资本市场均衡

1. 模型用途、假设与市场组合#

资本资产定价模型（Capital Asset Pricing Model, CAPM） 是以市场组合为系统性风险基准的均衡定价模型，用市场贝塔描述资产必要收益率与系统性风险之间的线性关系。它既可作为证券估值和业绩评价的必要收益率基准，也可用于估计未上市资产或投资项目的资本成本。

必要收益率（Required Rate of Return） 是投资者在给定风险和持有期下愿意持有某项资产所要求的最低事前预期收益率。模型给出的是事前必要收益率，不承诺事后实现收益率。

基本模型建立在一组简化假设上：

• 投资者行为：投资者是价格接受者，只考虑同一个单期持有期，并按预期收益率与方差选择组合。
• 同质预期（Homogeneous Expectations）：投资者面对相同信息，对各资产的预期收益、方差和协方差采用同一组估计。
• 可投资范围：风险资产均可公开交易和卖空；投资者可以按同一固定无风险收益率无限借入或贷出。
• 无摩擦市场：不存在税收、交易成本和持仓限制，信息可无成本获得。

因此，所有投资者面对同一有效前沿和无风险收益率，选择同一个切点风险组合；投资者之间只在无风险资产与该风险组合的配置比例上不同。

市场组合（Market Portfolio, $M$） 是由全部可投资风险资产按市场价值加权形成的组合，每项资产的权重等于其市值占风险资产总市值的比例。直观上，它相当于按原有市值结构同比例持有整个市场：资产市值越大，权重越高；理论范围不限于某一只股票指数。

把所有投资者的持仓加总后，借款与贷款相互抵消；在市场出清时，所有投资者共同持有的风险组合必然等于市场组合。

由此得到两项均衡结论：

• 资本市场线（Capital Market Line, CML）：从 $r_f$ 出发、与风险资产有效前沿相切的最高斜率资本配置线，切点就是市场组合；它代表可获得的最高风险收益比。
• 共同基金分离定理（Mutual Fund Separation Theorem）：投资者都持有同一个市场组合，只需调整市场组合与无风险资产的比例，就能选择适合自己的风险水平并保持均值—方差有效；这是指数化被动投资的理论基础。

市场出清要求财富加权的平均风险资产权重等于 $1$。在二次效用与共同无风险借贷利率下，市场风险溢价满足：

其中：

• $E(r_M)$：市场组合的单期预期收益率。
• $r_f$：与该持有期匹配的无风险收益率。
• $A_{rep}$：代表性投资者的风险厌恶系数。
• $\sigma_M^2$：市场组合单期收益率的方差。

$A_{rep}$ 由投资者财富加权的风险容忍度聚合，并非风险厌恶系数的简单算术平均。市场风险或代表性风险厌恶程度上升会提高均衡风险溢价；该式不能作为任意时期历史溢价的恒等式。

2. 协方差贡献、贝塔与组合贝塔#

充分分散的投资者关心资产对整体组合风险的贡献，而不是该资产孤立的总波动。贝塔（Beta） 是资产收益对市场收益的回归敏感度，也衡量该资产加入充分分散组合后贡献的系统性风险；它取决于二者共同波动，而非资产自身波动大小。资产 $i$ 的贝塔定义为：

其中：

• $r_i$、$r_M$：资产 $i$ 与市场组合的单期收益率；$R_i$、$R_M$ 是各自减去 $r_f$ 后的单期超额收益率。
• $\beta_i$：资产 $i$ 的市场贝塔。
• $\rho_{iM}$：资产 $i$ 与市场组合收益率的相关系数。
• $\sigma_i$、$\sigma_M$：资产 $i$ 与市场组合收益率的标准差。

市场收益是各资产收益的加权和，而市场方差就是市场收益与自身的协方差；利用协方差的线性性质，可将总方差拆成各资产与市场共同波动的贡献：

其中，$w_i$ 是资产 $i$ 的市场权重。将等式除以 $\sigma_M^2$，可得：

因此，$w_i\beta_i$ 是资产 $i$ 对市场方差的贡献占比，$\beta_i$ 则是每单位权重的风险贡献；贝塔为负的资产会降低市场组合风险。

组合贝塔是成分贝塔的加权平均：

其中，$\beta_P$ 是组合 $P$ 的市场贝塔；此处 $w_i$ 表示资产 $i$ 在组合 $P$ 中的权重。

市场组合自身的贝塔为 $1$，所以全部资产按市场价值加权的平均贝塔也为 $1$。$\beta_i>1$ 表示相对市场更敏感，$0<\beta_i<1$ 表示同向但较不敏感；这些标签不评价证券是否优质或是否被低估。

3. 证券市场线、资本市场线与阿尔法#

证券市场线（Security Market Line, SML） 是 CAPM 给出的必要收益率—贝塔直线，表示任意资产或组合承担一定市场风险时，投资者会要求多高的事前收益率。其方程为：

其中：

• $r_i$、$r_M$：资产 $i$ 与市场组合的单期总收益率，$E(r_i)$ 是资产的 CAPM 必要收益率。
• $r_f$：与持有期匹配的无风险收益率。
• $\beta_i$：资产 $i$ 相对于市场组合的贝塔。
• $R_i=r_i-r_f$、$R_M=r_M-r_f$：资产 $i$ 与市场组合的单期超额收益率。

$E(R_M)=E(r_M)-r_f$ 是市场风险溢价，也是 SML 的斜率；$E(R_i)=\beta_iE(R_M)$ 表示资产的必要超额收益率等于其市场风险暴露乘以市场风险价格。该式适用于单项资产与任意组合；在均衡中，只有不能通过分散化消除的系统性风险获得风险补偿。

由无风险资产与市场组合形成、且市场组合头寸非负的有效组合满足：

其中，$E(r_P)$ 与 $\sigma_P$ 分别是有效组合 $P$ 的单期预期收益率和收益率标准差。

该式是 CML，斜率等于市场组合的夏普比率。CML 与 SML 的区别为：

阿尔法（Alpha） 衡量资产的事前预期收益率相对 CAPM 必要收益率的偏离，即资产预期超额收益中不能由市场贝塔解释的部分：

其中：

• $\alpha_i$：资产 $i$ 的事前定价阿尔法。
• $E(r_i)$：分析者对资产 $i$ 单期总收益率的事前预测。
• $r_f+\beta_i[E(r_M)-r_f]$：资产 $i$ 在给定市场贝塔下的 CAPM 必要收益率。
• $R_i=r_i-r_f$：资产 $i$ 的单期超额收益率。
• $R_M=r_M-r_f$：市场组合的单期超额收益率。

$E(R_i)-\beta_iE(R_M)$ 表明，阿尔法是在控制系统性风险暴露后比较预期超额收益：$\beta_iE(R_M)$ 是承担 $\beta_i$ 单位市场风险应获得的补偿，剩余部分才是 $\alpha_i$。

图中 $A$ 点与 SML 上同贝塔点的纵向距离就是 $\alpha_A$；线上方对应正阿尔法，线下方对应负阿尔法，线上资产的阿尔法为 $0$。

在模型、贝塔与收益预测均正确时，正阿尔法意味着当前价格相对预期现金流偏低；若市场接受这一判断，买入会推高价格并压低预期收益率，直至阿尔法趋近于 $0$，负阿尔法的调整方向相反。阿尔法依赖所选定价模型和事前估计，正值既不保证事后获得异常收益，也不构成无风险套利；下一小节同样使用 $\alpha_i$ 表示单指数模型的历史回归截距，含义不同。

4. 指数模型、应用与现实偏离#

CAPM 与单指数模型都使用市场贝塔，但理论性质不同。

CAPM 是预期收益率的横截面定价模型：

其中：

• $E_t(\cdot)$：基于第 $t$ 期信息的条件期望。
• $R_{i,t+1}$：资产 $i$ 从第 $t$ 期至第 $t+1$ 期的超额收益率。
• $R_{M,t+1}$：市场组合从第 $t$ 期至第 $t+1$ 期的超额收益率。
• $\beta_{i,t}$：第 $t$ 期估计的资产 $i$ 市场贝塔，衡量系统性风险暴露并决定必要风险补偿。

资产的预期阿尔法（Expected Alpha） 是预期收益率相对 CAPM 必要收益率的偏离：

其中：

• $\alpha_{i,t}^{e}$：第 $t$ 期信息下资产 $i$ 的预期阿尔法。
• $r_{i,t+1}$、$R_{i,t+1}=r_{i,t+1}-r_{f,t}$：资产 $i$ 从第 $t$ 期至第 $t+1$ 期的总收益率与超额收益率。
• $r_{M,t+1}$、$R_{M,t+1}=r_{M,t+1}-r_{f,t}$：市场组合从第 $t$ 期至第 $t+1$ 期的总收益率与超额收益率。
• $r_{f,t}$：第 $t$ 期已知、与下一期持有期匹配的无风险收益率。

预期阿尔法不能从历史样本中直接观测，必须分别预测资产收益率、市场风险溢价并估计贝塔；正值表示在给定模型和信息下，资产预期收益高于其系统性风险要求的收益，但不保证未来获得超额收益。

单指数模型则是实现收益率的时间序列模型：

其中：

• $R_{i,t}$、$R_{M,t}$：第 $t$ 期资产 $i$ 与市场组合的实现超额收益率。
• $\beta_i$：资产对市场超额收益的回归敏感度。
• $\alpha_i$：市场因素未解释的平均收益，即回归截距。
• $e_{i,t}$：第 $t$ 期公司特有残差，通常假设其期望为 $0$。

该模型描述资产如何随市场共同波动，本身不能证明贝塔风险应当获得补偿。在金融计量学中，通常使用 $T$ 期历史超额收益进行普通最小二乘估计：

其中：

• $T$：历史样本包含的期数，$t=1,\ldots,T$。
• $\bar R_i$、$\bar R_M$：资产 $i$ 与市场组合的样本平均超额收益率。
• $\hat\beta_i$：市场贝塔的普通最小二乘估计值，等于样本协方差与市场超额收益方差之比。
• $\hat\alpha_i$：回归截距的估计值，即控制市场暴露后的样本平均异常收益率。

评价阿尔法时还应检验 $H_0:\alpha_i=0$，而不能只观察点估计值；存在异方差或自相关时，应采用稳健标准误。

只有在 CAPM 成立、市场代理正确且参数稳定时，总体回归阿尔法才应为 $0$。样本中的 $\hat\alpha_i\ne0$ 可能来自随机误差、遗漏因子、时变贝塔或错误定价，显著的回归阿尔法也不能仅凭回归结果确定其来源。

必要收益率可以用于：

• 证券估值：把分析者预测收益与同贝塔资产的必要收益比较。
• 资本预算：以项目自身或可比项目的资产贝塔估计折现率，而不是机械使用公司整体股权贝塔。
• 业绩评价：先控制系统性风险暴露，再判断是否存在模型不能解释的收益。

现实中，同质预期、单期决策、无限无风险借贷、可卖空与无摩擦市场均不严格成立。借款利率高于贷款利率会使不同投资者选择不同切点；税收、交易成本和卖空约束会阻止价格立即调整；人力资本和私人企业等不可交易资产会使投资者的真实总财富组合不同。

5. CAPM 的主要扩展#

零贝塔资本资产定价模型（Zero-beta CAPM） 用与市场组合不相关的零贝塔组合替代无风险资产，从而放松投资者能够按同一无风险利率借贷的假设。若 $Z$ 是与有效市场组合 $M$ 不相关的零贝塔组合，则：

其中：

• $E(r_Z)$：零贝塔组合 $Z$ 的预期收益率。
• $\beta_{iM}$：资产 $i$ 相对于有效市场组合 $M$ 的贝塔。

此时 SML 截距由 $r_f$ 改为 $E(r_Z)$。当融资受限且 $E(r_Z)>r_f$ 时，经验线会比基本 CAPM 更平：高贝塔资产的必要溢价低于基本模型预测，低贝塔资产的必要收益较高。

多贝塔定价（Multi-beta Pricing） 用多个贝塔分别衡量资产对不同不可分散风险的敏感度，再按各风险的单位补偿确定必要收益率：

其中：

• $K$：市场因素之外的对冲因素数量，$k$ 为因素下标。
• $\beta_{ik}$：资产 $i$ 对第 $k$ 个对冲因素的敏感度。
• $\lambda_M$、$\lambda_k$：市场因素和第 $k$ 个对冲因素每单位暴露的风险溢价。

其他扩展处理基本模型遗漏的风险来源：

• 人力资本与不可交易资产：证券对劳动收入或私人企业收入的协方差会影响持有需求；真实市场组合应覆盖总财富，而股票指数只是代理。
• 跨期资本资产定价模型（Intertemporal CAPM, ICAPM）：投资者除关心期末财富，还关心未来利率、风险溢价、通胀和消费品价格等投资机会状态。能够在不利状态中对冲这些变化的资产可接受较低溢价。
• 流动性调整：买卖价差、价格冲击、交易及时性以及市场整体流动性恶化都可能被定价。低流动性资产既可能补偿预期交易成本，也可能补偿在市场压力期难以变现的系统性流动性风险。

这些扩展改善特定偏离，却增加了不可观测变量和估计误差；简单 CAPM 因逻辑清晰、数据需求较低，仍是常用基准而不是完整现实描述。

1. 因素模型与非预期信息#

因素模型（Factor Model） 把实现收益分解为事前期望、共同因素冲击与公司特有冲击。多因素收益结构为：

其中：

• $r_i$、$E(r_i)$：资产 $i$ 的单期实现收益率与事前预期收益率。
• $K$：系统因素数量，$k$ 为因素下标。
• $F_k$：因素实际值相对事前预期的意外部分，满足 $E(F_k)=0$。
• $\beta_{ik}$：资产 $i$ 对第 $k$ 个因素冲击的敏感度。
• $e_i$：公司特有扰动，满足 $E(e_i)=0$，并假设与各系统因素不相关。

例如，若市场原先预期实际产出增长 $4\%$，最终为 $3\%$，则产出因素冲击为 $-1\%$，不是 $3\%$ 的增长水平。因素模型描述“什么冲击使实现收益偏离预期”，本身不说明为什么某个因素应获得正或负风险溢价。

若因素之间互不相关，则资产方差为：

其中：

• $\sigma_i^2$：资产 $i$ 收益率的总方差。
• $\sigma_{F_k}^2$：第 $k$ 个因素冲击的方差。
• $\sigma^2(e_i)$：资产 $i$ 公司特有扰动的方差。

因素相关时还必须加入因子协方差项。宏观意外变量、可交易因子组合收益和按公司特征构造的多空组合属于不同口径，不能仅因都写作“因子”就互换。

2. 充分分散组合与残差风险#

充分分散组合（Well-diversified Portfolio） 是通过持有大量低集中度资产，使公司特有扰动在组合中相互抵消、残差方差接近于零，同时仍保留目标系统因素暴露的组合。它具有以下特征：

• 单项权重较小：不存在足以主导组合风险的集中持仓；在理论极限中，证券数量增加时最大单项权重趋近于零。
• 残差相关性较弱：公司特有冲击来自足够独立的来源；若残差因行业、国家或供应链暴露而高度相关，它们不会因增加证券数量自动抵消。
• 公司特有风险可忽略：组合残差 $e_P$ 的方差趋近于零，实现收益的主要不确定性来自共同因素 $F_k$。
• 系统因素风险仍然存在：分散化不要求 $\beta_{Pk}=0$，组合可以主动保留市场、利率或通胀等因素暴露。

组合收益仍服从同一因素结构：

其中：

• $r_P$、$E(r_P)$：组合 $P$ 的单期实现收益率与事前预期收益率。
• $\beta_{Pk}$：组合 $P$ 对第 $k$ 个因素冲击的敏感度。
• $e_P$：组合 $P$ 的公司特有残差。
• $w_i$：资产 $i$ 在组合中的权重，完全投资组合满足 $\sum_iw_i=1$。

若各资产残差互不相关，组合残差方差为：

其中，$\sigma^2(e_P)$ 是组合残差方差。

等权组合满足：

其中，$n$ 是组合中的证券数量，$\overline{\sigma^2(e)}$ 是各证券残差方差的算术平均值。

上述极限成立的关键不是证券数量本身，而是权重足够分散且残差相关性足够弱。分散化压低的是 $e_P$ 所代表的公司特有风险，不会消除所有证券共同承担的 $F_k$；因此，充分分散组合的收益差异主要由因素暴露 $\beta_{Pk}$ 决定，APT 的无套利推导也对这类残差已近似消失的组合约束最强。

3. 套利、一价定律与无套利定价#

零净投资（Zero-net Investment） 是套利组合在建立时的多头支出完全由空头收入或借款融资，使初始净现金流为 $0$；它不表示多空头寸的市场价值、总风险敞口或保证金要求均为 $0$。

一价定律（Law of One Price） 要求两项资产若在所有具有经济意义的方面相同，尤其是在各状态下提供相同现金流，就应具有相同市场价格。若价格出现偏离，套利者会买入低价资产并卖出高价资产，交易压力推动两者价格收敛，直至套利机会消失并恢复无套利均衡。

纯套利（Arbitrage） 是零净投资（零成本）且无风险获得正收益的交易。在价格、现金流和交易时点能够同时锁定的理想条件下，纯套利的典型结构包括：

• 跨市场套利：同一证券在两个市场价格不同，同时在低价市场买入、在高价市场卖出。
• 三角套汇：三个货币对的交叉汇率不一致，通过连续兑换锁定无汇率风险利润。
• 期现套利：期货价格偏离持有成本关系，通过现货与期货的相反头寸实施现金套利或反向现金套利。
• 平价套利：期权价格违反看涨—看跌平价或其他无套利边界，通过期权、标的资产与无风险资产复制相同到期现金流。
• 复制套利：证券价格偏离具有相同状态现金流的复制组合，买入低价一方并卖出高价一方。
• 申赎套利：ETF 或可申赎基金价格偏离一篮子标的资产净值，通过份额申购、赎回与成分证券交易压缩价差。

风险套利（Risk Arbitrage） 是寻找价格偏差并押注未来事件发生或相对价差收敛的专业投资活动，收益不能在建仓时无条件锁定。主要类型包括：

• 并购套利：买入并购目标公司、必要时卖空收购方，承担交易失败、延期和条款变更风险。
• 事件驱动套利：围绕分拆、重组、回购、要约收购或指数调整交易，承担事件结果与实施时点风险。
• 相对价值套利：交易经济关系密切资产之间的价差，承担历史关系失效和价差继续扩大的风险。
• 配对与统计套利：依据统计相关性建立多空组合，承担模型错误、结构突变和参数不稳定风险。
• 资本结构套利：交易同一发行人的股票、债券、信用衍生品或可转换证券之间的相对价格，承担信用、波动率和对冲误差风险。
• 困境证券套利：投资违约、破产或重组证券，押注回收率与资本结构分配，承担法律程序和流动性风险。
• 价值收敛交易：买入估值模型认定的低估资产并等待价格回归，承担基本面判断错误和收敛期限不确定风险。

这些交易还可能共同面临融资中断、卖空召回、交易成本与流动性冲击，因此不是严格意义上的无风险套利。

纯套利与风险套利的区别在于结果是否可以被锁定：纯套利通过同时建立多空头寸消除风险，不依赖价格未来是否按预测路径收敛；风险套利只有在判断正确且交易能够持续持有时才可能获利。只有风险被完全对冲时，投资者才会在不依赖风险厌恶程度的情况下放大头寸，并迫使价格迅速趋向无套利均衡。

在单因素模型中，两个充分分散组合 $A$、$B$ 若具有相同贝塔而 $E(r_A)>E(r_B)$，则做多 $A$、做空 $B$ 可以得到：

其中：

• $r_A$、$r_B$：组合 $A$、$B$ 的单期实现收益率，$E(r_A)$、$E(r_B)$ 为相应的事前预期收益率。
• $\beta_A$、$\beta_B$：两个组合对单一共同因素的敏感度。
• $F$：均值为 $0$ 的单一共同因素意外。

净投资为零且因素暴露相互抵消；只有在模型极限中残差恰为零时，这才是严格套利。有限组合仍有微小残差时属于近似套利，仓位不能无风险地无限放大，但分散程度越高，预期收益差受到的定价压力越强。

4. 多因素 APT 与纯因子组合#

套利定价理论（Arbitrage Pricing Theory, APT） 是在因素模型、充分分散化与无持续套利条件下，用多种系统因素暴露解释资产必要收益率的线性资产定价理论。

若市场存在无风险资产，则 $K$ 因素 APT 为：

其中：

• $r_f$：与模型持有期匹配的无风险收益率。
• $\beta_{ik}$：资产 $i$ 对第 $k$ 个系统因素的暴露。
• $\lambda_k$：第 $k$ 个因素每单位暴露的风险溢价。

纯因子组合（Pure Factor Portfolio） $P_k$ 是只保留第 $k$ 个系统因素暴露、并尽可能消除其他因素与公司特有风险的充分分散组合。其标准化条件为：对目标因素 $k$ 的贝塔等于 $1$，对其余因素的贝塔等于 $0$，组合残差方差接近于 $0$。

纯因子组合把第 $k$ 个因素的共同波动从其他风险中隔离出来，因此其预期超额收益就是市场对一单位该因素暴露提供的风险补偿：

其中，$r_{P_k}$ 是纯因子组合 $P_k$ 的收益率。纯因子组合不一定对应一项现成证券，也不要求构造方式唯一；实务中通常以多空组合近似复制目标因素，此时也称因素模拟组合（Factor-mimicking Portfolio）。

因此，$\beta_{ik}$ 表示资产承担多少第 $k$ 个因素风险，$\lambda_k$ 表示每单位该风险应获得多少预期收益补偿；$\beta_{ik}\lambda_k$ 才是该因素对资产必要风险溢价的贡献。$\lambda_k$ 的正负取决于因素在投资者不利状态中的表现，不由因素波动大小单独决定。

对目标组合 $P$，可持有 $\beta_{Pk}$ 单位的各纯因子组合，并把剩余权重 $1-\sum_k\beta_{Pk}$ 配置于无风险资产，构造具有相同因素暴露的跟踪组合 $Q$。其必要收益率为：

$P$ 与 $Q$ 具有相同因素暴露，且公司特有残差均已充分分散，因此无套利要求 $E(r_P)=E(r_Q)$；若二者不等，做多高预期收益者并做空低预期收益者即可形成套利。这一复制思路把“相同风险必须同价”转化为 APT 的线性必要收益率公式。

资产相对多因素必要收益率的误定价为：

其中，$\alpha_i$ 是资产预期收益率相对 APT 必要收益率的事前定价偏离。正阿尔法表示给定全部因素暴露后预期收益仍偏高，但只有当残差能够被充分分散、复制组合可交易且交易约束不妨碍套利时，价格压力才会迫使其趋近于零。

对残差风险显著的单项资产，有限资金、卖空限制和分散不足会阻止套利者无限放大头寸，因此 APT 对充分分散组合的约束最严格，对单项证券通常只是近似关系。

5. APT、CAPM 与因素识别#

两类模型都认为可分散的公司特有风险不应单独获得风险溢价，但推导逻辑不同：

候选宏观因素包括工业产出意外、预期通胀变化、非预期通胀、信用风险溢价变化和期限溢价变化。

因素应满足三项要求：

• 能代表系统性经济风险
• 能够构造或近似跟踪组合
• 在样本外具有稳定且可解释的风险溢价

法玛—弗伦奇三因素模型（Fama-French Three-factor Model） 使用市场、规模与价值多空组合描述收益：

其中：

• $r_{i,t}$、$r_{M,t}$、$r_{f,t}$：第 $t$ 期资产 $i$、市场组合与无风险资产的收益率。
• $R_{i,t}$、$R_{M,t}$：相应的超额收益率，分别等于 $r_{i,t}-r_{f,t}$ 与 $r_{M,t}-r_{f,t}$。
• $\alpha_i$：多因素回归截距，即模型未解释的平均收益部分。
• $\beta_{iM}$、$s_i$、$h_i$：资产 $i$ 对市场、规模和价值因子收益的敏感度。
• $SMB_t$：第 $t$ 期小市值组合收益减大市值组合收益。
• $HML_t$：第 $t$ 期高账面市值比组合收益减低账面市值比组合收益。
• $e_{i,t}$：第 $t$ 期公司特有残差。

规模和价值组合的历史解释力不自动证明其风险来源；它们也可能代理遗漏的商业周期风险、行为偏差或样本内规律。

1. 信息、价格与不可预测的创新#

有效市场假说（Efficient Market Hypothesis, EMH） 认为证券价格已经及时、无偏地反映指定信息集。若公开信息可靠地预示某资产即将上涨，竞争性买入会立即抬高当前价格，直至剩余预期收益只与风险相称。

价格变化不可预测不等于价格水平没有经济基础。资产价格的单期条件期望关系为：

其中：

• $P_t$、$P_{t+1}$：资产在第 $t$ 期与第 $t+1$ 期的除息价格。
• $D_{t+1}$：第 $t+1$ 期取得的现金分配。
• $k_i$：资产 $i$ 与该单期持有期匹配的必要收益率。
• $\mathcal I_t$：第 $t$ 期可获得的信息集；条件期望仅使用该信息集。

已知信息包含在 $P_t$ 中，下一期偏离条件期望的部分来自新信息。严格的随机漫步还要求必要收益率和分布参数稳定；有效市场允许风险溢价随经济状态变化，因此“收益存在一定可预测性”不必然否定有效性。

2. 弱式、半强式与强式有效#

三种形式按价格已经反映的信息范围递进：

• 弱式有效（历史）：价格已反映历史价格、收益率和成交量等交易数据，仅凭历史序列不能持续获得风险调整后的净异常收益；常用自相关、动量、反转和交易规则检验。
• 半强式有效（公开）：价格已反映财报、公告和宏观信息等全部公开信息，公开消息公布后应迅速进入价格；常用事件研究、公开变量和基本面策略检验。
• 强式有效（所有）：价格已反映公开与非公开信息，即使掌握内幕信息也不能持续获得异常收益；常用内部人及其他特定信息优势群体的业绩检验。

强式有效是极端基准。内部人交易证据与各国对内幕交易的监管都表明，未公开信息并非在任何时点都已完全进入市场价格。

3. 技术分析、基本面分析与组合管理#

技术分析（Technical Analysis） 是利用历史价格、成交量、市场广度和图形指标识别趋势或反转，并据此预测短期价格变化的方法。

基本面分析（Fundamental Analysis） 是利用财务报表、行业信息、宏观数据和估值模型预测现金流与必要收益率，并比较市场价格与估计价值的方法。（可参考《证券分析》）

有效市场假设成立意味着：

• 弱式有效假设否定技术分析，仅凭历史交易数据无法持续获得扣除风险与成本后的异常收益。
• 半强式有效假设进一步否定基本面分析，仅靠重新处理所有投资者都能取得的公开信息无法持续获得风险调整后的净异常收益。

研究仍有经济价值，因为分析活动产生信息并促进价格发现，但竞争会把可交易优势压缩到研究、交易和税费成本附近。

投资管理可分为：

• 主动管理（Active Management）：通过独特信息、估值或择时观点偏离基准，目标是获得扣除风险与成本后的正阿尔法。（高成本，适合大规模投资组合）
• 被动管理（Passive Management）：不以持续战胜市场为目标，以指数基金、买入并持有或规则化再平衡低成本获取目标市场暴露。（低成本，接受有效市场假说）

即使市场高度有效，组合管理仍需完成资产配置、分散化、税收与流动性管理、负债期限匹配、风险预算和低成本再平衡。有效市场削弱的是无差别选股择时的依据，而不是组合管理本身。

4. 事件研究与异常收益#

事件研究（Event Study） 是以可识别的事件日为中心，通过异常收益衡量新信息对证券价值的影响及其进入价格的速度。

研究对象可按事件性质分为以下类型；每项末尾所列为常见观察或交易载体，而不是事件研究的统计估计方法：

• 并购重组：现金收购、换股收购和私有化；研究交易完成概率、预计时间、监管审查与融资风险；常涉及目标公司和收购方股票、期权。
• 资本运作：分拆、回购、增发、配股和定向增发；研究价值释放、股权稀释及被动资金流；常涉及股票、可转换债券。
• 困境与破产：违约、债务展期和破产重整；研究债权顺位、预期回收率与重组方案；常涉及债券、贷款和股票。
• 资本结构变化：债转股、债务置换和可转换债券赎回；研究同一发行人不同证券之间的相对价值；常涉及股债多空组合、可转换债券和期权。
• 治理事件：激进股东介入、董事会改组和控制权争夺；研究行动成功概率、资产出售与治理改善效果；常涉及股票、期权。
• 经营催化剂：财报、盈利指引、产品发布、临床试验和监管审批；研究信息超预期程度、估值影响及后续修正路径；常涉及股票、期权。
• 规则型事件：指数纳入或剔除、限售股解禁、停复牌和被动再平衡；研究可预测资金流、价格压力与流动性冲击；常涉及股票、股指期货和基金份额。

事件还可以按确定性程度分为：

• 硬催化剂（Hard Catalyst）：事件已经正式宣布，并具有明确合同、时间表或法律程序，例如已签署的并购协议、已公告的分拆或法院受理的破产重整。
• 软催化剂（Soft Catalyst）：事件尚未确定，只存在较高发生可能性，例如潜在资产出售、管理层改革、激进股东推动变革或公司可能被收购。

硬催化剂通常具有较清晰的事件日和结果路径，软催化剂则更依赖概率判断，事件时点、最终结果与因果识别的不确定性更高。

事件研究先用事件前的估计窗口拟合基准模型，再用事件窗口衡量价格反应。正常收益率（Normal Return） 是假设事件未发生时，资产依据该模型应取得的收益率；市场模型写为：

其中：

• $i$、$t$、$M$：分别表示资产、时期与市场组合。
• $r_{i,t}$、$r_{M,t}$：第 $t$ 期资产 $i$ 与市场组合的实现收益率。
• $\alpha_i$、$\beta_i$：资产 $i$ 的市场模型截距与市场敏感度。
• $e_{i,t}$：第 $t$ 期市场模型残差。

异常收益率（Abnormal Return, $AR$） 是事件窗口内实际收益率减去正常收益率的差额，用于识别事件在特定时点的价格影响：

其中：

• $AR_{i,t}$：资产 $i$ 在第 $t$ 期的异常收益率。
• $\hat\alpha_i$、$\hat\beta_i$：估计窗口得到的截距与市场敏感度估计值，括号内为正常收益率。

累计异常收益率（Cumulative Abnormal Return, $CAR$） 是单项资产在事件窗口内的异常收益率之和，用于衡量累计影响：

其中：

• $CAR_i(\tau_1,\tau_2)$：资产 $i$ 在事件窗口内的累计异常收益率。
• $\tau_1$、$\tau_2$：事件窗口的起止时点。

对包含 $N$ 项资产的样本，平均异常收益率（Average Abnormal Return, $AAR$） 衡量某一时点的平均反应，累计平均异常收益率（Cumulative Average Abnormal Return, $CAAR$） 衡量事件窗口内的平均累计影响：

其中：

• $N$：样本资产数量。
• $AAR_t$：第 $t$ 期全部样本资产的平均异常收益率。
• $CAAR(\tau_1,\tau_2)$：全部样本资产在事件窗口内的平均累计异常收益率。

$AR$、$AAR$ 定位即时反应，$CAR$、$CAAR$ 衡量累计影响；事件前显著值可能表示信息泄漏，事件后持续同向变化可能表示反应不足。正常收益也可用市场调整收益、特征匹配组合、CAPM 或多因素模型估计，基准不同可能改变结论。

半强式有效预期 $AAR$ 集中在信息公开附近，$CAAR$ 随后迅速稳定。事件日期误判、同期公告、交易停牌、样本选择和基准模型错误都会干扰识别，因此异常收益显著不等于已证明事件导致了价值变化。

5. 市场有效性的检验难题#

有效市场检验同时检验“价格是否有效”和“正常收益模型是否正确”，称为联合假设问题（Joint-hypothesis Problem）。观测到阿尔法可能表示错误定价，也可能只是遗漏了被定价的风险因素。

其他识别困难包括：

• 统计功效：相对于股票波动，持续 $0.1$ 个百分点的真实优势也很难从有限样本识别。
• 选择与发表偏差：成功且可交易的方法可能被保密，失败结果可能不发表；反过来，只报告显著结果也会夸大异象。
• 幸运与多重检验：同时尝试足够多的策略，总会有少数仅凭运气形成漂亮历史记录。
• 实施摩擦：买卖价差、冲击成本、税收、融资与卖空约束可能吞噬纸面异常收益。
• 样本外衰减：规律公布后资金进入会推动价格调整，异常收益往往下降，尤其是在流动性高、易交易的证券中。

因此，能够预测原始收益不等于能够获得风险调整后的净异常收益；样本内显著也不等于样本外稳定。

6. 收益模式、市场异象与专业业绩#

弱式检验发现的典型模式包括短中期动量与更长期的反转。

• 正自相关可以来自信息反应不足，也可能来自时变风险溢价；
• 长期反转可以来自过度反应后的修正，也可能受小样本偏差影响。

股息率、盈余收益率以及高低信用等级债券利差等公开变量，在部分样本中能够预测广泛市场收益。这既可能表示价格调整不充分，也可能表示经济状态恶化时必要风险溢价上升；只有在控制风险、交易成本并通过样本外检验后，才能把可预测性解释为市场无效。

半强式检验中的常见异象包括：

• 规模与一月效应：小市值组合曾在部分样本中获得 CAPM 不能解释的收益，早期溢价集中于一月；结果对时期、交易成本和微盘股处理敏感。
• 被忽略公司与流动性溢价：信息稀缺和交易成本可能提高必要收益，这既可解释为市场摩擦，也可解释为风险补偿。
• 价值效应：高账面市值比、低估值组合的长期平均收益较高；争论集中在遗漏风险与投资者过度外推之间。
• 盈余公告后漂移：正意外盈余后价格仍趋于上升、负意外后仍趋于下降，表现为对公开信息反应不足。

强式检验表明公司内部人可以从未公开信息中获利，但外部投资者在信息披露后跟随交易，异常收益往往不足以覆盖成本。泡沫看似违背无偏定价，但内在价值估计本身不精确，且卖空、融资和估值风险使事前押注泡沫破裂并非无风险套利。

专业分析师可能通过观点变化向市场传递新信息，但交易建议的可实施收益需扣除价格冲击与高换手成本。主动基金的毛收益可能体现部分技能，费用后的平均阿尔法往往较弱；结论高度依赖市场、规模、价值、动量等风格基准，少数优胜者也必须排除幸存者偏差和运气。

1. 信息处理偏差#

常见信息处理偏差为：

• 预测偏差（过度外推）：过度依赖近期经验并作出极端预测。可能使价格先过度反应、随后反转。
• 过度自信（高估精度）：高估信息质量与自身能力。容易导致交易过度、分散不足和成本侵蚀收益。
• 保守主义（更新过慢）：面对新信息仍固守原有判断。可能使价格反应不足，形成动量或公告后漂移。
• 代表性偏差（以偏概全）：忽略基准概率与样本规模，把小样本特征视为稳定规律。可能造成错误定价与后续修正。

保守主义可以解释短期反应不足，代表性与过度外推可以解释长期反转；同一个事后模式可能对应多种机制，不能看到动量或反转就唯一识别某种心理偏差。

2. 框定、心理账户与前景理论#

即使概率判断正确，投资者的评价方式与选择也可能偏离标准期望效用：

• 框定效应（Framing Effect）：把结果说成“获得收益”或“避免损失”，可能改变投资者的风险态度和最终选择。
• 心理账户（Mental Accounting）：把总财富按来源或用途分成互不相干的账户，对同样一元钱区别对待并分别决策，从而忽略账户间相关性与组合整体风险。
• 后悔规避（Regret Avoidance）：为避免将来后悔或承认自己判断失误，投资者更愿意选择熟悉、随大流的资产，也可能拖延卖出已经亏损的头寸。
• 情感效应（Affect）：用对公司、品牌或产品的好恶代替收益与风险分析，容易把“好公司”误当成“好投资”，忽略买价过高会压低未来预期收益率。
• 前景理论（Prospect Theory）：投资者以买入价等参照点判断盈利或亏损，而非只看最终财富；金额增加时感受逐渐变弱，且同额损失带来的痛苦通常大于收益的快乐。
• 处置效应（Disposition Effect）：投资者常卖出盈利头寸以尽快确认“判断正确”，却不愿卖出亏损头寸以免承认失败，结果表现为“止盈过早、止损过迟”。

前景理论常用的简化价值函数为：

其中：

• $x$：相对于参照点的收益或损失，收益为正、损失为负。
• $v(x)$：投资者赋予损益 $x$ 的主观价值。
• $a$、$b$：收益区间与损失区间的曲率参数。
• $\lambda$：损失厌恶系数，$\lambda>1$ 表示同额损失的影响大于收益。

收益区间凹表示边际价值递减，损失区间凸表示投资者可能为避免确定损失而寻求风险。参照点会随买入价、近期高点或目标变化，这使风险态度可能随账户状态改变。

处置效应可由损失厌恶、心理账户和后悔规避共同解释；税收、信息与再平衡也可能造成相似交易，实证识别需要控制这些替代机制。

心理账户还会产生“赌场资金效应”：投资者把近期账面盈利视为不属于原始本金的独立账户，短期风险容忍度上升，可能强化上涨后的追涨需求。

3. 套利限制与一价定律偏离#

理性投资者发现错误定价后仍面临：

• 基本面风险：价格可能在回归前继续偏离，相关替代资产也无法完全对冲基本价值变化。
• 噪声交易者风险：非理性需求短期增强会扩大价差，杠杆头寸可能先触发追加保证金或清算。
• 执行与融资成本：交易成本和融资约束限制仓位。
• 代理与期限风险：基金经理即使长期判断正确，也可能因短期落后而遭赎回或失去授权。
• 模型风险：可能使用错误的资产模型。

皇家荷兰石油与壳牌曾按固定比例分享现金流，但两地上市股票的相对价格长期偏离理论比例；3Com 持有的 Palm 股权一度隐含出 3Com 其他业务为负的价值。两例说明一价定律偏离可能长期存在：替代资产不完全相同、卖空标的稀缺、价差收敛日期不确定，使表面机会不等于纯套利。

泡沫也难以仅凭高估值判定。恒定增长股利模型为：

其中：

• $P_0$：股票当前内在价值。
• $D_1$：下一期预期股利。
• $k$：与股利风险匹配的必要收益率。
• $g$：股利的长期固定增长率。

当 $k$ 接近 $g$ 时，估值对输入极度敏感，小幅调整长期增长率或必要收益率即可产生巨大价值差；估值不确定与套利限制共同削弱做空力量。

4. 行为解释的边界#

行为金融指出“没有容易获利的交易规则”不能反推“价格一定正确”，因为利用偏离本身可能有风险。但行为解释也面临检验约束：

• 偏差种类多，容易在结果出现后反向挑选解释，缺少统一模型时可证伪性较弱。
• 反应过度预测反转，反应不足预测延续；同一市场同时出现两类模式时，需要明确期限与触发机制。
• 异象可能源于遗漏风险、交易成本和数据挖掘，而非非理性。
• 被动投资同时适用于担心市场有效和担心自身行为偏差的投资者，因此该建议不能区分两类理论。

有效市场与行为金融不是简单二选一：竞争与套利解释偏离为何受到约束，心理偏差与交易摩擦解释偏离为何不会立即消失。可检验结论必须同时说明信息集、期限、风险模型和实施成本。

5. 趋势、移动平均与市场广度#

技术分析假设信息与情绪逐步进入价格，使历史交易数据包含尚未耗尽的趋势。道氏理论（Dow Theory） 把价格变化分为持续数月至数年的主要趋势、偏离主要趋势数周至数月的次级趋势，以及短期日常波动；上升趋势表现为峰值和谷值依次抬高。

艾略特波浪和康德拉季耶夫长周期试图把价格或经济活动解释为嵌套波形，但周期划分具有较强事后主观性，长周期可用样本极少，难以进行有统计功效的样本外检验。

$k$ 期简单移动平均（Simple Moving Average, SMA） 为：

其中：

• $SMA_t(k)$：第 $t$ 期末的 $k$ 期简单移动平均值。
• $P_{t-j}$：距第 $t$ 期末 $j$ 期的资产或指数收盘价。
• $k$：移动平均窗口包含的期数，$j$ 为窗口内的位置下标。

移动平均通过平滑短期波动呈现趋势，也必然滞后于价格。传统规则把价格向上穿越均线视为趋势转强、向下穿越视为趋势转弱；窗口越短越灵敏但假信号越多，窗口越长越平滑但转向更迟。

市场广度（Market Breadth） 衡量上涨是否由大量证券共同参与，而不是“指数波动幅度”。当日净上涨家数与累积涨跌线可写为：

其中：

• $B_t$：第 $t$ 期净上涨家数。
• $N_{adv,t}$、$N_{dec,t}$：第 $t$ 期上涨与下跌的证券数量。
• $ADL_t$：截至第 $t$ 期的累积涨跌线数值。

指数上涨且涨跌线同步上升，表示上涨覆盖面较广；指数创新高而涨跌线未创新高称为负背离，但背离可能长期持续，不构成确定的反转时点。

6. 成交量与情绪指标#

交易者指数（Trading Index, TRIN） 比较下跌股票与上涨股票的平均成交量：

其中：

• $V_{adv}$、$V_{dec}$：当期上涨与下跌证券的总成交量。
• $N_{adv}$、$N_{dec}$：沿用上涨与下跌证券数量，此处省略时间下标。

$TRIN>1$ 表示下跌股票的平均成交量更高，按顺势解释代表卖压较强；极端高值也可能被反向投资者解释为恐慌接近极值。方向解释必须事先固定，不能在结果出现后切换规则。

其他情绪指标包括：

• 信心指数（Confidence Index）：高评级公司债收益率与中等评级公司债收益率之比。信用利差缩窄时比率趋近 $1$，传统解释为风险偏好改善。
• 看跌/看涨比率（Put/Call Ratio）：看跌期权未平仓量或成交量除以对应看涨指标。比率上升既可表示悲观需求增强，也可被反向策略解释为情绪过度；必须统一分子分母、成交量或持仓量口径。

技术规则应在独立样本上预先固定参数，计入幸存者偏差、买卖价差、冲击成本、税收与卖空约束。若大量投资者采用同一信号，价格会提前反应，历史有效的规则可能因竞争而衰减。

1. 两阶段 CAPM 检验#

两阶段 CAPM 检验（Two-pass CAPM Test） 先用各资产的时间序列估计市场贝塔，再用资产间的横截面数据检验贝塔能否解释平均超额收益，即依次回答“风险暴露多大”和“该暴露是否获得补偿”。

第一阶段对每项资产或组合进行时间序列回归：

其中：

• $R_{i,t}$、$R_{M,t}$：第 $t$ 期资产 $i$ 与市场组合的超额收益率。
• $r_{i,t}$、$r_{M,t}$：第 $t$ 期资产 $i$ 与市场组合的实现收益率；$r_{f,t}$ 是第 $t$ 期已知的无风险收益率。三者满足 $R_{i,t}=r_{i,t}-r_{f,t}$、$R_{M,t}=r_{M,t}-r_{f,t}$。
• $a_i$、$b_i$：资产 $i$ 的时间序列回归截距与市场贝塔系数。
• $e_{i,t}$：第 $t$ 期回归残差。

由此估计市场贝塔 $\hat b_i$、截距与残差风险。第二阶段比较不同资产的平均超额收益与估计贝塔，以检验证券市场线：

其中：

• $\bar R_i$：资产 $i$ 在样本期内的平均超额收益率。
• $\hat b_i$、$\hat\sigma(e_i)$：第一阶段估计的市场贝塔与残差标准差。
• $\gamma_0$：横截面截距；$\gamma_1$、$\gamma_2$、$\gamma_3$ 分别是贝塔、贝塔平方与残差风险的横截面系数。
• $u_i$：资产 $i$ 的横截面回归残差。

基本 CAPM 的联合预测为：

其中，$\bar R_M$ 是市场组合在样本期内的平均超额收益率。

$\gamma_2=0$ 检验收益—贝塔关系是否线性，$\gamma_3=0$ 检验充分分散后公司特有风险是否仍被定价。若第二阶段使用总收益而非超额收益，理论截距相应为平均无风险收益率，不能混用两种口径。

2. 经验证券市场线、罗尔批评与测量误差#

经验证券市场线（Empirical Security Market Line, SML） 是用历史平均收益与估计贝塔拟合出的横截面关系，用来比较样本中的收益—贝塔关系与 CAPM 理论线。早期结果通常正向但过于平缓：截距偏高、贝塔斜率偏低，低贝塔组合相对模型表现较高，高贝塔组合相对较低；分散组合虽能降低残差噪声，但斜率偏平和时期不稳定仍然存在。

罗尔批评（Roll’s Critique） 指出，CAPM 真正检验的是“包含全部风险资产与财富的市场组合是否均值—方差有效”，但该组合无法观测，股票指数只是代理。因此，检验失败既可能说明 CAPM 错误，也可能只是代理选错，二者无法仅凭该检验区分。

变量误差偏差（Errors-in-variables Bias） 是回归自变量本身含估计噪声所造成的偏差。第一阶段贝塔并非真实值，其误差会使第二阶段斜率向零衰减、截距向上偏移，恰好产生过平 SML；按预估贝塔分组可提高精度，但会减少观测数，因此常用前期数据建组、后期数据重新估计。

法玛—麦克贝思回归（Fama–MacBeth Regression） 先逐期进行横截面回归，再用各期系数的时间序列均值与标准误检验平均风险价格。直观上，它先观察每期市场如何给风险定价，再判断这种定价是否长期稳定；但不能自动解决市场代理、时变贝塔、遗漏因子和弱识别。

3. 多因素、条件贝塔与不可交易财富#

• 多因素资产定价（Multifactor Asset Pricing）：用多个不可分散的共同风险解释必要收益率，避免把所有系统性风险都压缩为股票市场贝塔。
• 条件贝塔（Conditional Beta）：资产基于当期信息或经济状态的风险敏感度；公司业务、杠杆和经济周期变化时，贝塔也可能随时间改变。
• 不可交易财富（Non-traded Wealth）：不能直接在证券市场买卖的财富，如人力资本和私人企业权益；它仍会影响投资者的总财富与风险承受能力。
• 因子模拟组合（Factor-mimicking Portfolio）：通过多空证券构造对目标因素具有稳定暴露的可交易组合，使难以直接交易的宏观风险能够用组合收益近似表示。

单一股票指数还可能遗漏消费品价格、通胀和未来投资机会变化等风险。证券若在劳动收入下降或融资条件恶化时也表现不佳，会加重总财富损失，因而可能需要额外溢价。

实证多因素研究通常经历三步：指定系统因素，寻找对因素具有稳定暴露的跟踪组合，再检验因子贝塔能否解释横截面平均收益。工业产出、非预期通胀、信用风险溢价与期限溢价在部分样本中具有解释力，但结果依赖变量定义、组合分组和样本期。

若价值股票在衰退期的市场贝塔更高，而市场风险溢价也恰在此时上升，则平均风险补偿取决于两者的共同变化，不能由全样本固定贝塔完整刻画。加入劳动收入、私人企业风险和条件贝塔后，部分规模或价值效应会减弱，但并未形成唯一公认的定价模型。

4. 规模、价值与动量因素的解释#

法玛—弗伦奇三因素模型（Fama–French Three-factor Model） 在市场因子之外加入规模因子与价值因子，用来解释与公司市值、账面市值比相关的平均收益差异；它通常比单因素 CAPM 拟合更好，但拟合成功本身不能证明因子为何获得溢价。

规模与价值溢价存在两条竞争解释：

• 风险解释：小市值与高账面市值比公司在衰退、融资紧缩或不可逆投资形成的过剩产能状态中更脆弱，SMB、HML 代理商业周期坏状态风险。
• 行为解释：投资者把近期盈利增长外推过远，给成长型“绩优股”过高价格；当未来盈余不及乐观预期时，低账面市值比组合相对表现较差。

卡哈特四因素模型（Carhart Four-factor Model） 在法玛—弗伦奇三因素中加入动量因子，用于区分投资能力与追随近期赢家形成的机械收益。回归写为：

其中：

• $\alpha_i$：四因素回归截距，即四个因子未解释的平均收益部分。
• $\beta_{iM}$、$s_i$、$h_i$、$m_i$：资产 $i$ 对市场、规模、价值和动量因子收益的敏感度。
• $SMB_t$：第 $t$ 期小市值组合收益减大市值组合收益。
• $HML_t$：第 $t$ 期高账面市值比组合收益减低账面市值比组合收益。
• $MOM_t$：第 $t$ 期近期赢家组合收益减近期输家组合收益，亦记为 $WML_t$。

该模型常用于基金业绩的风格调整：控制动量暴露后，原先的阿尔法可能只是追随赢家的系统策略。因子能描述收益不等于已经解释其经济来源；风险溢价、行为错误与交易摩擦仍需用独立证据区分。

5. 流动性与资产定价#

流动性（Liquidity） 是资产能否及时、大量、低成本交易且不明显冲击价格的能力，包含买卖价差、市场深度、成交速度与价格冲击等维度，无法由单一指标完整刻画。

Amihud 非流动性指标（Amihud Illiquidity Measure） 用单位成交额对应的绝对收益率近似价格冲击，即少量交易能否引起较大价格变化：

其中：

• $ILLIQ_i$：资产 $i$ 在样本窗口内的 Amihud 非流动性指标。
• $T$：样本窗口包含的交易日数量，$t$ 为交易日下标。
• $r_{i,t}$：资产 $i$ 在第 $t$ 日的简单收益率。
• $DVOL_{i,t}$：资产 $i$ 在第 $t$ 日的成交金额。

指标越高，单位成交额引起的价格变动越大，资产越不易交易。大额交易后的短期价格反转也可用于识别投资者为立即成交而让出的价格折扣。

流动性对必要收益率有两种作用：

• 预期交易成本水平：资产越难交易，投资者为补偿未来价差和冲击成本而要求更低现价、更高毛收益。
• 系统性流动性风险：资产若在全市场流动性枯竭时更难出售，或其收益对市场流动性恶化更敏感，会在投资者最需要现金时表现较差，因而可能获得额外风险溢价。

多因素定价可加入流动性贝塔：

其中：

• $E(r_i)$、$r_f$：资产 $i$ 的预期收益率与匹配模型持有期的无风险收益率。
• $\beta_{iL}$：资产 $i$ 对流动性因素的敏感度。
• $\lambda_M$、$\lambda_L$：市场因素和流动性因素每单位暴露的风险溢价。

实证发现流动性暴露能够解释部分动量和公告后漂移收益，但估计高度依赖流动性指标、交易频率和微观结构处理；不能把全部异象机械归为一个流动性因素。

6. 消费资产定价与股权溢价之谜#

消费资产定价（Consumption-based Asset Pricing） 根据资产收益与消费边际效用的共同变化确定风险补偿：投资者关心资产能否在消费较低、资金更珍贵的坏状态提供回报，而不只是资产自身的波动。资产定价欧拉方程为：

其中：

• $E_t(\cdot)$：基于第 $t$ 期信息的条件期望。
• $m_{t+1}$：随机贴现因子（Stochastic Discount Factor, SDF），即不同未来状态下单位支付的当前边际价值。
• $r_{i,t+1}$：资产 $i$ 从第 $t$ 期到第 $t+1$ 期的单期简单收益率。

常相对风险厌恶效用（Constant Relative Risk Aversion, CRRA） 假设财富按相同比例变化时，投资者的风险厌恶程度保持不变。在该效用下：

其中：

• $\delta$：单期主观贴现因子。
• $C_t$、$C_{t+1}$：代表性投资者在第 $t$ 期与第 $t+1$ 期的消费水平。
• $\gamma$：相对风险厌恶系数。

由无风险资产的欧拉方程可得：

随机贴现因子用状态相关权重把未来支付折算为当前价值：坏状态中消费低、边际效用高，$m_{t+1}$ 较大。若资产恰在此时收益低，其收益与 $m_{t+1}$ 的协方差为负，需要正风险溢价；能在坏状态提供高收益的资产具有保险价值，可以接受较低预期收益。

股权溢价之谜（Equity Premium Puzzle） 是指标准消费模型难以用平滑的总消费增长与合理的风险厌恶程度解释美国历史上较高的股票超额收益；若强行匹配数据，模型通常要求投资者具有不合理高的风险厌恶程度。

解释路径包括：

• 总消费数据低频且测量误差大，真正持有股票家庭的消费与市场收益协方差可能更高。
• 灾难风险、习惯形成、长期风险、借款约束、有限市场参与和不可保险劳动收入提高坏状态中的边际效用风险。
• 股权溢价包含交易成本与系统性流动性风险补偿，不只是市场收益协方差补偿。
• 损失厌恶与窄框定使投资者孤立评价股票损失，忽略股票与其他财富的分散关系，要求更高溢价。

7. 预期收益、实现收益与生存偏差#

两个收益口径必须区分：

• 预期收益率（Expected Return）：投资者基于事前信息对未来收益率的概率加权平均；在给定定价模型和均衡价格下，它对应必要收益率，其中超过无风险收益率的部分才是风险补偿。
• 实现收益率（Realized Return）：持有期结束后实际观察到的收益率，等于事前预期部分加上期间新信息造成的意外收益。

因此，历史实现股权溢价包含未预期资本利得，不等于投资者事前要求的风险溢价。恒定增长股利模型下的事前收益估计为：

其中：

• $E(r)$：股票的事前预期总收益率。
• $D_1$：下一期预期股利。
• $P_0$：股票当前价格，因此 $D_1/P_0$ 是预期股息率。
• $g$：预期股利的长期固定增长率。

若估值水平被永久上调，当期意外资本利得会使实现收益高于事前预期，但不能据此推断未来仍可重复获得该收益。

生存偏差（Survivorship Bias） 是只观察留在样本中的成功市场、公司或基金，却遗漏关闭、退市或清盘者，由此高估历史收益与策略成功率。战争、制度中断、市场关闭和基金清盘样本若被排除，平均收益会系统性偏高；长期记录还应检查国家范围、退市处理、通胀、税费、起止日期及收益口径。

资产定价证据更适合支持有条件的判断：贝塔、规模、价值、动量、流动性和消费风险都解释了部分收益差异，但任何单一模型都未完全覆盖全部时期与资产。模型用途是提供可检验的风险基准，而不是把历史平均收益固化为未来参数。