中国股市账面-市值比效应的检验及解释.doc

中国股市账面-市值比效应的检验及解释陈 莹（中山大学管理学院行为金融与金融经济研究所，广东 广州 510275）摘要：本文以1995年到2005年沪市和深市的全部A股股票作为研究对象，对中国股市账面-市值比效应进行了实证检验，并从有限套利的角度对账面-市值比效应进行了解释。本文认为，我国证券市场存在着账面-市值比效应；账面-市值比效应对股票收益有着显著的预测作用；从有限套利角度考虑的套利风险因素，套利成本因素对账面市值比效应有着较强的解释能力，从而支持账面-市值比效应是因为偏误定价所造成的观点。关键字： 账面-市值比效应；有限套利；套利风险；资产定价中图法分类号：F830.9 文献标志码：A作者简介：陈莹，女，中山大学管理学院博士生，研究方向：行为金融与资产定价。An Empirical Research and Explanation on the Book-to-Market Effect for China Stock MarketAbstract: This paper adopted the data of A shares from 1995 to 2005 listed on Shanghai and Shenzhen Securities Exchange to test the book-to-market effect, and give the explanation of it based on limited arbitrage. The research shows that the book-to-market effect exists on China stock market in the research range of this paper, and book-to-market ratio can predict the expected returns. This paper also finds that the book-to-market effect is correlated with factors based on limited arbitrage, such as arbitrage risk and arbitrage cost. And we conclude that the book-to-market effect is due to market mispricing. Key words: book-to-market ratio; limited arbitrage; arbitrage risk引 言20世纪80年代以来，与有效市场假说相矛盾的实证研究不断涌现，国内外学者发现了股票市场存在着很多异象。而账面-市值比效应就是极具争议的异象之一。账面-市值比效应（Book-to-Market Effect）是Fama和French1，Lakonishok等2提出的，指的是股票的收益和它的账面-市值比呈正相关关系，也就是说账面市值比（Book-to-Market ratio，下面简称为B/M）值高的股票收益高，B/M值低的股票收益低。Fama和French3指出,在世界范围内,从1975 年到1995 年间, B/M值高的股票比B/M值低股票的全球组合的平均收益率每年高出约7. 68 %。他们还对全球（包括美国、英国、法国、德国、意大利、澳大利亚、日本、新加坡和香港等）各个主要证券市场进行了研究，发现13个市场中有12个是存在着B/M效应的。国内学者也对B/M效应进行了一系列的研究。但是都是实证检验多，解释少。而且由于研究方法、数据样本和时间跨度的不同，所得到的结果和相应的解释也大相径庭。朱宝宪和何治国，蔡海洪和吴世农，吴世农和许年行，邵晓阳、苏敬勤和于圣睿等都对B/M效应进行了实证检验，以上研究都认为中国证券市场存在着B/M效应，且B/M值对股票收益有显著的预测作用25-28。而顾娟和丁楹在对我国证券市场价值成长效应的研究中，认为我国证券市场价值成长效应基本上不存在，且中国证券市场上市公司的基本面对股票价格收益没有显著的预测作用29。本文对中国1995-2005年的A股市场B/M效应进行了检验，发现若持有期限为一年，则市场不存在B/M效应，但是若持有期限为两年或者三年，则市场存在明显的B/M效应。且B/M值对股票收益有着显著的预测作用。对于B/M效应的解释大体上可以分为两种。第一种是从有效市场角度，认为B/M效应是一种风险补偿。Fama和French认为B/M值较高的公司一般都是经营状况不理想，比较容易产生财务危机，所以对其投资所产生的超额收益是风险溢价的表现1, 4-5。然而Dichev反驳这种解释6。第二种是从行为金融学角度，认为B/M效应是偏误定价（mispricing）所导致的。Lakonishok等，La Porta等，Skinner和Sloan指出投资者低估了高B/M值的股票，高估了低B/M值的股票，B/M效应是偏误定价所造成的结果2, 7-8。如果B/M效应是由于偏误定价，那么专业的套利者为什么不利用此机会进行投资，从而对价格进行修正？以Delong、Shleifer、Summers、Vishny等为代表的一批学者认为，现实中的套利是有限的，套利存在着风险和成本。Ali从套利风险的角度对B/M效应进行了分析和解释9。国内学者郭磊和吴冲锋通过基于产业与资本市场的资产定价模型的推导原理和经济涵义，对B/M效应的理性风险补偿与特征要素解释观点进行了统一30。本文借鉴了Ali的研究方法，并结合中国实际，从有限套利角度提出用异质性风险作为套利风险的代理变量。在此变量中充分考虑了市场因素，规模因素，B/M因素和惯性因素，比Ali所用指标更加全面的对B/M效应进行分析。并结合套利风险，套利成本和投资者熟练程度等因素对B/M效应进行解释，这是国内的第一个类似的研究。本文认为套利的异质性风险和套利的成本阻止了套利行为的发生。并认为这些因素是B/M效应存在的重要原因，支持偏误定价的解释。与以上研究相比，本文有以下特点：（1）时间跨度长：本文的研究时间为1995年7月到2005年6月。（2）采用了较为系统的数据库：本文所有数据全部来自于深圳国泰安CSMAR数据库。（3）收益率计算方法与国内以往的研究不相同：本文在计算收益率时，用购买并持有该股票一年，两年和三年的收益率（Buy-and-Hold Return）来进行计算。（4）解释更为系统：本文从有限套利视角对B/M效应进行解释，提出用异质性风险作为套利风险的代理变量，在此变量中充分考虑了市场因素，规模因素，B/M因素和惯性因素。并引入了套利成本，投资者熟练程度等因素对B/M效应进行了全面的解释，得出结论支持B/M效应是因为偏误定价所造成的观点。这是国内的第一个类似的研究。解释因素选取分析上世纪80年代以来，国内外的学者发现了许多传统金融理论无法解释的异象。许多具有完全替代性的金融商品之间的价差，并没有因套利而很快消失,相反,在很多情况下却表现出系统且持续的特征。事实上，现实中的许多套利机会长期未被利用。学者们提出了“有限套利”这个概念对这些现象进行解释。有限套利文献认为，现实中的套利是有限的，存在着套利的风险和成本。其中包括：基本风险，非理性交易者风险，交易成本，财务限制等。刘少波，崔萍对有限套利的风险和成本进行了详尽的文献综述31，本文在此不再重复。很多学者尝试从有限套利角度对异象进行解释。他们多数运用了套利成本，包括交易成本等因素进行实证，而对套利风险的研究比较少。 Pontiff（1996），Wurgler和Zheravskaya（2002）和Ali等运用套利风险对市场异象进行解释9,10-11。从Fama和French发现B/M效应开始，国外许多学者对各国的B/M效应进行了实证检验。国内许多学者也对中国市场进行了实证检验，大多数文献认为，中国市场是存在着B/M效应的。国外学者尝试对B/M效应进行解释。Fama和French认为高B/M值所对应的超额收益是对破产风险的溢价4-5。然而Dichev对此进行了反驳，他认为破产风险并不能带来较高的收益，所以破产风险不能说明B/M效应6。Daniel和Titman也认为B/M效应等异常现象不能被解释成风险溢价。他们发现一旦规模(size)和B/M值保持不变，这些因素的并不能提供关于预期收益的额外信息。因此不是因为B/M值的影响了收益，而是B/M本身对收益有影响12。La Porta等，Skinner和Sloan和Ali等认为B/M效应是由于偏误定价7-9。本文结论与此相同。La Porta等和Skinner和Sloan认为B/M效应是因为投资者对B/M值较高（较低）的股票低估（高估）所产生的。Ali等则运用了异质性波动作为套利风险的代理变量，对B/M效应进行解释，得出与Shleifer和Vishny相同的结论：套利收益的波动性风险阻止了套利行为的发生，而且波动性是产生B/M效应的重要因素13。本文从有限套利的角度，提出了用更为全面的异质性风险作为套利风险代理变量，和与套利成本相关的多个因素对中国市场的B/M效应进行解释，并得出异质性风险等都是产生B/M效应的重要因素，B/M效应是由于偏误定价所产生的。一、 因素一：套利风险Shleifer和Vishny指出套利风险在与B/M效应相关的偏误定价中的重要性。他们发现套利资源主要来源于相对较不专业和缺少多元化投资组合的交易者。套利者认真地分析每一支要投资的股票，这是一个有成本的过程。所以在他们的套利投资组合中，只关注有限数量的股票。在套利者购买了偏误定价的证券后，噪音交易者可能会令价格继续偏离基础价格，令这些股票表现出更大的偏误定价。所以Shleifer和Vishny预测波动性会推迟套利行为。对于风险厌恶的套利者，他们考虑的是投资组合的异质性风险。对于专业套利者，他们对投资组合中股票的异质性风险比系统风险更为重视。对于系统性风险，套利者可以得到补偿，而异质性风险增加了投资组合的总风险，但是预期收益却不会相应增加。所以在考虑购买哪种偏误定价的股票的时候，套利者会充分考虑在持有期内股票的预期异质性风险13。 Ponitiff提出当异质性风险很高的时候套利行为是有成本的，因为在这种情况下，套利者无法有效的进行对冲10。Wurgler和Zhuravakaya发展了一个关于股票需求的简单模型,该模型中由于替代品的不完全而产生的套利风险妨碍了风险厌恶套利者平滑需求曲线。说明了由于套利有限,价格也会对无信息变化的需求变动做出反应,从而导致价格偏离基本价值11。上述文献运用个股日收益率对市场日收益率进行回归，然后求出残差项的方差作为套利风险的代理变量。Ali等（和Mashruwala等（也用了此指标作为套利风险的代理变量9, 14。本文也采用此指标进行研究，用IRV（Idiosyncratic risk volatility）来表示。另外，在Pontiff和Schill中利用了Carhart四因素模型（包括Fama和French的三因子和惯性因子）对个股月收益率进行回归，并计算出其残差项的标准差套利异质性风险的代理变量15-16。这个指标考虑了市场因素，规模因素, B/M因素和惯性因素，更加全面地对套利风险进行衡量，本文采用此异质性风险指标作为套利风险的代理变量，用IR（Idiosyncratic risk）来表示。二、 因素二：套利成本本文中对套利成本的考虑主要集中于交易成本。当证券是偏误定价的时候，交易成本限制了知道偏误定价的投资者利用此机会，并且消除偏误定价的情况。所以，有较高交易成本的证券更容易表现出偏误定价。许多文献都对交易成本进行了详细的研究。本文根据中国市场的实际情况和数据的可获得性对套利成本的因素进行了选取。Bhardwaj和Brooks，Blume和Goldstein提出，交易成本包括买卖价差和佣金回扣等17-18。而买卖价差和每股佣金与每股价格是呈负相关关系的。所以每股价格可以作为交易成本的代理变量之一。本文采用了每年6月底个股收盘价作为交易成本的代理变量之一，用P（Price）来表示。Foster等（1990）和Bhushan指出，交易金额量也是交易成本的一个重要来源。如果股票交易比较稀疏，那么相应的交易成本就比较高19-20。所以，本文采用了每年6月到次年7月的每月个股交易金额量的总和作为个股的年交易量作为交易成本的代理变量之一，用VOL（Volume）来表示。Lesmond等提出，只有在交易成本的净收益为正的时候，投资者才会在不反映证券价格的信息中进行交易。结果，交易成本较高的股票会比交易成本较低的股票表现出更高的日收益率为零的频率21。所以，日收益率为零的频率也作为交易成本的一个代理变量，用ZF（Zero Frequency）来表示。三、 因素三：投资者熟练程度Lakonishok等用公司规模因子作为套利成本和投资者的熟练程度的代理变量。他们认为，规模越大，代表投资者越为熟练2。本文也运用此指标作为解释变量之一，用ME（Market Equity）来表示。样本数据选取本文的研究对象为从1995年7月1日至2005年6月30日在深圳和上海证券交易所上市的全部A股股票。股票交易数据均来自于深圳国泰安数据库。为了尽量扩大样本并避免上市公司的存活偏差，本文在检验时并未采取固定样本的方式，而是在任一时刻的组合都包括截止到当时上市所有公司的股票。本文剔除所有的金融类公司的样本,剔除了B/M数据缺失和B/M为负值的股票与Fama和French对B/M值的处理方式一致1。而对于退市、ST或PT的公司，凡是在相应事件发生之前，均按照正常公司对待。某个月（日）数据有缺失的股票，在涉及缺失月份（日）时则不进行计算。上市时间小于6个月，即2005年1月1日之后上市的样本，加以剔除。最后共有样本数量为9804个。一、 B/M值的计算计算B/M值时，采用年末每股净资产值与年末收盘价的比值来进行计算。取国泰安财务数据库中企业盈利能力数据库的市净率指标的倒数作为B/M值。公式如下：B/M1/市净率账面净资产/股票市值二、 值的计算本文将作为系统风险代理变量。计算值时，本文采用CAPM回归模型来进行计算。公式如下：其中，Rm为市场收益率，Rf无风险利率采用三个月期定期储蓄利率所折算的月收益率。三、 购买并持有收益率（BHR，Buy-and-Hold Return）的计算Fama, Mitchell和Stafford曾指出市场异常收益的衡量应该采用CAR。但总体上说，CAR容易产生正的统计偏差，而BHR则与之相反。一般来说，为了使结论更加稳妥，倾向于在反应不足的情况使用CAR，而在反应过度的情况下使用BHAR3, 22。从有关研究来看，我国股市往往是呈现过度反应的，所以选用BHR比较合适。本文用一年期、两年期、三年期的购买并持有收益率（BHR12, BHR24, BHR36）对收益进行衡量。公式如下：，四、 套利风险的计算本文用了两个代理变量对套利风险进行计算。一种是异质风险（IR），一种是异质波动风险（IVR）。计算IR值时，我们通过用四因子模型进行回归，对IR来进行计算。模型公式为：其中，MKT是市场溢价，采用计算，作为市场风险因子。其中，是采用基于流通股市值加权平均的综合市场收益率，为三个月期定期储蓄利率所折算的月收益率。对于SMB、HML因子的计算方法，是按照Fama和French（1993），从1995年至2005年，每年6月底按流通市值ME的中位数样本分成两组，按B/M分成高、中和低三组，即H(30%)、M(40%)、L(30%)；两者交叉分组形成六个组合，计算t年7月到t+1年6月每个组合价值加权月收益率。本文计算时所采用的个股收益率为经过配股增发、除权分红等调整之后的收益率。SMB和HML两个因子分别定义如下：SMB=(SL+SM+SH-BL-BM-BH)/3，表示剔除B/M因素后小规模公司和大规模公司组合的收益差，作为规模因子； HML=(SH+BH-SL-BL)/2，表示剔除规模因素后高B/M与低B/M公司组合的收益差，作为B/M因子。UMD因子的定义，是按照Carhart（1997）方法，用赢家（Winner）投资组合与输家（Loser）组合的收益差来计算，作为惯性（Momentum）因子。对个股月收益率与此四因子模型进行回归后，按3年期（36个月）来计算回归残差项的方差，由于这样的方差有较高的峰度和偏度，所以本文取此方差值的自然对数作为IR值。 Goyal用了相似的处理方式。这样的处理所得的结果，和取残差项的标准差的效果相类似23。这样，在指标IR中，我们考虑了市场因素，规模因素，B/M因素和惯性因素。计算过程是这样的：对于样本中每个公司的36个月的月收益率都对相应的四因子进行回归，然后计算回归中残差的方差，再求出方差的自然对数作为IRit（i公司t年）的值。计算IRV值时，我们用个股日收益率与市场收益率进行回归，得到该股一年期内每个交易日的回归残差项，然后计算残差的方差作为IRV的值。五、 套利成本的计算本文用每股价格P，交易金额量VOL，日收益率为零的频率ZQ和公司规模ME几个代理对套利成本进行衡量。每股价格P，本文采用的是每年6月底的个股收盘价；交易金额量VOL，本文采用的是每年6月到次年7月的每个月个股交易金额的和作为个股的年交易量；日收益率为零的频率ZQ，本文用零日收益率的天数除以交易天数得出该值。六、 投资者熟练程度的计算本文用公司规模ME作为投资者熟练程度的代理变量，采用的是个股每年6月底的月个股流通市值来进行计算。如果我们发现B/M效应是与套利风险和套利成本等因素相关，那么我们会认为 B/M效应更可能是由于偏误定价所造成的。在B/M效应因素的检验中，我们研究了各种因素对B/M效应存在的影响。所运用的是多元分析。实证结果及分析一、 对B/M效应进行实证检验我们按个股的每年的B/M值大小把股票分成5组（G1G5），G1中包含B/M值较小的个股，G5中包含B/M值较大的个股，分别考察每组的个股一年期，两年期和三年期收益率BHR12，BHR24和BHR36的情况本文也对购买并持有策略的异常收益 (buy-and-hold abnormal return, BHAR)进行了检验，得出相同的结论。我们还计算出两组B/M极值（G1和G5）的收益率之差。并对两组收益率进行t检验，采用Newey和West的方法修正自相关和异方差24。*和*分别代表结果在1%和5%水平上（双尾）检验显著。表1对B/M分组的性质进行了描述。从表上数据可得，从G1到G5，随着B/M值的增大，BHR12逐渐减小，而BHR24和BHR36值逐渐增大。在图1中，可以很直观的看到这一结果。因此本文认为，若持有期限为一年，则中国市场不存在B/M效应，但是若持有期限为两年或者三年，则市场存在显著的B/M效应。G5-G1的一年期，两年期和三年期收益率分别是-10.7，1.1%和4.3（BHR12，BHR24和BHR36），分别在1%和5%的水平上显著，这说明B/M值对股票收益有显著的预测作用 表1中Beta与收益率显著相关，作者对此进行了检验。利用双重分组（double sorting），在控制了Beta因素的情况下，BM与收益率仍然高度相关。这与国内已有的一些研究结论基本上相符。表1: 1995年-2005年B/M各分组收益情况G1G2G3G4G5All firmsG5-G1 Diff.B/M0.1610.2730.3540.4510.6370.3750.476*ME8849499169471,146969261*Beta0.9721.0291.0601.0811.0521.0390.080*BHR120.0820.0460.0160.001-0.0250.082-0.107*BHR240.1220.0970.1170.1620.1330.1220.011*BHR360.1830.1980.2300.2860.2260.1830.043*二、 对B/M效应进行解释本文采用了套利风险，套利成本和投资者熟练程度等因素对B/M效应进行解释。表2报告了各代理变量之间相关系数的Spearman和Pearson检验结果。其中，上三角采用Pearson检验，下三角采用Spearman检验，样本期间为1995年7月至2005年6月。所有变量的相关系数均在小于1%的水平上显著，这说明本文选取的代理变量较为稳健。规模因子ME与其他变量的相关系数为0.1196到0.6689，这说明对于解释B/M效应，仅用ME这个变量是不够的，还需要考虑其他的因素。而最大的相关系数出现在ME和VOL，IR和IRV，ZF和P这三组变量之间，分别达到0.6689，0.5911和-0.4939。表2：各代理变量之间的相关系数变量IRIRVPVOLZFMEIR1.00000.4104-0.15730.2052-0.22610.0720IRV0.59111.0000-0.1503-0.08970.2925-0.2160P-0.2110-0.18011.00000.2203-0.42000.2592VOL0.4084-0.11890.35241.0000-0.14080.7184ZF-0.36310.1150-0.4939-0.30111.0000-0.0269ME0.1231-0.37130.37710.6689-0.11961.0000本文对各解释变量进行单变量检验，检测各解释变量与B/M效应是否横截面相关。通过对各变量进行分组，分析每个分组的收益，来对该变量的解释能力进行检验。我们对样本按各指标重新分类。在这里仅列出对IR指标的检验结果图。首先，按个股的每年IR值的大小把股票分成5组（组合1组合5），组合1中包含IR值较小的个股，组合5中包含IR值较大的个股。再将5个组合中的个股按B/M值的大小分别分成5组，G1G5,其中G1为B/M 值较小的组合，G5为B/M值较大的组合。分别考察组合1和组合5中（G5-G1）的个股两年期的收益率BHR24的情况。图2给出直观的说明。从图2可以看出，组合5(IR值较大)的（G5-G1）的个股两年期的收益率BHR24总是显著的大于组合1(IR值较小)。这就说明套利风险IR是B/M 效应的一个重要因素，并支持了B/M效应更可能是由于偏误定价所造成的这一解释。我们对IRV因素作了同样的检验，也得到相似的结论。图2:变量IR组合1与组合5 的（G5-G1）的个股BHR24比较图表3报告了对各解释变量进行单变量检验的结果。与上文所述相似，先对单个变量进行分组（分组1分组5），其中分组1中包含的变量的值较小，分组5种包含的变量的值较大。然后在组内用B/M值进行二次分组G1G5，最后给出每个变量分组中G5-G1的BHR24的值及分组5与分组1的BHR24(G5-G1)差值。由于结果实根据变量和B/M二次分组所得，因此分组5与分组1的BHR24(G5-G1)差值是否显著可以说明该变量能否较好的解释B/M效应。从表中结果可得，变量IR，IRV，P的分组5与分组1的BHR24(G5-G1)差值非常显著，这就说明了这几个变量可以较好的捕捉到B/M效应的横截面变化，对B/M效应有显著的解释力度。表3 单变量检验结果变量IRIRVPVOLZFME分组10.12010.10940.48360.19530.22540.1578分组20.41570.37510.27850.02520.18750.0421分组30.21330.40150.35630.24760.25600.2149分组40.25980.29820.01570.19850.17270.3051分组50.63230.57480.07450.20340.19720.2850分组5-分组10.5123*(6.01)0.4654*(4.83)-0.4091*(-3.74)0.0081(1.02)-0.0282(-0.94)0.1272(1.59)基于前文的基本分析，可以发现B/M效应与套利风险，套利成本和投资者成熟度是截面相关的，B/M效应更可能是由于偏误定价所造成的。下面我们进行多元回归分析，对套利风险等因素对B/M效应的解释能力进行讨论。其中回归方程为： 回归方程中的交叉项可以捕捉到B/M效应的横截面变化是如何随套利成本等因素的变化而变化的。由于B/M的定义，所以最后一项交叉项中选取了ME的自然对数。表4报告了多元回归的结果，样本期间为1995年7月至2005年6月。在结果中，第一行为该因子回归系数；第二行为t检验值，*和*分别代表结果在1%和5%水平上（双尾）检验显著；为调整后的R平方（Adjusted R Square）。其中，Regress1对和B/M两个解释变量进行回归。B/M因素的系数显著为正（t12.468），这与表1的结果是一致的，说明了中国股票市场的确存在B/M效应。Regress2和Regress3分别对IR，(B/M*IR)和IR，IRV，(B/M*IR)，(B/M*IRV)这两组套利风险进行了检验，结果其相应系数显著均显著为正，这说明了套利风险可以解释B/M效应的横截面变化，它是B/M效应的重要因素。而(B/M*IR)的系数显著为正，这说明了B/M效应随着异质性风险的增大而增大，这与图2所得的结论是一致的。相似地，由Regress3中，(B/M*IR)，(B/M*IRV)的系数均显著为正可得，B/M 效应随着套利风险的增大而增大。Regress4对所有的变量进行了回归。除了系统风险因子，交易金额量VOL，日收益率为零的频率ZQ，（B/M*IR）和（B/M*P）几个因子不显著外，其他因子均非常显著。一个可能的解释是因为这些因子可能和另外的因子之间相关度较高，这与表2的相关度的分析结果基本一致。交叉项因子除（B/M*IR）外（有可能是因为IR与IRV高度相关），其他因子都显著，这说明套利风险，套利成本等因素，能很好的解释B/M效应的横截面变化，这些都是B/M效应的重要因素，支持B/M效应是由于偏误定价所造成的观点。表4:各因素多元回归结果Regress 1Regress 2Regress 3Regress 4Constant-0.143*(-3.28)3.006*(15.625)1.171*(4.755)1.656*(6.390)0.0162(0.526)-0.045*(-1.693)0.021(0.836)-0.008(-0.347)B/M1.241*(12.468)5.751*(10.377)4.098*(5.486)21.774*(14.002)IR0.566*(15.742)0.334*(8.343)0.347*(8.526)IRV(*103)3.662*(10.804)3.805*(10.804)P-0.027*(-7.009)VOL(*105)3.019(0.035)ZF-2.183(-1.167)ME0.042*(1.829)B/M*IR0.867*(8.296)0.644*(5.355)-0.016(-0.119)B/M*IRV(*103)2.090*(1.969)-3.981*(-3.300)B/M*P(*10-3)5.689(0.340)B/M*VOL0.119*(4.557)B/M*ZF15.454*(2.726)B/M*Ln ME-1.583*(-15.494)0.0250.3090.3870.441结 论本文以1995年到2005年沪市和深市的全部A股股票作为研究对象，对中国股市账面-市值比效应进行了实证检验，认为若持有期限为一年，则中国市场不存在B/M效应，但是若持有期限为两年或者三年，则市场存在显著的B/M效应,且B/M效应对股票收益有着显著的预测作用。另外，本文从有限套利角度出发，考虑了套利风险因素，套利成本因素对B/M效应的解释能力，并进行实证检验。结果表明套利风险和套利成本等因素对B/M效应有较强的解释力，从而支持了B/M效应是因为偏误定价所造成的观点。基金项目：本文是国家社会科学基金重点项目（编号：07AJL003）阶段性成果之一参考文献：1 Fama, E.and French, K., 1992, The cross-section of expected stock returns, Journal of Finance 46, 427466.2 Lakonishok, J., Shleifer, A., and Vishny, R., 1994, Contrarian investment, extrapolation and risk, Journal of Finance, 49, 15411578.3 Fama, E., and French, K., 1998, Value versus Growth: The International Evidence, Journal of Finance , ,53 :1975 - 1999.4 Fama, E., and French, K., 1993, Common risk factors in the returns on stocks and bonds, Journal of Financial Economics, 33, 356.5 Fama, E., and French, K., 1997, Industry costs of equity, Journal of Financial Economics 43, 153193.6 Dichev, I.D., 1998. Is the risk of bankruptcy a systematic risk? Journal of Finance 53, 11311147.7 La Porta, R., Lakonishok, J., Shleifer, A., and Vishny, R., 1997, Good news for value stocks, Journal of Finance, 52, 859873.8 Skinner, D., and Sloan, R., 2002, Earnings surprises, growth expectations, and stock returns, or, dont let an earnings torpedo sink your portfolio, Review of Accounting Studies, 7, 289312.9 Ali, A., Hwang, L-S., and Trombley, M. A., 2003, Arbitrage risk and the book-to-market anomaly, Journal of Financial Economics, 69, 355374.10 Pontiff, J., 1996, Costly arbitrage: evidence from closed end funds, Quarterly Journal of Economics, 111, 11351152.11 Wurgler, J., Zhuravskaya, E., 2002, Does arbitrage flatten demand curves for stocks? Journal of Business, 75, 583608.12 Daniel, K., and Titman, S., 1995, Evidence of the Cross Sectional Variation in Common Stock Returns, Journal of Finance, 40, 383 - 399.13 Shleifer, A., and Vishny, R., 1997, The limits of arbitrage, Journal of Finance, 52, 3555.14 Mashruwala, C., Rajgopal, S., and Shevlin, T., 2005, Why is the Accrual Anomaly not Arbitraged Away? Journal of Accounting and Economics.15 Pontiff, J., and Schill, M., 2003, Arbitrage Holding Costs and Long-run Returns: Evidence from Seasoned Equity Offerings, Working Paper, Boston College.16 Carhart, M., 1997, On Persistence