【点宽专栏】知识分享:验证CAPM模型在中国市场的表现

本文通过回测CAPM策略,验证其在中国市场的表现。选用上证综指为市场因子,沪深300成分股为选股范围,发现α值小的股票组合在大部分时间跑赢α值大的组合和指数,但也暴露了CAPM模型的局限性,如资产回报率不服从正态分布和市值加权问题。

原创 | 点宽学院 作者 | 点小宽

全文字数 2366字,建议阅读时长 8 分钟。

01

策略原理

根据CAPM理论,一种资产的价格应该仅与系统性风险相关,并不存在常数项的超额收益(α)。因此,如果市场上存在具有α收益的资产,则此时资产的价格偏离了其应有的水平。具体来说,如果α<0,表明该股的收益率被低估,则应该买入;相反,如果α>0,则表明该股的收益率被高估,应该卖出。

02

策略细节设定

  1. 市场因子选择:

上证综指。上证综指成分股包含了在上海交易所上市的全部A股股票,包含了大中小市值与各类成色及经营能力的公司,具有高度的普遍性及适应性,因此选择上证综指为市场组合。

  1. 选股范围:

沪深300所有成分股。沪深300指数中包含了沪市与深市300支代表性强,流通性高的股票,质地较为优异,适合作为选股池。

  1. 标的池容量:

60支股票。

  1. 回测时间:

2018-01-01至2020-12-31。

03

策略有效性验证

对于CAPM市场因子策略,由于策略盈利原理为不断换仓以持续购买α值小的低估股票,验证方法应为以不同α值的股票构建不同投资组合,对比不同α值的投资组合收益率是否有明显差异,即α值越小,回报率越高。具体实现思路如下:

  1. 每个月计算市场组合当月的每日回报率并构成一个序列。

  2. 每个月计算沪深300成分股当月的每日回报率并为每支股票构建一个序列。

  3. 每个月对每支股票用市场组合因子进行回归,计算个股的α值。

  4. 将个股根据α值由小到大排序,分别将α值排名前60,排名120-180,排名后60的股票按流通市值加权构建为一个投资组合。

  5. 对于每一个投资组

<think>好的,我现在需要帮用户解决如何用一元OLS回归验证CAPM模型中国股票市场的适用性。用户之前已经问过类似的问题,我给了步骤,现在他们想更具体地应用在中国市场,并且参考了站内的引用,其中提到中国市场CAPM检验、三因素模型等。不过用户现在明确要的是用一元OLS回归,所以需要围绕这个展开。首先,我得回顾CAPM的基本公式:E(Ri) =Rf+ βi(E(Rm) -Rf),也就是个股的超额收益等于市场超额收益乘以β。验证这个模型,核心就是用一元OLS回归,看看个股的超额收益和市场超额收益之间的关系是否符合模型预测,特别是β是否显著,α是否为零。 接下来,针对中国市场的特殊性,可能需要考虑数据的选择。比如,市场指数应该选沪深300还是中证500?不同的指数可能影响结果。另外,中国股市波动性较大,数据频率和处理可能需要更谨慎,比如日收益率还是周收益率?用户之前用了日数据,但可能需要更长的时间跨度,比如引用里提到的数据时间跨度足够长[^1]。然后,数据准备部分,需要获取股票和市场的日收益率,以及无风险利率。中国常用的无风险利率可能是国债收益率,比如10年期国债,但具体如何换算成日利率需要注意复利计算。用户之前的例子用了年化3.2%,但实际中可能需要根据当前数据调整。步骤部分,用户已经给出了代码示例,但需要更详细地解释每个步骤的意义,尤其是在中国市场的应用。比如,处理缺失值,因为中国股市有涨跌停限制,可能导致某些交易日数据异常,需要清洗。另外,停牌股票的处理,如何排除这些情况。回归分析时,关键要看α是否显著不为零。如果在中国市场中发现α显著为正,可能说明CAPM模型不适用,存在未被解释的超额收益。同时,β的显著性和大小也很重要,比如β>1表示股票比市场波动更大。结果解释部分,需要结合中国市场的特。例如,中国股市散户较多,政策影响大,可能导致CAPM的假设(如市场有效)不成立,从而影响结果。引用中的中国股市三因素模型[^1]可能提示CAPM单一因素不足,但在用户的问题中,仍需用一元回归验证,可以提到这些局限性。 注意事项里,要强调中国市场的特殊性,比如政策市、波动性大,可能影响回归结果的稳定性。同时,样本选择偏差,比如只选大盘股还是包括中小盘,结果可能不同。引用里提到Fama-French三因素模型,可以建议用户若发现CAPM不适应,可考虑多因子模型[^1]。 最后,生成相关问题要围绕用户的需求,可能包括如何选择中国市场无风险利率,β的稳定性检验,低相关性对结果的影响,扩展到多因子模型,以及CAPM在不同资产中的适用性等。这些都需要参考之前的对话和引用内容,确保问题相关且有深度。</think>### 使用一元OLS回归验证CAPM模型中国市场的适用性 #### 一、理论基础 CAPM模型的核心公式为: $$E(R_i) = R_f + \beta_i \left[ E(R_m) - R_f \right]$$ 其中: - $R_i$为个股收益率 - $R_f$为无风险利率 - $R_m$为市场组合收益率 - $\beta_i$表征个股系统性风险 通过检验$\beta_i$的显著性及$\alpha_i$(截距项)是否接近零,可验证CAPM的适用性[^1]。 --- #### 二、实证步骤(以沪深300指数为例) ##### 1. 数据准备 | 数据类型 | 处理方法 | 示例来源 | |----------------|-----------------------------|-------------------------| | 个股收益率 | 计算对数收益率或简单收益率 | 贵州茅台(600519.SH) | | 市场收益率 | 沪深300指数日收益率 | Wind/CSMAR数据库 | | 无风险利率 | 中国10年期国债收益率年化值 | 中国债券信息网 | ```python # 计算日超额收益率示例 df['stock_excess'] = df['stock_return'] - df['rf_daily'] df['market_excess'] = df['hs300_return'] - df['rf_daily'] ``` ##### 2. 模型构建 回归方程: $$R_{i,t} - R_{f,t} = \alpha_i + \beta_i (R_{m,t} - R_{f,t}) + \epsilon_t$$ - 若CAPM成立,$\alpha_i$应统计不显著($p>0.1$) - $\beta_i$应显著且稳定($t>2$) ##### 3. 中国市场特性处理 - 数据频率:建议使用**周度数据**(降低A股高频噪音影响) - 样本周期:至少包含1个完整牛熊周期(如2015-2023) - 停牌处理:剔除个股停牌期间的匹配数据 --- #### 三、结果解读要 通过`statsmodels`输出结果时需关注: | 指标 | CAPM成立标准 | 中国市场典型现象[^1] | |--------------|-----------------------------|--------------------------| | $\alpha$ | $p>0.1$且值接近0 | 常出现显著正$\alpha$ | | $\beta$ | $t>2$且置信区间稳定 | 大盘股$\beta$多集中在0.8-1.2| | $R^2$ | >0.3视为有效解释 | 普遍低于美股市场(约0.2-0.5)| ![CAPM回归示意图](https://example.com/capm_plot.png) (注:横轴为市场超额收益,纵轴为个股超额收益) --- #### 四、局限性分析 1. **市场组合代理问题**:沪深300指数未能完全代表理论市场组合 2. **制度性因素**:涨跌停限制、QFII配额等影响价格发现机制 3. **异质风险溢价**:中国股市存在显著的规模效应和价值效应[^1] ---
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值