1 . 9 8 4 )

1 9 6 8 ~ 1 9 7 7 -5 . 2 6 9 1 3 . 4 6 6 -0 . 2 5 5 -1 . 4 2 1 1 2 . 8 9 7 -11 . 7 0 8 8 . 5 8 2

(-0 . 7 1 7 ) ( 2 . 0 3 8 ) (-3 . 2 3 7 ) (-3 . 1 0 6 ) ( 2 . 9 5 5 ) (-2 . 2 9 9 ) ( 1 . 1 6 7 )

1 9 7 8 ~ 1 9 8 4 -3 . 6 8 3 8 . 4 0 2 -0 . 11 6 -0 . 7 3 9 6 . 0 5 6 -5 . 9 2 8 1 5 . 4 5 2

(-0 . 4 9 1 ) ( 1 . 4 3 2 ) (-0 . 4 5 8 ) (-0 . 8 6 9 ) ( 0 . 7 8 2 ) (-0 . 6 4 4 ) ( 1 . 8 6 7 )

注：v w n y＝建立在市值加权的纽约证券交易所指数基础上的收益；e w n y＝建立在等权重的

纽约证券交易所指数基础上的收益；i p＝行业生产的月增长率；e i＝预期通货膨胀的变化；

u i＝意外的通货膨胀；c g＝风险溢价的意外变化（b a a级及以下的收益—长期政府债券

收益）；g b＝期限结构的意外变化（长期政府债券收益—国库券收益率）；y p＝行业生

产的年增长率。注意：括号中的内容是t统计情况。

资料来源：nai-fu chen, richard roll, and stephen ross,“economic forces and the stock market,”

journal of business 59 (1986); 由芝加哥大学出版。

13.3 有关异常的文献：风险溢价或有效性

13.3.1 攻击

对支持资本资产定价模型和套利定价理论的经验研究已经遭到了挫折。连续的研

究得出的结论是，资产收益并不围绕由资本资产定价模型和套利定价理论预测的假定

的证券市场曲线排列。一些研究者猜测，即便正的期望收益-贝塔关系是有效的，

f u l l - b l o w n资产定价模型并不被经验所证明，因为许多统计问题还没有得到很好

的解决。

324 第三部分资本市场均衡

下载

在第1 2章曾简要地讨论过法马和弗伦奇[1] 的研究，他们的以下报告会受到强烈关

注，这并不令我们感到意外：

两个容易测度的变量—权益的规模与账面-市值比率，结合起来在一个与市场

、

规模、杠杆、账面-市值比率和市盈率一致的平均股票收益中获得截面变动。另外，当

检验允许

的变动与规模不相关时，市场

与平均收益的关系是平缓的，甚至当

是唯

一解释变量时也是这样。

这对结论是个很大的干扰。如果经验证据认为系统风险与期望收益无关，我们一

定放弃了金融理论的一块柱石。的确，法马和弗伦奇说：“简言之，我们的检验并不

支持资本资产定价模型和套利定价理论的主要预测，即股票的平均收益相对于

是正

的。”这个结论引起了市场的实务者和学术机构的关注，《纽约时报》（the new yo r k

ti m e s ）和《经济学家》（the economist）进行了报道（见专栏1 3 - 1）。

一场发生在顶尖级的金融经济学家之间的论战正引起华尔街的注意。受

到攻击的是著名的资本资产定价模型（c a p m），该模型被广泛地应用于对风

险与收益的评估上。两位芝加哥的经济学家，尤金·法马和肯尼斯·佛伦奇在

他们新发表的论文中，通过证明模型中的关键性分析工具不能对股票收益的差

别给予解释而推翻了该模型。1

按照c a p m模型，收益是要反映风险的。模型使用了一个测度工具称为贝

塔，是相对波动性的速记形式，以此来测度相对于整个市场来说某一个股份的

风险情况，计算贝塔所依据的是过去的价格变化。某一股份的贝塔值为1表示

其风险程度与整个市场的风险程度相当，而贝塔值为0 . 5则表示风险程度较小。

由于投资者对风险较大的投资要求获得较高的收益，所以股票价格将反映出这

种要求，有较高贝塔值的股票要求获取高于平均值的收益。

长期以来一直存在着关于贝塔值是否真能用来预期收益的争论。经研究

发现，市场的资本化程度、市盈率比率、财务杠杆和账面-市值比率也同样能

很好地预期收益。法马与佛伦奇先生说得很清楚：贝塔不是一个理想的指示

器。

两位经济学家调查了从1 9 6 3到1 9 9 0年间，所有在纽约证券交易所、美国

股票交易所和纳斯达克上市的非金融股份。他们将股票按组划分。当仅以规模

（如市场的资本化程度）为标准分组时，c a p m模型是有效的，但在每一资产

组合中都包含着一个范围广泛的贝塔值。因此作者将相同贝塔值和资本化程度

的股份分在一组，此时的贝塔值对收益的预测是无效的。

法马和佛伦奇先生认为，可用公司规模的差别和账面-市值比率的差别，

特别是后者，来代替贝塔值，以解释收益的区别。当把股票按账面-市值比率

分组时，在比率最低与比率最高组之间的收益上的差别，远远要比按规模分组

时的收益差别大得多。

那么，分析家们是否应当停止使用c a p m模型呢？也不一定。虽然法马与

佛伦奇先生提出了引人入胜的结论，但他们缺乏理论上的论证。对他们来说，

最理想的情况就是把公司规模和账面-市值比率作为其他基准的代表。例如，

专栏1 3 - 1受到打击的贝塔

[1] eugene f. fama and kenneth r. french,“the cross section of expected stock returns,”journal of

finance 47 (1992), pp.427-66.

下载

第13章证券收益的经验根据

325

较高的账面-市值比率可能表示公司要有麻烦了，公司的收益前景可能对经济

条件特别敏感，所以此时它的股票需要获取比其贝塔值所建议的更高的收益。

c a p m模型的提倡者包括一家投资银行高盛公司的费希尔·布莱克和斯坦

福大学的威廉·夏普，后者是1 9 9 0年诺贝尔经济学奖的获得者，他们认为可

以在不放弃贝塔的条件下解释新的研究成果。投资者可能非理性地偏爱大公司。

也可能缺乏现金来购买多种股票以将风险充分的分散化，这样一来，市场上的

风险与收益就不能很好地相匹配了。

那些试图从理论上找到c a p m模型替代物的学者们将很难得到什么满意的

结果。曾一度流行的“套利定价模型”在解释实际的股票收益上并不见得比

c a p m模型和贝塔值更高明。这可让华尔街犯了难：是应相信法马和佛伦奇的

证据（尽管存在着理论真空的缺憾），并使用规模和账面-市值比率来预测收益

呢，还是应坚持那逻辑上完美无缺的c a p m模型的理论呢（尽管所反映的数据

与现实不符）？

1 参见eugene fama and kenneth french, “the cross-section of expected stock

r e t u r n s ,”journal of finance 47 (1992). pp. 427-66.

资料来源：选自the economist, march 7, 1992. p. 8 7 .

法马和弗伦奇（f f）提供的最令人沮丧的证据是平均收益与贝塔之间缺乏正的关

系。表1 3 - 3最好地表明了这一点。法马和弗伦奇发现，相对于平均收益，规模与贝塔

都是正的。但是，由于这些解释变量具有很高的负相关性，他们寻求把贝塔的影响独

立出来。他们通过组成1 0组不同规模的资产组合，每一资产组合有一不同的贝塔的方

式来做到这一点。

表13-3 根据规模和排序前的

形成的资产组合的性质（1 9 4 1 ~ 1 9 9 0年）

全部低

- 2

- 3

- 4

- 5

- 6

- 7

- 8

- 9 高

a组：平均月收益（百分比）

全部1 . 2 2 1 . 3 0 1 . 3 2 1 . 3 5 1 . 3 6 1 . 3 4 1 . 2 9 1 . 3 4 1 . 1 4 1 . 1 0

小市值1 . 7 8 1 . 7 4 1 . 7 6 2 . 0 8 1 . 9 1 1 . 9 2 1 . 7 2 1 . 7 7 1 . 9 1 1 . 5 6 1 . 4 6

市值- 2 1 . 4 4 1 . 4 1 1 . 3 5 1 . 3 3 1 . 6 1 1 . 7 2 1 . 5 9 1 . 4 0 1 . 6 2 1 . 2 4 1 . 11

市值- 3 1 . 3 6 1 . 2 1 1 . 4 0 1 . 2 2 1 . 4 7 1 . 3 4 1 . 5 1 1 . 3 3 1 . 5 7 1 . 3 3 1 . 2 1

市值- 4 1 . 2 8 1 . 2 6 1 . 2 9 1 . 1 9 1 . 2 7 1 . 5 1 1 . 3 0 1 . 1 9 1 . 5 6 1 . 1 8 1 . 0 0

市值- 5 1 . 2 4 1 . 2 2 1 . 3 0 1 . 2 8 1 . 3 3 1 . 2 1 1 . 3 7 1 . 4 1 1 . 3 1 0 . 9 2 1 . 0 6

市值- 6 1 . 2 3 1 . 2 1 1 . 3 2 1 . 3 7 1 . 0 9 1 . 3 4 1 . 1 0 1 . 4 0 1 . 2 1 1 . 2 2 1 . 0 8

市值- 7 1 . 1 7 1 . 0 8 1 . 2 3 1 . 3 7 1 . 2 7 1 . 1 9 1 . 3 4 1 . 1 0 1 . 11 0 . 8 7 1 . 1 7

市值- 8 1 . 1 5 1 . 0 6 1 . 1 8 1 . 2 6 1 . 2 5 1 . 2 6 1 . 1 7 1 . 1 6 1 . 0 5 1 . 0 8 1 . 0 4

市值- 9 1 . 1 3 0 . 9 9 1 . 1 3 1 . 0 0 1 . 2 4 1 . 2 8 1 . 3 1 1 . 1 5 1 . 11 1 . 0 9 1 . 0 5

大市值0 . 9 5 0 . 9 9 1 . 0 1 1 . 1 2 1 . 0 1 0 . 8 9 0 . 9 5 0 . 9 5 1 . 0 0 0 . 9 0 0 . 6 8

b组：排序后

全部0 . 7 6 0 . 9 5 1 . 0 5 1 . 1 4 1 . 2 2 1 . 2 6 1 . 3 4 1 . 3 8 1 . 4 9 1 . 6 9

小市值1 . 5 2 1 . 1 7 1 . 4 0 1 . 3 1 1 . 5 0 1 . 4 6 1 . 5 0 1 . 6 9 1 . 6 0 1 . 7 5 1 . 9 2

市值- 2 1 . 3 7 0 . 8 6 1 . 0 9 1 . 1 2 1 . 2 4 1 . 3 9 1 . 4 2 1 . 4 8 1 . 6 0 1 . 6 9 1 . 9 1

市值- 3 1 . 3 2 0 . 8 8 0 . 9 6 1 . 1 8 1 . 1 9 1 . 3 3 1 . 4 0 1 . 4 3 1 . 5 6 1 . 6 4 1 . 7 4

市值- 4 1 . 2 6 0 . 6 9 0 . 9 5 1 . 0 6 1 . 1 5 1 . 2 4 1 . 2 9 1 . 4 6 1 . 4 3 1 . 6 4 1 . 8 3

市值- 5 1 . 2 3 0 . 7 0 0 . 9 5 1 . 0 4 1 . 1 0 1 . 2 2 1 . 3 2 1 . 3 4