个独立的贝塔或规模交叉组成的1 0 0个资产组合；( 4 )先根据股票的贝塔排序组成1 0个资产组
合，然后再在每个贝塔组中根据规模组成1 0个资产组合；( 5 )先根据股票的规模排序组成1 0个资产组合，
然后再在每个规模组中根据贝塔组成1 0个资产组合。当根据贝塔排序时，单个股票的贝塔根据证券价
格研究中心（c r s p）的等权重资产组合，回归每年6月底的2 4 ~ 6 0个月的资产组合收益来估计。
0t，
1t
2t
的均
值以下的t统计在整个1 9 2 7 ~ 1 9 9 0年期间的平均
0
与平均无风险收益率之间是不同的。
与
以下的t统计
是从它们从零起的平均值。
0
1
2
法马与弗伦奇结果的一个解释是我们不完全理解这样的说法，即显然“不合适”
的变量像公司规模与账面-市场价值比率实际上是风险的更基本的测度。在这种情况下，
法马与弗伦奇的结果与多因素套利定价理论是一致的，在那里，真实因素是由这些替
代物测度的。这个解释要求我们更深入地探讨运用什么来测度这些变量。
对异常文献的另一个反映是把结果归结为“资料的偷窥倾向”。如果全世界的财
务研究者持续地考察显然成功的交易规则的资料，他们或早或晚会找到一些显然可以
预测期望收益的变量。换个方式，如果同样的资料被一再遮蔽，以至看不到变量广泛
的影响，那么，这些检验的t统计就被夸大了。
费希尔·布莱克曾提出“这是一件很奇妙的事情，小公司效应刚宣布后不久就消
失了。听起来好象人们搜寻了数以千计的规则直到他们找到一个在过去起作用的，. . .
正如我们可能预期的那样，离开资料样本，规则就不起任何作用。”资料偷窥的现象
已被诙谐地称作“达尔文的t统计：识者生存”，换句话说，作了无数的检验，只有这
些统计上显著的检验被列入到文献中。
甚至运用稳定的真实中数估计期望收益也是一件很困难的事情：我们只能通过整
个长时期的平均收益来改进估计。但是，时期越长，期望收益不变的可能性就越小。
当历史的平均数明显是期望收益的估计，那将是很不准确的。所以，我们可能不应被
与理论上明显无关的因素，特别是那些与资料偷窥倾向有关的因素相关联的非常规收
益所吓倒。理论告诉我们，至少市场资产组合的期望收益是正的。在解释“无关”因
素影响的历史收益时，我们不能用这样少的数据的理论指导我们的分析。
13.3.3 对贝塔中的人力资本和周期变量的考虑
一个最新的贡献把我们带回到单指数资本资产定价模型和套利定价理论。我们想
起两个重要的缺乏检验的单指数模型：
1) 在美国只有很少的一些资产是在资本市场中交易的，大概最重要的非交易资产
是人力资本。
2) 有充足的证据表明资产的贝塔是周期性的，考虑这一周期性可能会改进资本资
产定价模型的预测力。
资本资产定价模型的一个假定是所有的资产都是可交易的，所有的投资者都可以
进入交易。麦耶斯[1] 提出了资本资产定价模型的一个变型，它说明了这个假定是不真
实的，它要求在期望收益-贝塔关系中有一额外的条件。
可以部分说明标准的市场替代物譬如标准普尔5 0 0指数缺乏的一个重要的非交易
资产是人力资本。未来工资值和专家服务的补偿是投资者财富的重要组成部分，他们
[1] david mayers,“nonmarketable assets and capital market equilibrium under uncertainty,”in michael
c. jensen, ed., studies in the theory of capital markets (new york: praeger, 1972), pp. 223-48.
下载
第13章证券收益的经验根据
329
在退休前有多年的经营经历可以运用。再者，有理由预期，人力资本的变化要远小于
与之完全相关的资产收益的变化。因此，它们分散了投资者的资产组合的风险。
杰加纳森（j a g a n a t h a n）和王（wa n g）（j w）[1] 用基于总劳动收入的变化率来代表
人力资本的变化。除了运用市值加权股票指数（标记为
v w）对标准证券的贝塔进行估
计外，杰加纳森和王也用劳动收入的增长（标记为
l a b o r ）来估计资产的贝塔。最后，
它们考虑了经济周期影响资产的贝塔值的可能性，有关这个问题有许多研究论文。[ 2 ]
他们运用低和高信用等级的公司债券收益之间的差作为代表来说明经济周期，并对与
经济周期变量（
p r e m）有关的资产进行贝塔值的估计。
对一些股票资产组合进行这三种贝塔值的估计，杰加纳森和王估计了包括公司规
模（权益的市值，标记为m e）的二阶回归模型：
e(ri)＝c0＋cs i z el o g ( m e )＋cv w
l a b o r ( 1 3 - 7 )
v w＋cp r e m
p r e m＋cl a b o r
表1 3 - 5显示了对方程1 3 - 7进行二阶回归的不同变型的结果，每一变型运用了等式
右边的不同子集。这些结果远比早先的检验对资本资产定价模型的支持更大，包括杰
加纳森和王的扩展的解释变量（称作“有条件的”资本资产定价模型，因为贝塔随经
济情况变化）的方程的解释力比早先检验的解释力更大，规模变量的意义消失了。
表13-5 不同资本资产定价模型规范的评估
系数c0 cv w cp r e m cl a b o r cs i z e r2
组a：不考虑人力资本的静态资本资产定价模型
估计1 . 2 4 -0 . 1 0 1 . 3 5
t-值5 . 1 7 -0 . 2 8
修正t 5 . 1 6 -0 . 2 8
估计2 . 0 8 -0 . 3 2 -0 . 11 5 7 . 5 6
t-值5 . 7 9 -0 . 9 4 -2 . 3 0
修正t 5 . 7 7 -0 . 9 4 -2 . 3 0
组b：不考虑人力资本的有条件的资本资产定价模型
估计
t-值
修正t
估计
t-值
修正t
0 . 8 1
2 . 7 2
2 . 1 9
1 . 7 7
4 . 7 5
4 . 5 3
-0 . 3 1
-0 . 8 7
-0 . 7 0
-0 . 3 8
-1 . 1 0
-1 . 0 5
0 . 3 6
3 . 2 8
2 . 6 7
0 . 1 6
2 . 5 0
2 . 4 0
-0 . 1 0
-1 . 9 3
-1 . 8 4
2 9 . 3 2
6 1 . 6 6
组c：考虑人力资本的有条件的资本资产定价模型
估计
t-值
修正t
估计
t-值
1 . 2 4
5 . 5 1
4 . 1 0
1 . 7 0
4 . 6 1
-0 . 4 0
-1 . 1 8
-0 . 8 8
-0 . 4 0
-1 . 1 8
0 . 3 4
3 . 3 1
2 . 4 8
0 . 2 0
3 . 0 0
0 . 2 2
2 . 3 1
1 . 7 3
0 . 1 0
2 . 0 9
-0 . 0 7
-1 . 4 5
5 5 . 2 1
6 4 . 7 3
[1] ravi jaganathan and zhenyu wang, “ the conditional capm and the cross-section of expected
r e t u r n s ,”journal of finance 51 (march 1996), pp. 3-54.
[2] 例如有：campbell harvey,“ti m e - varying conditional covariances in tests of asset pricing mo d e l s ,”
journal of financial economics 24 (october 1989), pp. 289-317; wayne ferson and campbell harvey,
“the variation of economic risk premiums,”journal of political economy 99 (april 1991), pp. 385415; and wayne ferson and robert korajczyk,“ do arbitrage pricing models explain the predictability
of stock returns?”journal of business 68 (july 1995), pp. 309-49.
330 第三部分资本市场均衡
下载
(续)
系数c0 cv w cp r e m cl a b o r cs i z e r2
修正t 4 . 1 4 -1 . 0 6 2 . 7 2 1 . 8 9 -1 . 3 0
组d：考虑人力资本的静态资本资产定价模型
估计1 . 6 7 -0 . 2 2 0 . 2 3 3 0 . 4 6
t-值6 . 9 1 -0 . 6 3 2 . 3 7
修正t 5 . 7 1 -0 . 5 2 1 . 9 7
估计2 . 0 9 -0 . 3 2 0 . 0 5 -0 . 1 0 5 8 . 5 5
t-值5 . 8 0 -0 . 9 6 1 . 2 2 -2 . 1 5
修正t 5 . 7 0 -0 . 9 5 1 . 2 0 -2 . 11
注：这个表给出了或者有子集，或者是全部变量的截面回归模型的估计
l a b o r
e(ri t)＝c0+cs i z el o g (m ei) +cv w iv w+cp r e m
ip r e m+cl a b o r
i
这里，ri t是资产组合i(i＝1 , 2 , . . . , 1 0 0 )在t月( 1 9 6 3年7月至1 9 9 0年1 2月)的收益，rtv w为股票市值加权指数的收
益，rt-1p r e m为低与高信用等级公司债券的利差，rt
l a b o r为人均劳动收入的增长率。
iv w为一个常数ri t和rtv w时
的o l s回归系数的斜率，其他的贝塔值也用同样的方法估计。资产组合规模l o g (m ei)是作为资产组合i中的
股票市值（单位为百万美元）对数的等权重平均数来计算的。回归模型用法马-麦克贝斯（f a m a - m a c b e t h）
方法来估计。“修正的t值”是把样本误差考虑进估计的贝塔值中。表中的所有r2用的都是百分比。
图1 3 - 2 ~ 1 3 - 5更生动地显示了这些检验的改进。图1 3 - 2显示常规的资本资产定价模
型的确作用有限，通过比较可以看出证券收益适于用公司的贝塔与实际收益，显然，
贝塔与实际收益之间几乎没什么关系，这反映了常规的资本资产定价模型在经验检验
中作用很弱。图1 3 - 3显示了加入公司规模后方程的适用性有了戏剧性的改进，这反映
了公司规模具有的异常功能。但是，如果我们用常规的资本资产定价模型与合适的实
际收益相比较，像图1 3 - 4那样，我们也可以得到一个合适的结果。如果把公司规模补
充进这个模型，像图1 3 - 5那样，适用性并不能因此获得任何的改善。我们的结论是一
旦我们把一些变量引进常规的资