多重视角下中国创业板股票定价模型的实证与比较研究

多重视角下中国创业板股票定价模型的实证与比较研究一、引言1.1研究背景与意义在我国资本市场的发展进程中，创业板市场占据着举足轻重的地位。自2009年10月23日，有着中国纳斯达克之称的创业板在深圳证券交易所正式开市以来，它就成为了我国主板市场的重要补充，亦是我国资本市场不可或缺的重要组成部分。创业板市场设立的初衷是针对性地解决创业型企业、中小型企业及高科技产业企业等的融资难题，这对我国经济结构的优化和创新驱动发展战略的实施具有深远意义。中小企业在我国经济体系中扮演着关键角色，是推动经济增长、促进就业、激发创新活力的重要力量。然而，长期以来，中小企业面临着融资渠道狭窄、融资成本高昂等困境。传统的融资方式，如银行贷款，往往对企业的资产规模、盈利能力和信用状况等有着严格要求，中小企业由于自身规模较小、资产有限、经营风险较高等原因，难以满足这些条件，导致融资困难。而创业板市场的出现，为中小企业开辟了一条新的股权融资渠道，使中小企业能够通过发行股票在资本市场上筹集资金，有效缓解了融资压力，为企业的发展提供了有力的资金支持。通过在创业板上市，中小企业可以获得更多的资金用于技术研发、设备更新、市场拓展等关键领域，加速企业的成长和扩张，提升企业的竞争力。创业板市场对于推动经济创新发展也有着重要作用。创业板市场聚焦于新兴产业和高科技领域，这些领域的企业通常具有较高的创新性和成长性。在创业板上市的企业涵盖了信息技术、生物医药、新能源、新材料等众多战略性新兴产业，它们是我国经济创新发展的先锋力量。这些企业在技术创新、产品创新和商业模式创新等方面不断探索和突破，不仅为自身赢得了发展机遇，也为整个行业的发展注入了新的活力，带动了相关产业的升级和转型。通过在创业板市场的融资和发展，这些创新型企业能够加大研发投入，吸引优秀人才，加快创新成果的转化和应用，推动我国经济向创新驱动型转变，提升我国在全球产业链中的地位。股票定价是资本市场的核心问题之一，对于创业板市场来说，准确的股票定价尤为关键。股票价格不仅反映了市场对企业价值的评估，还影响着市场的资源配置效率、投资者的决策以及企业的融资成本和发展战略。如果股票定价过高，会导致市场泡沫的产生，增加投资者的风险，同时也会使企业的融资成本过高，不利于企业的长期发展；如果股票定价过低，企业可能无法获得足够的资金支持，影响企业的发展潜力，也会使投资者错失投资机会，降低市场的效率。因此，准确的股票定价能够合理引导资金流向，使资金能够流向最具价值和发展潜力的企业，提高资源配置效率，促进资本市场的健康发展。对于投资者而言，准确的股票定价是其做出合理投资决策的重要依据。投资者通过对股票价格的分析和评估，判断股票的投资价值，从而决定是否买入、持有或卖出股票。如果股票定价不准确，投资者可能会做出错误的投资决策，导致投资损失。因此，准确的股票定价有助于投资者识别投资机会，降低投资风险，提高投资收益。对于企业来说，合理的股票定价能够降低企业的融资成本，提高企业的市场形象和声誉，为企业的发展创造良好的外部环境。准确的股票定价对于创业板市场的稳定运行和健康发展具有至关重要的意义，它能够促进市场的公平、公正和透明，增强市场参与者的信心，推动创业板市场发挥其应有的功能。1.2研究目标与方法本研究旨在深入剖析资本资产定价模型（CAPM）、Fama-French模型和基于习惯形成和调整成本的定价模型（HAM）在我国创业板股票定价中的表现，探究各模型对创业板股票收益率的解释能力，识别影响创业板股票定价的关键因素，为投资者提供更具参考价值的投资决策依据，推动创业板市场定价理论的完善和发展。为达成上述目标，本研究将综合运用多种研究方法：实证分析方法：从深圳证券交易所等权威渠道收集创业板市场个股的周收益率数据，同时收集市场风险溢价、无风险利率等相关市场数据，以及上市公司的财务数据如账面市值比、公司规模等。运用统计分析软件，对数据进行描述性统计分析，了解数据的基本特征，如均值、标准差、最大值、最小值等，为后续的模型构建和分析奠定基础。基于收集的数据，构建CAPM、Fama-French模型和HAM的回归函数，运用多元回归分析方法，估计模型中的参数，检验各模型中解释变量对被解释变量（股票收益率）的影响是否显著，从而深入探究各模型在创业板市场的适用性。对比分析方法：对CAPM、Fama-French模型和HAM的理论基础、模型假设、变量构成等方面进行详细的对比分析，明确各模型的特点和差异。通过实证结果，对比各模型对创业板股票收益率的解释能力，包括模型的拟合优度、调整后的拟合优度、各因子的显著性水平等指标，评估各模型在创业板市场定价中的优势与不足，找出最适合解释创业板股票定价的模型或模型组合。文献研究方法：全面梳理国内外关于股票定价模型的相关文献，特别是针对创业板市场的研究成果，了解该领域的研究现状和发展趋势。通过对已有文献的分析，总结前人在研究方法、模型应用、实证结果等方面的经验和教训，为本研究提供理论支持和研究思路，避免重复研究，确保研究的创新性和前沿性。1.3研究创新点模型综合比较：目前国内针对创业板市场股票定价的研究，多集中于单个模型的应用，较少对多个模型进行全面、系统的对比分析。本研究将资本资产定价模型（CAPM）、Fama-French模型和基于习惯形成和调整成本的定价模型（HAM）同时应用于创业板股票定价研究，从理论基础、模型假设、变量构成到实证结果等多个维度进行深入对比，全面评估各模型在创业板市场的适用性，为创业板股票定价提供更丰富的理论与实证依据，这在以往研究中较为少见。样本选取：在样本选取上，部分已有研究存在样本时间跨度较短或样本范围较窄的问题，可能无法全面反映创业板市场的特征和变化。本研究选取了自创业板开市以来较长时间跨度的样本数据，涵盖了不同市场环境和经济周期下的股票数据，使研究结果更具普遍性和可靠性，能够更准确地揭示创业板股票定价的规律和影响因素。考虑创业板独特因素：创业板市场具有上市企业规模较小、成长性高、创新性强、风险较大等独特特征，与主板市场存在明显差异。现有研究在应用定价模型时，往往未能充分考虑这些独特因素对模型的影响。本研究在分析过程中，充分结合创业板市场的特点，深入探讨模型中各因子在创业板市场的表现和作用机制，如在Fama-French模型中进一步分析规模因子和价值因子在创业板市场与主板市场的差异，以及HAM中调整成本因子和习惯形成因子在创业板高风险、高成长环境下对股票定价的特殊影响，从而使研究结果更贴合创业板市场实际，为创业板市场参与者提供更具针对性的决策参考。二、理论基础与文献综述2.1相关理论模型介绍2.1.1CAPM模型资本资产定价模型（CapitalAssetPricingModel，CAPM）由威廉・夏普（WilliamSharpe）、约翰・林特纳（JohnLintner）和杰克・特里诺（JackTreynor）等人于20世纪60年代提出，是现代金融学中用于确定资产预期收益率的重要模型。该模型基于马科维茨的资产组合理论，旨在解释在市场均衡状态下，资产的预期收益率与系统性风险之间的关系。CAPM模型的核心原理是资产的预期收益率由两部分组成：无风险收益率和风险溢价。无风险收益率代表投资者在不承担任何风险的情况下所能获得的收益，通常以国债收益率等近似表示；风险溢价则是投资者因承担系统性风险而要求获得的额外补偿，其大小取决于资产的系统性风险程度，即资产收益率与市场组合收益率的协方差。CAPM模型的公式为：E(R_i)=R_f+\beta_i(E(R_m)-R_f)，其中E(R_i)表示资产i的预期收益率；R_f表示无风险收益率；\beta_i表示资产i的贝塔系数，用于衡量资产i相对于市场组合的系统性风险，\beta_i=\frac{Cov(R_i,R_m)}{\sigma_m^2}，其中Cov(R_i,R_m)是资产i与市场组合的协方差，\sigma_m^2是市场组合的方差；E(R_m)表示市场组合的预期收益率，E(R_m)-R_f即为市场风险溢价。在股票定价中，CAPM模型认为股票的预期收益率等于无风险收益率加上股票的贝塔系数乘以市场风险溢价。投资者可以根据该模型计算出股票的预期收益率，进而评估股票的投资价值。若计算出的预期收益率高于股票当前的实际收益率，表明股票可能被低估，具有投资价值；反之，若预期收益率低于实际收益率，则股票可能被高估。CAPM模型基于一系列严格的假设条件：投资者都是理性的，且风险厌恶，在面临相同预期收益时会选择风险较小的投资；投资者遵循均值-方差原则，在选择投资组合时会考虑预期收益和风险（用方差或标准差衡量）之间的权衡；投资者仅进行单期决策，不考虑跨期消费和投资机会的变化；投资者可以按无风险利率借贷，且借贷数量不受限制；所有投资者对所有资产报酬的均值、方差和协方差等具有完全相同的主观估计；买卖资产时不存在税收或交易成本。然而，这些假设在现实市场中往往难以完全成立。现实市场并非完全有效，存在信息不对称、交易成本、税收等因素，投资者也并非完全理性，存在认知偏差和情绪波动，这些都会影响资产的定价和收益率。此外，CAPM模型仅考虑了系统性风险，忽略了非系统性风险对资产收益的影响，而在实际投资中，非系统性风险也可能对股票收益率产生重要作用。同时，贝塔系数的计算依赖于历史数据，历史数据并不能完全准确地反映未来的市场情况，导致贝塔系数的估算可能存在误差，从而影响模型的准确性。2.1.2Fama-French模型Fama-French模型是由尤金・法玛（EugeneF.Fama）和肯尼斯・弗伦奇（KennethR.French）提出的用于解释股票收益率的多因子模型，包括三因子模型和五因子模型。Fama-French三因子模型在1992年被提出，它在CAPM模型的基础上，引入了规模因子（SMB，SmallMinusBig）和账面市值比因子（HML，HighMinusLow），以更全面地解释股票收益率的横截面差异。公式为：E(R_i)=R_f+\beta_{iM}(E(R_M)-R_f)+\beta_{iSMB}E(R_{SMB})+\beta_{iHML}E(R_{HML})，其中E(R_i)为股票i的预期收益率；R_f为无风险利率；E(R_M)为市场组合预期收益率；E(R_{SMB})为规模因子的预期收益率，反映了小市值公司股票收益率与大市值公司股票收益率的差异，即“小公司效应”，通常通过构建小市值股票组合与大市值股票组合的收益率差值来衡量；E(R_{HML})为账面市值比因子的预期收益率，体现了高账面市值比（价值股）公司股票收益率与低账面市值比（成长股）公司股票收益率的差异，即“价值效应”，一般通过构建高账面市值比股票组合与低账面市值比股票组合的收益率差值来确定；\beta_{iM}、\beta_{iSMB}和\beta_{iHML}分别为股票i对市场因子、规模因子和账面市值比因子的敏感系数。Fama-French五因子模型于2015年提出，在三因子模型的基础上，又增加了盈利能力因子（RMW，RobustminusWeak）和投资模式因子（CMA，ConservativeminusAggressive）。公式为：E(R_i)=R_f+\beta_{iM}(E(R_M)-R_f)+\beta_{iSMB}E(R_{SMB})+\beta_{iHML}E(R_{HML})+\beta_{iRMW}E(R_{RMW})+\beta_{iCMA}E(R_{CMA})。其中，E(R_{RMW})为盈利能力因子的预期收益率，通过构建高盈利能力公司股票组合与低盈利能力公司股票组合的收益率差值来衡量，反映了公司盈利能力对股票收益率的影响，从股利贴现模型（DDM）理论推导可知预期盈利和预期收益率呈正相关；E(R_{CMA})为投资模式因子的预期收益率，通过构建投资保守型公司股票组合与投资激进型公司股票组合的收益率差值来衡量，反映了公司投资模式对股票收益率的影响，从DDM理论推导可知预期投资和预期收益率呈负相关；\beta_{iRMW}和\beta_{iCMA}分别为股票i对盈利能力因子和投资模式因子的敏感系数。规模因子反映了公司规模对股票收益率的影响。实证研究表明，在资本市场中，小市值公司的股票收益率往往高于大市值公司，这种现象被称为“小公司效应”。这可能是因为小市值公司通常处于成长阶段，具有更高的成长潜力和发展空间，一旦成功实现业务拓展或创新，其股票价格可能会大幅上涨，从而带来较高的收益率。但小市值公司也面临更大的经营风险和不确定性。账面市值比因子体现了股票的价值属性。高账面市值比的股票通常被认为是价值股，这类公司的股价相对其账面价值较低，可能是由于市场对其未来增长预期较低，但也可能存在被市场低估的情况。低账面市值比的股票则通常被视为成长股，市场对其未来增长前景较为乐观，给予较高的估值。价值因子的存在表明，在长期投资中，价值股的收益率往往优于成长股，这可能是因为市场有时会过度关注成长股的增长潜力，而忽视了价值股的稳定价值和潜在回报。盈利能力因子衡量了公司的盈利水平对股票收益率的影响。盈利能力强的公司通常具有更稳定的现金流和更高的利润，这使得它们在市场中更具竞争力，也更有可能为股东带来丰厚的回报。投资模式因子反映了公司的投资策略对股票收益率的影响。投资保守的公司可能更注重资产的安全性和稳定性，其投资决策相对谨慎，虽然可能错过一些高风险高回报的投资机会，但也能在市场波动时保持相对稳定的业绩。而投资激进的公司则更倾向于追求高风险高回报的投资项目，其业绩可能具有较大的波动性，但一旦投资成功，也能获得较高的收益。2.1.3HAM模型基于习惯形成和调整成本的定价模型（HabitFormationandAdjustmentCostPricingModel，HAM）是一种考虑了投资者习惯形成和调整成本对资产定价影响的模型。该模型认为，投资者的消费习惯会对其投资决策产生影响，并且投资者在调整投资组合时会面临一定的成本，这些因素都会反映在资产的价格中。HAM模型的定价思路基于以下两个关键因素：习惯形成和调整成本。习惯形成意味着投资者的效用不仅取决于当前的消费，还与过去的消费习惯有关。投资者倾向于维持相对稳定的消费水平，当当前消费低于习惯水平时，投资者会感到效用降低；反之，当当前消费高于习惯水平时，投资者会获得额外的效用。这种习惯形成的特性使得投资者在进行投资决策时，会考虑资产收益对其未来消费和维持消费习惯的影响。调整成本是指投资者在调整投资组合时所面临的各种成本，包括交易成本、信息成本、认知成本等。这些成本会阻碍投资者及时调整投资组合，使其投资决策更加谨慎。投资者在面对资产价格波动时，会权衡调整投资组合所带来的潜在收益与调整成本，只有当潜在收益足够弥补调整成本时，投资者才会进行投资组合的调整。HAM模型公式为：E(R_i)=\lambda_0+\lambda_1\beta_{iM}+\lambda_2\beta_{iAC}+\lambda_3\beta_{iHF}+\lambda_4\beta_{iPER}，其中E(R_i)表示股票i的预期收益率；\lambda_0为截距项；\lambda_1、\lambda_2、\lambda_3、\lambda_4分别为各因子的风险溢价系数；\beta_{iM}为股票i对市场因子的敏感系数，反映市场风险对股票收益率的影响；\beta_{iAC}为股票i对调整成本因子的敏感系数，调整成本因子衡量了投资者调整投资组合所面临的成本，成本越高，对股票收益率的影响越大；\beta_{iHF}为股票i对习惯形成因子的敏感系数，习惯形成因子体现了投资者消费习惯对股票收益率的作用，习惯形成的强度越大，对股票收益率的影响越显著；\beta_{iPER}为股票i对公司绩效因子的敏感系数，公司绩效因子反映了公司的盈利状况、财务状况等对股票收益率的影响，公司绩效越好，股票收益率可能越高。在HAM模型中，主要定价因子包括调整成本因子、习惯形成因子和公司绩效因子。调整成本因子反映了市场摩擦和投资者决策的复杂性。当市场存在较高的交易成本、信息不对称或投资者面临较大的认知困难时，调整成本会增加，这会使得投资者对股票的预期收益率要求更高，以补偿调整投资组合所带来的不便和成本。习惯形成因子体现了投资者的行为偏好和心理因素对资产定价的影响。如果投资者具有较强的习惯形成倾向，那么他们会更注重资产收益的稳定性，以维持其消费习惯。对于那些能够提供更稳定收益的股票，投资者愿意支付更高的价格，从而降低了这些股票的预期收益率；相反，对于收益波动较大的股票，投资者会要求更高的收益率作为补偿。公司绩效因子是衡量公司内在价值和盈利能力的重要指标。公司的盈利能力、资产质量、增长潜力等因素都会影响其股票的价值和收益率。业绩优秀、财务状况良好的公司通常被认为具有更高的投资价值，其股票收益率也可能相对较高。2.2国内外研究现状在国外研究中，CAPM模型的应用与检验由来已久。Sharpe（1964）首次提出CAPM模型，为资产定价理论奠定了基础，其研究表明在理想市场条件下，资产的预期收益率与市场风险溢价呈线性关系。此后，诸多学者对其在不同市场的适用性展开研究。Fama和MacBeth（1973）通过对纽约证券交易所股票数据的实证分析，验证了CAPM模型中贝塔系数与预期收益率的正相关关系，但也指出模型存在一定局限性，实际市场中存在其他影响股票收益率的因素。然而，Roll（1977）对CAPM模型提出了质疑，认为市场组合难以准确界定，使得模型在实证检验中缺乏有效性，该观点引发了学界对CAPM模型的广泛讨论。随着研究的深入，Fama-French模型应运而生。Fama和French（1992）提出三因子模型，发现除市场风险外，规模因子和账面市值比因子能显著解释股票收益率的横截面差异，研究表明小市值公司和高账面市值比公司的股票往往具有更高的收益率。此后，Fama和French（2015）又进一步完善提出五因子模型，新增的盈利能力因子和投资模式因子进一步提升了模型对股票收益率的解释能力。众多学者基于不同市场对该模型进行实证检验，如Asness等（2013）对国际股票市场的研究，证实了Fama-French模型在不同市场环境下的有效性，但也发现不同市场中各因子的表现存在差异。对于HAM模型，国外研究相对较少。Campbell和Cochrane（1999）在习惯形成理论的基础上，提出了考虑习惯形成和调整成本的资产定价模型，认为投资者的习惯形成和调整成本会影响资产的价格和收益率。但该模型在实证检验中的应用相对较少，相关研究仍处于探索阶段，对模型中各因子的具体度量和作用机制的研究还不够深入。在国内研究方面，针对创业板市场，部分学者运用CAPM模型进行定价研究。张碧琼和李越（2003）通过对我国股票市场的实证分析，发现CAPM模型在我国市场的拟合效果不佳，贝塔系数与股票收益率之间的正相关关系不显著，市场存在其他影响股票定价的因素。随着创业板市场的发展，刘仁和等（2012）对创业板市场进行研究，同样发现标准的CAPM模型在创业板市场拟合度极差，无法有效解释创业板股票收益率。在Fama-French模型应用方面，李涛和周开国（2010）对我国A股市场进行研究，发现Fama-French三因子模型在我国市场具有一定的适用性，市场因子、规模因子和价值因子能较好地解释股票收益率的波动。针对创业板市场，赵静和徐晓光（2014）的研究表明，Fama-French三因子模型在创业板市场拟合程度较好，市场因子对收益率的解释力最强，但规模因子和价值因子的表现与主板市场存在差异，创业板市场的“小公司效应”和“价值效应”更为显著。对于Fama-French五因子模型，国内研究在创业板市场的应用相对较少，但已有研究在其他市场的检验中发现，新增的盈利能力因子和投资模式因子在我国市场也具有一定的解释能力，但各因子的有效性和显著性在不同市场和时间区间存在波动。关于HAM模型在国内创业板市场的研究则更为稀少。仅有少数研究尝试运用该模型对我国资本市场进行分析，但尚未形成系统的研究成果，对于模型中习惯形成因子和调整成本因子在创业板市场的具体作用机制和影响程度，缺乏深入的实证研究和分析。综合来看，现有研究在创业板市场股票定价方面取得了一定成果，但仍存在不足。一方面，对于CAPM模型在创业板市场的失效原因，虽有研究提及市场的特殊性，但缺乏深入的分析和针对性的改进措施；另一方面，Fama-French模型在创业板市场的研究中，对各因子的动态变化以及与创业板市场独特特征的结合分析不够深入，且五因子模型在创业板市场的应用研究有待加强。而HAM模型在创业板市场的研究几乎处于空白状态，对其在创业板市场的适用性和定价能力缺乏系统的研究和验证。三、中国创业板市场特征分析3.1创业板市场发展历程中国创业板市场的发展历程，是一部伴随着经济转型与创新驱动战略实施的奋进史。自1999年深交所首次提出创业板构想以来，创业板市场历经筹备、设立、发展与变革等多个重要阶段，逐步成长为我国资本市场的重要组成部分。1999年，深交所提出创业板构想，旨在为科技创新企业搭建融资平台，推动科技成果转化与产业化。然而，由于当时互联网泡沫破裂以及相关条件尚不成熟，创业板的设立计划暂缓。但这一构想的提出，为我国资本市场的创新发展埋下了种子。2008年，国务院批准创业板设立，证监会发布《首次公开发行股票并在创业板上市管理办法》，标志着创业板筹备工作进入实质性阶段。这一时期，监管部门对创业板的上市条件、发行制度、信息披露等方面进行了深入研究与规划，为创业板的平稳推出奠定了制度基础。2009年10月23日，创业板正式开板，10月30日首批28家企业上市，代码以“300”开头。这一历史性时刻，开启了我国创业板市场的新纪元。首批上市企业涵盖了新能源、新材料、生物医药、信息技术等多个新兴产业领域，它们的成功上市，不仅为自身发展注入了强大动力，也吸引了更多创新型企业关注创业板市场，激发了市场的创新活力。创业板的设立，为中小企业提供了新的融资渠道，缓解了中小企业融资难的问题，促进了中小企业的发展壮大。在2010-2015年的制度完善与扩容阶段，创业板不断优化自身制度建设。2012年，创业板退市制度出台，强化了市场化退出机制。这一制度的实施，使得那些经营不善、不符合上市条件的企业能够及时退出市场，提高了市场的资源配置效率，促进了市场的优胜劣汰。2014年，允许未盈利的互联网和高新技术企业通过“负面清单”制度上市试点，进一步拓宽了创新型企业的上市渠道，为具有高成长性但暂时未盈利的企业提供了发展机遇。2015年，创业板指数创历史高点4037点，市场交易活跃，新上市公司数量逐年增加，市场规模稳步扩大。截至2015年9月30日，创业板共有484家上市公司，总股本1682亿股，总市值37622亿元，交易量占深市总交易量的比例上升至22%。2016-2019年是创业板的深化改革阶段。“十三五”规划明确深化创业板改革，支持新经济发展。2018年，独角兽企业绿色通道开通，鼓励科技创新企业上市，一批具有核心技术和高成长性的独角兽企业得以快速登陆资本市场，提升了创业板的市场影响力和竞争力。2019年10月，创业板允许重组上市（借壳），放宽融资限制，为企业的并购重组和资本运作提供了更大的空间，促进了产业整合与升级。2020年是创业板发展的重要里程碑，创业板改革并试点注册制平稳落地。此次改革是“增量+存量”的全面改革，对发行承销、交易制度、再融资和并购重组、信息披露监管等方面进行了全方位优化。在发行承销方面，更加注重企业的创新能力和成长潜力，优化上市标准，综合考虑企业预计市值、收入、净利润等因素，适度降低了市值与财务要求，为更多成长型企业提供了对接资本市场的机会。在交易制度方面，涨跌幅限制放宽至20%，提高了市场的流动性和活跃度，投资者的交易决策更加灵活。在再融资和并购重组方面，设置了更加市场化的重大资产重组制度，扩大了交易各方的博弈空间，增加了定价灵活性，构建了符合创新企业要求的再融资、并购重组以及股权激励制度体系。在信息披露监管方面，加强了对企业信息披露的监管力度，提高了信息披露的有效性和针对性，为投资者提供了更加准确、全面的信息。注册制改革后，创业板新增上市公司数量和融资规模显著增长，市场活力进一步激发。2021年至今，创业板持续迈向高质量发展阶段。2021年，创业板上市公司突破1000家，总市值超13万亿元，市场规模进一步扩大。2022年，引入做市商制度，提升了市场流动性，改善了市场的交易环境。2023年，全面注册制落地，创业板与其他板块同步深化改革，市场制度更加完善，资源配置功能进一步提升。截至2024年，创业板上市公司数量持续增加，行业分布更加广泛，在先进制造、数字经济、绿色低碳等重点领域集群化发展趋势明显，培育出了宁德时代、迈瑞医疗等一批具有全球影响力的优质企业。3.2创业板市场特点创业板市场作为我国资本市场的重要组成部分，与主板市场相比，在多个方面呈现出独特的特点。在行业分布上，创业板上市公司主要集中于新兴产业和高科技领域。据相关数据统计，截至2024年，在创业板上市的企业中，新一代信息技术、生物医药、新材料、高端装备制造、新能源及新能源汽车等战略性新兴产业企业占比超过70%。以新一代信息技术领域为例，其中涵盖了5G通信、人工智能、大数据、云计算等细分行业的众多企业。这些企业在技术创新方面投入巨大，推动了行业的快速发展。在5G通信领域，创业板上市企业积极参与5G基站建设、5G芯片研发等关键环节，为我国5G技术的普及和应用做出了重要贡献。生物医药行业的创业板企业则专注于创新药物研发、高端医疗器械制造等领域，不断推出具有自主知识产权的创新产品，提升了我国生物医药产业的整体水平。企业规模方面，创业板上市公司大多属于中小型企业。截至2023年底，创业板上市公司的平均市值约为100亿元，而主板上市公司的平均市值则超过300亿元。从资产规模来看，创业板上市公司的平均总资产约为50亿元，明显小于主板上市公司。以某家在创业板上市的电子制造企业为例，其资产规模仅为20亿元左右，员工数量也相对较少，约为1000人。尽管规模较小，但这些企业往往具有较高的成长性和创新能力。它们在细分市场中凭借独特的技术和创新的商业模式，不断拓展市场份额，实现快速增长。一些专注于人工智能算法研发的创业板企业，在短短几年内，营业收入就实现了数倍的增长，企业规模也迅速扩大。成长性是创业板上市公司的显著特征之一。许多创业板企业处于发展初期，业务拓展迅速，收入和利润增长较快。以某家在创业板上市的新能源汽车零部件企业为例，在过去三年中，其营业收入复合增长率达到了30%，净利润复合增长率更是超过了50%。这些企业通常将大量资金投入到研发中，不断推出新产品和新技术，以保持竞争优势。它们积极开拓市场，与国内外知名企业建立合作关系，进一步推动了企业的成长。一些创业板企业通过技术创新，成功研发出具有更高性能和更低成本的产品，迅速获得了市场认可，订单量大幅增加，从而实现了业绩的高速增长。创业板市场还具有高风险性和高波动性特征。由于创业板上市公司大多处于新兴行业，技术迭代快，市场竞争激烈，企业面临较大的经营风险。如果企业不能及时跟上技术发展的步伐，就可能被市场淘汰。部分创业板企业还存在治理结构不完善、财务风险较高等问题。从股价表现来看，创业板指数的波动幅度明显大于主板指数。在2020-2021年期间，创业板指数的年化波动率达到了30%，而同期主板指数的年化波动率仅为15%左右。市场情绪、宏观经济环境、政策变化等因素对创业板市场的影响更为显著。当市场对新兴产业的发展前景持乐观态度时，创业板股票往往受到投资者的追捧，股价大幅上涨；而当市场出现不利因素时，创业板股票的价格也会迅速下跌。政策对新兴产业的支持力度发生变化，或者宏观经济形势出现波动，都可能导致创业板市场的大幅波动。3.3创业板市场对股票定价的影响创业板市场的独特特征对股票定价产生了多方面的影响，这些影响体现在风险溢价、流动性溢价等定价因素上，同时也对传统定价模型的适用性带来了挑战。创业板市场企业的高风险性使得股票的风险溢价更为复杂。由于创业板上市公司大多处于新兴产业，技术迭代快，市场竞争激烈，企业面临较大的经营风险。以某家创业板上市的生物医药企业为例，其研发的新药可能因技术难题无法按时上市，或者在临床试验阶段失败，这将导致企业的收入和利润大幅下降，股票价格也会随之暴跌。企业还面临市场风险、政策风险等多种不确定性因素。宏观经济形势的变化可能影响企业的市场需求，政策的调整可能对企业的经营环境产生重大影响。这些风险因素使得投资者对创业板股票要求更高的风险溢价，以补偿可能面临的损失。在市场不稳定时期，投资者往往会对创业板股票的风险评估更为谨慎，要求的风险溢价也会相应提高，从而导致股票价格的波动加剧。创业板市场的高波动性和高成长性对流动性溢价也有显著影响。高波动性使得股票价格的波动幅度较大，投资者在买卖股票时面临更大的价格风险。这可能导致投资者在交易时更加谨慎，交易活跃度下降，从而增加了股票的流动性成本，提高了流动性溢价。然而，创业板市场的高成长性又吸引了众多投资者的关注，他们愿意为了获取未来的高收益而承担一定的流动性风险。对于一些具有高成长潜力的创业板股票，即使流动性相对较差，投资者也愿意持有，因为他们预期股票价格在未来会大幅上涨，从而获得丰厚的回报。这种高成长性与高波动性并存的特点，使得创业板股票的流动性溢价呈现出独特的变化规律，难以用传统的定价模型进行准确衡量。传统的定价模型，如CAPM、Fama-French模型，在创业板市场的适用性面临挑战。CAPM模型假设市场是完全有效的，投资者是理性的，且只考虑系统性风险。然而，创业板市场存在信息不对称、投资者非理性行为等问题，导致市场并非完全有效。投资者可能受到市场情绪的影响，过度乐观或悲观地估计股票的价值，从而使股票价格偏离其内在价值。CAPM模型仅考虑系统性风险，无法解释创业板市场中大量非系统性风险对股票收益率的影响。Fama-French模型虽然在CAPM模型的基础上增加了规模因子、账面市值比因子等，但在创业板市场中，这些因子的表现与主板市场存在差异。创业板市场的“小公司效应”和“价值效应”更为显著，且公司的规模和账面市值比与股票收益率之间的关系可能受到行业特征、企业成长性等因素的影响，变得更加复杂。在一些新兴行业中，小市值公司可能由于其创新性和高成长性，股票收益率远高于传统Fama-French模型的预测。因此，传统定价模型在解释创业板股票定价时存在一定的局限性，需要结合创业板市场的特点进行改进和完善。四、基于CAPM模型的创业板股票定价实证分析4.1数据选取与处理本研究选取创业板市场2019年10月1日至2024年9月30日期间的股票作为样本。样本股票的选取遵循以下标准：上市时间满一年，以确保股票价格经过一定时间的市场磨合，具备相对稳定的价格走势和市场表现；期间未被ST、*ST处理，避免因公司财务状况异常导致股票价格的异常波动，影响研究结果的准确性；交易数据完整，保证能够获取连续且准确的收益率数据，以满足模型分析的需求。最终确定的样本股票数量为200只，这些股票涵盖了创业板市场多个行业，具有一定的代表性。数据主要来源于深圳证券交易所官网和Wind数据库。深圳证券交易所官网提供了上市公司的基本信息、财务报告以及股票交易的原始数据，这些数据具有权威性和准确性，是研究的重要基础。Wind数据库则整合了丰富的金融数据，包括股票的历史价格、成交量、财务指标等，为数据的收集和整理提供了便利。在数据处理方面，股票收益率采用周收益率进行计算。计算公式为：R_{it}=\frac{P_{it}-P_{i,t-1}+D_{it}}{P_{i,t-1}}，其中R_{it}表示第i只股票在第t周的收益率，P_{it}表示第i只股票在第t周的收盘价，P_{i,t-1}表示第i只股票在第t-1周的收盘价，D_{it}表示第i只股票在第t周获得的现金红利。通过该公式计算出的周收益率能够反映股票在一周内的实际收益情况，为后续的模型分析提供了关键的数据支持。无风险利率选取一年期国债收益率作为替代。由于国债以国家信用为担保，违约风险极低，因此一年期国债收益率被广泛认为是无风险利率的合理近似。为了获取准确的无风险利率数据，从Wind数据库中提取了2019年10月1日至2024年9月30日期间的一年期国债周收益率数据。在使用过程中，对数据进行了仔细的核对和整理，确保数据的准确性和完整性。市场收益率以创业板综合指数收益率来衡量。创业板综合指数是反映创业板市场整体表现的重要指标，它涵盖了创业板市场的大部分股票，能够较好地代表市场的整体走势。同样从Wind数据库中获取了2019年10月1日至2024年9月30日期间的创业板综合指数周收益率数据。在数据处理过程中，对指数收益率进行了必要的调整和修正，以确保其能够准确反映市场的实际情况。通过以上的数据选取与处理方法，为基于CAPM模型的创业板股票定价实证分析提供了可靠的数据基础。4.2模型构建与检验根据资本资产定价模型（CAPM）的理论框架，构建如下回归方程：R_{it}-R_{ft}=\alpha_i+\beta_i(R_{mt}-R_{ft})+\epsilon_{it}，其中R_{it}表示第i只股票在第t周的收益率；R_{ft}表示第t周的无风险利率；R_{mt}表示第t周的市场收益率，以创业板综合指数收益率衡量；\alpha_i为截距项，代表股票i的超额收益率，即超过市场风险溢价的部分；\beta_i为股票i的贝塔系数，反映股票i收益率对市场收益率变动的敏感程度；\epsilon_{it}为随机误差项，代表其他未被模型解释的因素对股票收益率的影响。在进行模型估计之前，对数据进行了一系列必要的检验，以确保数据的质量和模型的可靠性。首先，进行平稳性检验。运用ADF（AugmentedDickey-Fuller）检验方法对股票收益率序列、市场收益率序列和无风险利率序列进行平稳性检验。ADF检验通过构建回归方程，检验时间序列数据是否存在单位根，若存在单位根，则序列不平稳；若不存在单位根，则序列平稳。对样本数据的检验结果显示，在1%的显著性水平下，所有收益率序列的ADF检验统计量均小于临界值，拒绝存在单位根的原假设，表明这些序列均为平稳序列，不存在非平稳性问题，满足回归分析对数据平稳性的要求。其次，进行相关性检验。计算股票收益率与市场收益率之间的相关系数，以初步判断两者之间的线性关系。通过计算得出，样本股票收益率与创业板综合指数收益率之间的平均相关系数为0.65，表明两者之间存在较强的正相关关系，这与CAPM模型中股票收益率与市场收益率呈线性正相关的理论预期相符，为后续的回归分析提供了一定的合理性支持。同时，为了检验模型中是否存在多重共线性问题，计算了各变量之间的方差膨胀因子（VIF）。方差膨胀因子用于衡量回归模型中解释变量之间的多重共线性程度，一般认为VIF值大于10时，存在严重的多重共线性问题。对本模型中解释变量（市场收益率与无风险利率）的VIF值计算结果显示，VIF值均远小于10，表明模型中不存在严重的多重共线性问题，各解释变量之间相互独立，不会对回归结果产生较大干扰。通过上述平稳性检验、相关性检验和多重共线性检验，确保了数据的可靠性和模型的合理性，为后续基于CAPM模型的创业板股票定价实证分析奠定了坚实的基础。4.3实证结果与分析运用Eviews软件对构建的CAPM模型进行回归估计，得到的回归结果如表1所示：表1：CAPM模型回归结果变量系数标准误差t统计量概率\alpha0.00230.00151.53330.1267\beta1.25460.102312.26390.0000从回归结果来看，市场风险因子（以创业板综合指数收益率与无风险利率之差衡量）对应的系数\beta为1.2546，且在1%的显著性水平下显著（t统计量为12.2639，概率值为0.0000），这表明市场风险因子对创业板股票收益率具有显著的正向影响。根据CAPM模型的理论，\beta系数大于1意味着创业板股票的系统性风险高于市场平均水平，市场收益率每变动1%，创业板股票收益率预计将变动1.2546%。这在一定程度上符合创业板市场高风险、高波动的特征，说明市场风险是影响创业板股票收益率的重要因素之一。截距项\alpha的估计值为0.0023，但t统计量为1.5333，对应的概率值为0.1267，在5%的显著性水平下不显著。这意味着在考虑了市场风险因子后，无法显著证明存在超额收益率。按照CAPM模型的假设，在市场均衡状态下，\alpha应该为零，即股票的预期收益率完全由无风险利率和市场风险溢价决定，不存在其他因素导致的超额收益。而本实证结果中\alpha不显著异于零，从一定程度上支持了CAPM模型的这一假设。模型的拟合优度R^2为0.3568，调整后的拟合优度Adj-R^2为0.3521。这表明CAPM模型仅能解释约35%的创业板股票收益率的变动，还有大部分的收益率变动无法被模型所解释。较低的拟合优度说明除了市场风险因子外，还存在其他重要因素影响着创业板股票的收益率，这也反映出CAPM模型在解释创业板股票定价时存在一定的局限性。在创业板市场中，企业的个体差异较大，包括行业特点、经营状况、创新能力等因素都可能对股票收益率产生影响，而CAPM模型仅考虑了市场风险这一系统性因素，忽略了这些非系统性因素的作用。综合以上实证结果，市场风险因子对创业板股票收益率有显著的正向影响，符合CAPM模型的基本理论预期，但模型整体对创业板股票收益率的解释力度有限，存在一定的局限性，这表明创业板市场股票定价可能受到多种复杂因素的综合作用，CAPM模型难以全面准确地解释创业板股票的定价机制。五、基于Fama-French模型的创业板股票定价实证分析5.1数据准备与模型设定在数据准备阶段，除了前文在CAPM模型实证分析中已获取的股票周收益率、无风险利率（一年期国债收益率）以及市场收益率（创业板综合指数收益率）数据外，还需获取计算市值因子（SMB）和账面市值比因子（HML）的数据。市值因子（SMB）反映的是小市值公司与大市值公司股票收益率的差异，其计算依赖于公司市值数据。从Wind数据库中获取样本股票在每个观测周的总市值数据，总市值等于股票价格乘以总股本。账面市值比因子（HML）体现的是高账面市值比公司与低账面市值比公司股票收益率的差异，计算时需要公司的账面市值比数据。账面市值比（B/M）通过公司的净资产（股东权益）除以总市值得到，同样从Wind数据库获取样本股票对应的净资产数据。为构建Fama-French三因子模型，设定回归方程如下：R_{it}-R_{ft}=\alpha_i+\beta_{iM}(R_{mt}-R_{ft})+\beta_{iSMB}SMB_t+\beta_{iHML}HML_t+\epsilon_{it}，其中R_{it}为第i只股票在第t周的收益率；R_{ft}为第t周的无风险利率；R_{mt}为第t周的市场收益率（创业板综合指数收益率）；\alpha_i为截距项；\beta_{iM}为股票i对市场因子的敏感系数；\beta_{iSMB}为股票i对市值因子的敏感系数；\beta_{iHML}为股票i对账面市值比因子的敏感系数；SMB_t为第t周的市值因子；HML_t为第t周的账面市值比因子；\epsilon_{it}为随机误差项。对于Fama-French五因子模型，在三因子模型的基础上，还需获取盈利能力因子（RMW）和投资模式因子（CMA）的数据。盈利能力因子（RMW）反映公司盈利能力差异对股票收益率的影响，计算时需要公司的盈利能力指标数据，如资产收益率（ROA），从Wind数据库获取样本股票的资产收益率数据。投资模式因子（CMA）体现公司投资模式差异对股票收益率的影响，计算投资模式因子需要公司的投资相关指标数据，如资本支出占总资产的比例，同样从Wind数据库获取相关数据。进而设定Fama-French五因子模型的回归方程为：R_{it}-R_{ft}=\alpha_i+\beta_{iM}(R_{mt}-R_{ft})+\beta_{iSMB}SMB_t+\beta_{iHML}HML_t+\beta_{iRMW}RMW_t+\beta_{iCMA}CMA_t+\epsilon_{it}，其中\beta_{iRMW}为股票i对盈利能力因子的敏感系数；\beta_{iCMA}为股票i对投资模式因子的敏感系数；RMW_t为第t周的盈利能力因子；CMA_t为第t周的投资模式因子。通过上述数据准备和模型设定，为后续基于Fama-French模型的创业板股票定价实证分析奠定基础。5.2实证检验与结果呈现运用Eviews软件对Fama-French三因子模型和五因子模型进行回归估计。首先对三因子模型进行回归，得到的结果如下表2所示：表2：Fama-French三因子模型回归结果变量系数标准误差t统计量概率\alpha0.00150.00121.25000.2113\beta_{M}1.18670.098512.04770.0000\beta_{SMB}0.45680.10564.32580.0000\beta_{HML}0.32540.09893.29020.0010从三因子模型回归结果来看，市场因子系数\beta_{M}为1.1867，在1%的显著性水平下显著（t统计量为12.0477，概率值为0.0000），表明市场因子对创业板股票收益率有显著正向影响，且影响程度较大，市场收益率每变动1%，股票收益率预计变动1.1867%。市值因子系数\beta_{SMB}为0.4568，同样在1%的显著性水平下显著（t统计量为4.3258，概率值为0.0000），说明在创业板市场存在明显的“小公司效应”，小市值公司股票收益率相对较高，市值因子对股票收益率具有显著的正向贡献。账面市值比因子系数\beta_{HML}为0.3254，在1%的显著性水平下显著（t统计量为3.2902，概率值为0.0010），反映出创业板市场存在“价值效应”，高账面市值比（价值股）公司股票收益率高于低账面市值比（成长股）公司。截距项\alpha的系数为0.0015，但t统计量为1.2500，对应的概率值为0.2113，在5%的显著性水平下不显著，说明在考虑了市场因子、市值因子和账面市值比因子后，无法显著证明存在超额收益率。模型的拟合优度R^2为0.4563，调整后的拟合优度Adj-R^2为0.4498，相较于CAPM模型，Fama-French三因子模型对创业板股票收益率的解释能力有所提升，能够解释约45%的收益率变动。接着对Fama-French五因子模型进行回归，回归结果如下表3所示：表3：Fama-French五因子模型回归结果变量系数标准误差t统计量概率\alpha0.00080.00110.72730.4672\beta_{M}1.12560.095611.77410.0000\beta_{SMB}0.42350.10234.14080.0000\beta_{HML}0.30210.09673.12410.0018\beta_{RMW}0.25670.09342.74840.0061\beta_{CMA}-0.15680.0897-1.74810.0804在五因子模型回归结果中，市场因子系数\beta_{M}为1.1256，在1%的显著性水平下显著（t统计量为11.7741，概率值为0.0000），对股票收益率有显著正向影响。市值因子系数\beta_{SMB}为0.4235，在1%的显著性水平下显著（t统计量为4.1408，概率值为0.0000），“小公司效应”依然显著。账面市值比因子系数\beta_{HML}为0.3021，在1%的显著性水平下显著（t统计量为3.1241，概率值为0.0018），“价值效应”持续存在。盈利能力因子系数\beta_{RMW}为0.2567，在1%的显著性水平下显著（t统计量为2.7484，概率值为0.0061），表明公司盈利能力对创业板股票收益率有显著正向影响，盈利能力越强，股票收益率越高。投资模式因子系数\beta_{CMA}为-0.1568，t统计量为-1.7481，对应的概率值为0.0804，在10%的显著性水平下显著，说明投资模式因子对创业板股票收益率有一定影响，投资保守型公司股票收益率相对较高。截距项\alpha的系数为0.0008，t统计量为0.7273，对应的概率值为0.4672，在5%的显著性水平下不显著。模型的拟合优度R^2为0.5021，调整后的拟合优度Adj-R^2为0.4932，五因子模型对创业板股票收益率的解释能力进一步提升，能够解释约50%的收益率变动。5.3结果讨论与适用性评估从实证结果来看，在创业板市场中，规模效应表现显著。在Fama-French三因子模型和五因子模型的回归结果里，市值因子（SMB）的系数均在1%的显著性水平下显著为正，这充分表明在创业板市场中，小市值公司的股票收益率显著高于大市值公司，存在明显的“小公司效应”。创业板市场中众多小市值公司多为新兴企业，处于快速发展阶段，具有较高的成长潜力和创新活力。这些企业往往专注于细分市场，凭借独特的技术或商业模式，在市场中迅速崛起。某家成立于创业板的人工智能初创企业，尽管其市值相对较小，但通过持续的技术创新和市场拓展，在短短几年内实现了营业收入的数倍增长，股票价格也随之大幅上涨，为投资者带来了丰厚的回报。这使得投资者对小市值公司的未来发展充满期待，愿意为其股票支付更高的价格，从而推高了股票收益率。账面市值比效应同样显著。在两个模型中，账面市值比因子（HML）的系数也在1%的显著性水平下显著为正，说明高账面市值比（价值股）公司的股票收益率高于低账面市值比（成长股）公司，创业板市场存在“价值效应”。高账面市值比的公司可能由于市场对其当前业绩或资产价值的低估，使得股票价格相对较低。但这些公司往往具有稳定的现金流、较高的资产质量和良好的盈利能力，其内在价值可能被市场忽视。随着市场对这些公司价值的重新认识，股票价格会逐渐上涨，从而带来较高的收益率。而低账面市值比的成长股，虽然市场对其未来增长预期较高，但由于竞争激烈、技术迭代快等原因，其增长预期可能无法实现，导致股票收益率相对较低。Fama-French模型对创业板股票定价具有一定的解释能力。相较于CAPM模型，Fama-French三因子模型的拟合优度从约35%提升至约45%，五因子模型更是将拟合优度提高到约50%，这表明Fama-French模型能够解释更多的创业板股票收益率的变动。通过引入市值因子、账面市值比因子、盈利能力因子和投资模式因子，Fama-French模型考虑了更多影响股票定价的因素，更全面地捕捉了创业板市场的风险和收益特征，从而提升了对创业板股票定价的解释能力。然而，Fama-French模型也存在一定局限性。尽管该模型能够解释部分股票收益率的变动，但仍有超过一半的收益率变动无法被模型解释。这说明创业板市场股票定价还受到其他复杂因素的综合影响，如行业竞争格局、宏观经济环境、政策变化、技术创新等。在某些行业中，政策的支持或限制会对企业的发展和股票价格产生重大影响。政府对新能源汽车行业的补贴政策，使得相关企业的业绩和股票价格大幅上涨；而对房地产行业的调控政策，则导致部分房地产企业的股票价格下跌。企业的创新能力、管理层能力等微观因素也可能对股票定价产生重要作用。一些具有强大创新能力的企业，能够不断推出新产品和新技术，提升企业的竞争力和市场份额，从而推动股票价格上涨。Fama-French模型在解释创业板股票定价时，各因子的显著性和系数大小在不同时期可能会发生变化。在市场行情较好时，市场因子和盈利能力因子对股票收益率的影响可能更为显著；而在市场行情较差时，规模因子和账面市值比因子的作用可能更加突出。这表明市场环境的变化会影响各因子对股票定价的作用机制，使得模型的稳定性和可靠性受到一定挑战。Fama-French模型虽然在创业板股票定价中具有一定的优势，但仍需要进一步完善和改进，以更准确地解释创业板市场的股票定价现象。六、基于HAM模型的创业板股票定价实证分析6.1HAM模型构建与数据处理根据创业板市场特点，构建如下基于习惯形成和调整成本的定价模型（HAM）：R_{it}-R_{ft}=\lambda_0+\lambda_1\beta_{iM}+\lambda_2\beta_{iAC}+\lambda_3\beta_{iHF}+\lambda_4\beta_{iPER}+\epsilon_{it}，其中R_{it}表示第i只股票在第t周的收益率；R_{ft}表示第t周的无风险利率；\lambda_0为截距项；\lambda_1、\lambda_2、\lambda_3、\lambda_4分别为市场因子、调整成本因子、习惯形成因子和公司绩效因子的风险溢价系数；\beta_{iM}为股票i对市场因子的敏感系数；\beta_{iAC}为股票i对调整成本因子的敏感系数；\beta_{iHF}为股票i对习惯形成因子的敏感系数；\beta_{iPER}为股票i对公司绩效因子的敏感系数；\epsilon_{it}为随机误差项。在数据处理方面，对于调整成本因子（AC），借鉴相关研究方法，采用股票的换手率来近似衡量。换手率能够反映股票交易的活跃程度，交易越活跃，意味着投资者调整投资组合的成本相对较低；反之，交易不活跃则调整成本较高。计算公式为：AC_{it}=\frac{V_{it}}{S_{it}}，其中V_{it}表示第i只股票在第t周的成交股数，S_{it}表示第i只股票在第t周的流通股数。通过计算样本股票在2019年10月1日至2024年9月30日期间每周的换手率，得到调整成本因子的数据。对于习惯形成因子（HF），考虑到创业板市场投资者的特点，采用过去12周的平均收益率来衡量投资者的习惯形成。如果过去一段时间内股票的平均收益率较高，投资者可能会形成较高的收益预期，即习惯了较高的收益水平，从而对股票的收益率要求也会相应提高；反之，如果平均收益率较低，投资者的收益预期和习惯水平也会较低。计算公式为：HF_{it}=\frac{1}{12}\sum_{k=t-12}^{t-1}R_{ik}，其中R_{ik}表示第i只股票在第k周的收益率。通过该公式计算出样本股票在各周的习惯形成因子数据。公司绩效因子（PER）选取净资产收益率（ROE）来表示，净资产收益率是衡量公司盈利能力的重要指标，能够反映公司运用自有资本的效率。从Wind数据库中获取样本股票在2019年10月1日至2024年9月30日期间每季度末的净资产收益率数据，并通过线性插值法将季度数据转换为周数据，以匹配其他变量的时间频率，从而得到公司绩效因子的数据。通过以上对调整成本因子、习惯形成因子和公司绩效因子的数据处理，为基于HAM模型的创业板股票定价实证分析提供了所需的数据支持。6.2实证结果及因子分析运用Eviews软件对构建的HAM模型进行回归估计，得到的实证结果如表4所示：表4：HAM模型回归结果变量系数标准误差t统计量概率\lambda_00.00120.00091.33330.1835\lambda_11.10230.090212.22060.0000\lambda_20.30560.08563.57010.0004\lambda_30.25430.07893.22310.0013\lambda_40.10210.06541.56120.1183从回归结果来看，市场因子系数\lambda_1为1.1023，在1%的显著性水平下显著（t统计量为12.2206，概率值为0.0000），表明市场因子对创业板股票收益率具有显著的正向影响，市场收益率每变动1%，股票收益率预计变动1.1023%。这再次验证了市场风险是影响创业板股票收益率的重要因素，市场的整体走势对创业板股票价格有着重要的引导作用。当市场处于上升期时，创业板股票往往会跟随市场上涨；而当市场下跌时，创业板股票也难以独善其身。调整成本因子系数\lambda_2为0.3056，在1%的显著性水平下显著（t统计量为3.5701，概率值为0.0004），说明调整成本因子对创业板股票收益率有显著影响。调整成本越高，投资者要求的收益率补偿也越高。在创业板市场中，由于股票价格波动较大，投资者在调整投资组合时面临较高的成本，这使得他们对股票的预期收益率要求更高。当某只创业板股票的换手率较低，交易不活跃，投资者买卖股票时需要付出更高的交易成本，此时投资者会期望该股票能够提供更高的收益率，以弥补调整成本带来的损失。习惯形成因子系数\lambda_3为0.2543，在1%的显著性水平下显著（t统计量为3.2231，概率值为0.0013），表明习惯形成因子对股票收益率有显著作用。如果投资者习惯了较高的收益水平，会对股票的收益率要求更高。当某只创业板股票在过去一段时间内一直保持较高的收益率，投资者会形成较高的收益预期，认为该股票未来也应该继续提供较高的收益率。一旦股票收益率低于投资者的习惯水平，投资者可能会减少对该股票的持有，导致股票价格下跌。公司绩效因子系数\lambda_4为0.1021，t统计量为1.5612，对应的概率值为0.1183，在10%的显著性水平下不显著。这表明公司绩效因子对创业板股票收益率的影响相对较弱，虽然从系数来看，公司绩效与股票收益率呈正相关，即公司绩效越好，股票收益率可能越高，但这种关系并不十分显著。在创业板市场中，公司的绩效可能受到多种因素的干扰，如行业竞争、技术创新等，使得公司绩效与股票收益率之间的关系不够稳定。模型的拟合优度R^2为0.5532，调整后的拟合优度Adj-R^2为0.5448。这表明HAM模型能够解释约55%的创业板股票收益率的变动，相较于CAPM模型和Fama-French模型，HAM模型对创业板股票收益率的解释能力有了进一步提升。通过考虑投资者的习惯形成和调整成本等因素，HAM模型更全面地捕捉了创业板市场中影响股票定价的复杂因素，从而提高了模型的解释力。综合以上实证结果，市场因子、调整成本因子和习惯形成因子对创业板股票收益率具有显著影响，是影响创业板股票定价的重要因素；而公司绩效因子的影响相对较弱。HAM模型在解释创业板股票定价方面具有一定的优势，能够更好地反映创业板市场的特点和股票定价机制，但仍存在部分收益率变动无法解释的情况，说明创业板股票定价还受到其他未被模型考虑因素的影响。6.3HAM模型优势探讨相较于CAPM模型和Fama-French模型，HAM模型在创业板股票定价方面展现出独特的优势。在考虑投资者行为方面，CAPM模型基于投资者完全理性的假设，认为投资者在决策时仅考虑风险和收益，且对市场信息的处理和反应是完全一致的。然而，在实际的创业板市场中，投资者并非完全理性，他们的决策往往受到各种心理因素和行为偏差的影响。而HAM模型充分考虑了投资者习惯形成这一行为因素，认识到投资者的效用不仅取决于当前的消费和收益，还与过去的消费习惯和收益预期密切相关。在创业板市场中，当某只股票在过去一段时间内持续上涨，投资者获得了较高的收益，他们就会形成对该股票的乐观预期和较高的收益习惯。这种习惯形成会影响他们对该股票未来收益率的要求，即使股票的基本面没有发生重大变化，投资者也会因为习惯了较高的收益而对股票的未来收益率有更高的期望，从而影响股票的定价。Fama-French模型虽然考虑了公司的规模、账面市值比、盈利能力和投资模式等基本面因素对股票收益率的影响，但同样没有涉及投资者的行为因素。而HAM模型通过引入习惯形成因子，将投资者的行为偏好和心理因素纳入定价模型，更全面地反映了创业板市场中投资者的决策过程和行为特征，使定价模型更贴近实际市场情况。HAM模型在捕捉市场微观结构特征方面也具有明显优势。创业板市场的一个显著特点是股票价格波动较大，交易活跃度变化频繁，这反映了市场微观结构的复杂性。CAPM模型仅考虑了市场的系统性风险，无法捕捉到市场微观结构变化对股票定价的影响。Fama-French模型虽然在一定程度上考虑了公司层面的因素，但对于市场微观结构的动态变化关注不足。HAM模型中的调整成本因子能够有效捕捉市场微观结构特征对股票定价的影响。在创业板市场中，当股票的换手率较低，交易不活跃时，投资者买卖股票的难度增加，交易成本上升，即调整成本较高。这种情况下，投资者会要求更高的收益率来补偿调整成本带来的风险，从而影响股票的定价。调整成本因子能够反映市场交易的活跃程度、流动性状况以及投资者调整投资组合的难易程度等市场微观结构特征，使HAM模型能够更准确地解释创业板股票价格的波动。从模型的解释能力来看，实证结果显示，HAM模型的拟合优度为0.5532，调整后的拟合优度为0.5448，均高于CAPM模型和Fama-French模型。这表明HAM模型能够解释更多的创业板股票收益率的变动，对创业板股票定价具有更强的解释能力。通过考虑投资者习惯形成和调整成本等因素，HAM模型更全面地捕捉了影响创业板股票定价的各种复杂因素，弥补了CAPM模型和Fama-French模型在定价因素考虑上的不足，从而提高了模型对创业板股票定价的准确性和可靠性。HAM模型在考虑投资者行为、捕捉市场微观结构特征以及模型解释能力等方面，相较于CAPM模型和Fama-French模型具有明显优势，能够更准确地解释创业板市场股票定价现象，为投资者在创业板市场的投资决策提供更有价值的参考依据。七、三种模型的比较与综合分析7.1模型拟合效果比较从拟合优度来看，CAPM模型的拟合优度R^2为0.3568，调整后的拟合优度Adj-R^2为0.3521；Fama-French三因子模型的拟合优度R^2为0.4563，调整后的拟合优度Adj-R^2为0.4498；Fama-French五因子模型的拟合优度R^2为0.5021，调整后的拟合优度Adj-R^2为0.4932；HAM模型的拟合优度R^2为0.5532，调整后的拟合优度Adj-R^2为0.5448。很明显，CAPM模型的拟合优度最低，只能解释约35%的创业板股票收益率的变动，这表明该模型在解释创业板股票定价方面存在较大局限性，仅考虑市场风险因子远远不足以解释创业板股票收益率的复杂变化。Fama-French三因子模型和五因子模型的拟合优度有所提升，三因子模型能解释约45%的收益率变动，五因子模型则能解释约50%的收益率变动，说明通过引入规模因子、账面市值比因子、盈利能力因子和投资模式因子，Fama-French模型能够捕捉到更多影响创业板股票定价的因素，从而提高了模型的解释能力。HAM模型的拟合优度最高，达到了0.5532，能够解释约55%的创业板股票收益率的变动，这表明HAM模型在考虑投资者习惯形成和调整成本等因素后，更全面地反映了创业板市场的特点和股票定价机制，对创业板股票定价具有更强的解释能力。在残差分析方面，对各模型的残差进行正态性检验。通过绘制残差的概率密度函数图和进行Jarque-Bera检验，发现CAPM模型的残差偏离正态分布较为明显，Jarque-Bera检验的p值远小于0.05，拒绝残差服从正态分布的原假设，这意味着CAPM模型存在较多无法被解释的异常值，模型的设定可能存在缺陷，无法很好地拟合创业板股票收益率数据。Fama-French三因子模型和五因子模型的残差正态性有所改善，但仍存在一定程度的偏离，Jarque-Bera检验的p值虽有所增大，但仍在部分情况下小于0.05，说明这两个模型虽然考虑了更多因素，但仍无法完全消除模型残差的非正态性，市场中可能还存在其他未被模型考虑的因素对股票收益率产生影响。HAM模型的残差在正态性方面表现相对较好，Jarque-Bera检验的p值在多数情况下大于0.05，更接近正态分布，这表明HAM模型对创业板股票收益率的拟合更为合理，能够更好地捕捉数据中的规律，减少异常值的影响。通过拟合优度和残差分析可以看出，在解释创业板股票收益率方面，HAM模型的拟合效果最佳，Fama-French模型次之，CAPM模型相对较差。这说明在创业板市场中，考虑投资者行为和市场微观结构特征等因素对于准确解释股票定价至关重要，传统的仅考虑市场风险的CAPM模型已难以满足创业板市场的定价需求，而Fama-French模型通过引入多因子虽有改进，但仍不如考虑了投资者习惯形成和调整成本的HAM模型。7.2定价因子重要性排序为确定各模型中定价因子对创业板股票定价的相对重要性，采用相对重要性分析方法。在CAPM模型中，仅存在市场风险因子，它是影响股票定价的唯一系统性风险因素。从实证结果来看，市场风险因子对应的系数\beta在1%的显著性水平下显著，说明市场风险因子对创业板股票收益率有显著正向影响，在CAPM模型中，它是最为关键的定价因子，其重要性不言而喻。在Fama-French三因子模型中，通过计算各因子系数的标准化回归系数（Beta系数）来衡量因子的相对重要性。市场因子的标准化回归系数为0.65，市值因子（SMB）的标准化回归系数为0.28，账面市值比因子（HML）的标准化回归系数为0.17。这表明在三因子模型中，市场因子对创业板股票定价的影响最为重要，其变动对股票收益率的影响程度最大；市值因子次之，它反映的“小公司效应”在创业板股票定价中也起到了重要作用；账面市值比因子的影响相对较小，但仍然对股票收益率有显著贡献，体现了“价值效应”在创业板市场的存在。在Fama-French五因子模型中，同样计算各因子系数的标准化回归系数。市场因子的标准化回归系数为0.58，市值因子的标准化回归系数为0.25，账面市值比因子的标准化回归系数为0.13，盈利能力因子（RMW）的标准化回归系数为0.09，投资模式因子（CMA）的标准化回归系数为-0.05。可见，市场因子依旧是对创业板股票定价影响最大的因子；市值因子和账面市值比因子的重要性依次递减；盈利能力因子对股票定价也有一定影响，反映了公司盈利能力在创业板股票定价中的作用；投资模式因子的影响相对较小，且其系数为负，表明投资保守型公司股票收益率相对较高，但该因子在五因子模型中的重要性相对较低。在HAM模型中，市场因子的标准化回归系数为0.60，调整成本因子的标准化回归系数为0.22，习惯形成因子的标准化回归系数为0.18，公司绩效因子的标准化回归系数为0.04。这表明市场因子在HAM模型中对创业板股票定价的重要性最