., Nagel, S.,Shanken, J.,2010,A skeptical appraisal of asset pricing tests,[J] Journal of financial economics,96(2),May,pp.175~194. [13] Merton, R.,1973,An intertemporal capital asset pricing model,[J] Econometrica: Journal of the Econometric Society,41(5),September,pp.867-887. [14] Shanken, J.,1992,On the estimation of beta-pricing models,[J] Review of Financial Studies,5(1),1~33. [15] Sharpe, W.,1964,Capital asset prices: A theory of market equilibrium under conditions of 11 12 risk,[J] Journal of Finance,19(3),September,pp.425~442. [16] Thorbecke, W.,1997,On stock market returns and monetary policy,[J] Journal of Finance,52(2),June,pp.635~654. [17] 万解秋、徐涛：《货币供给扰动与股票市场反应》,[J] 《广东社会科学》,2005 年第 1 期。 [18] 易纲、王召：《货币政策与金融资产价格》,[J] 《经济研究》,2002 年第 3 期。 [19] 夏恩君、刘楠、沈洁：《货币供给量对资本市场收益的影响----基于中国股票市场的分析》,[J] 《技术经济》,2008 年第 8 期。 [20] 吴世农、许年行：《资产的理性定价模型和非理性定价模型的比较研究》,[J] 《经济研 究》,2004 年第 1 期。 [21] 孙华妤、马跃：《中国货币政策与股票市场的关系》,[J] 《经济研究》,2003 年第 7 期。 [22] 钱小安：《资产价格变化对货币政策的研究》,[J] 《经济研究》,1998 年第 1 期。 作者简历 陈国进，男，1966 年出生，籍贯，浙江缙云，经济学（金融学）博士，厦门 大学王亚南经济研究院副院长、王亚南经济研究院和经济学院双聘金融学教授、 博士生导师。日本东京大学博士后（1999-2001），美国富布莱特学者（2010-2011）， 入选国家“新世纪优秀人才支持”（2005），主持福建省精品课程《金融学》 （2003），在《经济研究》、《金融研究》、《系统工程理论与实践》、《数量经济和技 术经济研究》、《财贸经济》、《南开管理评论》等刊物上发表多篇，曾获福建 省优秀社科成果一等奖（2009），二、三等奖。指导的论文获得福建省优秀博士论 文二等奖。中国国际金融学会理事，目前从事的研究领域有资产定价、金融计量 经济学和行为金融。 联系电子邮箱: gjchen@xmu.edu.cn ，gjchenxmu@gmail.com 电话：0592-2181069（办公室），手机：18959281069 传真：0592-2187708