探寻适配中国股市的钥匙：Fama - French三因子模型的改良与实证检验

探寻适配中国股市的钥匙：Fama-French三因子模型的改良与实证检验一、引言1.1研究背景与动因股票市场作为现代金融市场的关键构成部分，在经济体系中占据着举足轻重的地位。从宏观角度来看，股票市场是企业重要的融资渠道，企业通过发行股票能够直接从公众手中募集资金，用于扩大生产规模、开展技术研发以及拓展市场等活动，这不仅有助于企业自身的成长与发展，也对整个经济的增长和创新发挥着推动作用。例如，一家新兴的科技企业可能因缺乏足够的固定资产作为抵押而难以从银行获得大量贷款，但通过在股票市场上市发行股票，便有机会筹集到充足的资金，加速技术创新和市场推广，从而实现快速扩张，为经济发展注入新的活力。同时，股票市场通过价格机制引导资本流向更具效率和发展潜力的企业，促进了资源的优化配置，提升了资本的利用效率，增强了经济的活力与韧性。从微观层面而言，股票市场为投资者提供了丰富的投资选择和资产增值机会，投资者通过购买股票，可以分享企业的成长和盈利成果，实现个人财富的增长。此外，股票市场的波动也为投资者创造了通过买卖股票获取差价收益的可能性，当然，这也伴随着一定的风险，要求投资者具备相应的财经知识和风险管理能力。鉴于股票市场的重要性，准确预测和解释股票收益率成为投资者和学者共同关注的核心问题。股票收益率不仅关系到投资者的投资决策和收益水平，还对金融市场的稳定和资源配置效率产生深远影响。在过去的几十年里，学术界和金融界提出了多种股票收益率模型，旨在揭示股票收益率的形成机制和影响因素，为投资者提供有效的投资决策依据。其中，资本资产定价模型（CAPM）和Fama-French三因子模型是两个具有代表性的模型。CAPM模型是现代金融理论的重要基石之一，它基于一系列严格的假设条件，如投资者具有相同的预期、市场是完全有效的、无风险资产存在且投资者可以以无风险利率自由借贷等，认为股票的期望收益率只与市场风险相关，通过市场风险溢价和股票的β系数来衡量股票的风险补偿。然而，随着金融市场的发展和实证研究的深入，CAPM模型逐渐暴露出一些局限性。众多实证研究发现，CAPM模型无法充分解释股票收益率的横截面差异，存在许多无法被市场风险所解释的异常收益现象，如规模效应、价值效应等。这些异常现象表明，除了市场风险之外，还存在其他重要因素影响着股票收益率。为了更好地解释股票收益率的横截面变化，Fama和French于1992年提出了Fama-French三因子模型。该模型在CAPM模型的基础上，引入了规模因子（SMB）和账面市值比因子（HML），认为股票的期望收益率不仅取决于市场风险，还与公司规模和账面市值比密切相关。规模因子反映了公司规模大小对股票收益率的影响，通常发现小市值公司的股票平均收益率高于大市值公司；账面市值比因子则体现了公司的价值特征，高账面市值比的公司（价值型公司）股票往往具有较高的平均收益率，而低账面市值比的公司（成长型公司）股票平均收益率相对较低。Fama-French三因子模型在解释股票收益率方面取得了一定的进展，相比CAPM模型具有更强的解释能力，能够较好地解释一些CAPM模型无法解释的异常收益现象，在金融领域得到了广泛的应用和研究。然而，Fama-French三因子模型并非完美无缺，它也存在一些不足之处，尤其是在应用于中国股市时，其适用性受到了一定的挑战。中国股市作为一个新兴市场，与成熟的西方股市相比，具有许多独特的特征和制度背景。例如，中国股市存在着大量的国有股和法人股，股权结构相对集中，市场的有效性程度相对较低，投资者结构以中小投资者为主，市场投机氛围较为浓厚等。这些特殊因素使得中国股市的运行规律和股票收益率的影响因素可能与西方股市存在差异，从而导致Fama-French三因子模型在解释中国股市收益率时存在一定的局限性。已有研究表明，Fama-French三因子模型中的账面市值比因子在中国股市的解释力相对较弱，无法像在西方股市那样有效地解释股票收益率的差异。此外，中国股市还存在一些其他独特的现象，如政策因素对股市的影响较大、行业轮动特征明显等，这些因素也未被Fama-French三因子模型充分考虑。因此，为了提高对中国股市收益率的解释能力和预测准确性，有必要对Fama-French三因子模型进行改进，使其更好地适应中国股市的特点和实际情况。通过深入研究中国股市的特征和股票收益率的影响因素，寻找合适的改进方案，不仅有助于丰富和完善资产定价理论，也能为中国投资者提供更为准确和全面的股票收益率预测和解释方法，帮助投资者做出更加科学合理的投资决策，提高投资收益，降低投资风险，促进中国股票市场的健康稳定发展。这正是本研究致力于Fama-French三因子模型改进及对中国股市收益率检验的重要原因和意义所在。1.2研究价值与意义本研究致力于Fama-French三因子模型的改进以及对中国股市收益率的检验，在学术理论、投资实践和市场发展等多个层面都具有重要的价值和意义。在学术理论层面，Fama-French三因子模型作为资产定价领域的重要理论成果，尽管在解释股票收益率方面取得了一定的进展，但在面对中国股市这一具有独特制度背景和市场特征的环境时，暴露出了一些局限性。通过深入研究中国股市的特点，对Fama-French三因子模型进行针对性的改进，有助于丰富和完善资产定价理论体系。这不仅能够深化对股票收益率影响因素的理解，揭示新兴市场中股票价格形成的内在机制，还能为后续相关研究提供新的思路和方法，推动金融学术研究的不断发展。例如，若能成功引入适合中国股市的新因子或对现有因子进行优化调整，将拓展资产定价模型的应用范围和解释能力，使理论更加贴近实际市场情况。从投资实践角度来看，对于广大投资者而言，准确预测和解释股票收益率是制定科学投资决策的关键。改进后的Fama-French三因子模型能够为投资者提供更为准确和全面的股票收益率预测和解释方法。投资者可以依据该模型更精准地评估股票的投资价值和风险水平，从而合理地构建投资组合，实现资产的优化配置，提高投资收益并降低投资风险。以一个普通投资者为例，在选择股票时，通过运用改进后的模型，能够更深入地分析不同股票受市场因子、规模因子、价值因子以及其他可能新增因子的影响程度，进而挑选出更具潜力的投资标的，避免盲目投资。对于机构投资者，如基金公司、证券公司等，改进后的模型有助于其开发更有效的投资策略和风险管理工具，提升资产管理水平，增强市场竞争力。在市场发展方面，一个高效、稳定的股票市场对于经济的健康发展至关重要。改进Fama-French三因子模型并对中国股市收益率进行检验，能够促进股票市场的资源优化配置。当市场参与者能够更准确地理解股票收益率的形成机制时，资金将更倾向于流向那些具有更高投资价值和发展潜力的企业，从而提高资本的利用效率，推动实体经济的发展。此外，这也有助于提升市场的透明度和有效性，减少市场中的非理性投资行为和投机氛围，增强投资者对市场的信心，促进中国股票市场的长期稳定健康发展。1.3研究思路与架构本研究旨在改进Fama-French三因子模型，并对其在中国股市收益率的解释能力进行检验，具体研究思路与架构如下：在理论分析层面，首先对资产定价理论的发展脉络进行梳理，重点回顾资本资产定价模型（CAPM）的核心原理、假设条件以及在实际应用中面临的挑战。详细阐述Fama-French三因子模型的建立过程、理论基础以及模型中各因子（市场因子、规模因子、账面市值比因子）的定义和计算方法，深入分析该模型相较于CAPM模型的改进之处以及在解释股票收益率方面的优势。同时，对Fama-French三因子模型在国内外的研究现状进行全面综述，探讨该模型在不同市场环境下的应用效果以及面临的质疑和挑战，为后续的模型改进和实证研究奠定坚实的理论基础。在模型改进阶段，基于对中国股市特征的深入剖析，包括中国股市独特的股权结构（如大量国有股和法人股的存在、股权集中度较高）、投资者结构（以中小投资者为主，投资行为具有较强的非理性特征）、市场有效性程度（相对较低，存在较多的市场异象和信息不对称现象）以及政策对股市的显著影响等方面。结合这些特征，从多个角度提出对Fama-French三因子模型的改进方案，例如考虑引入新的因子来捕捉中国股市特有的风险因素或收益驱动因素，如流动性因子、行业轮动因子、政策因子等；对现有因子的计算方法和构建方式进行优化调整，使其更贴合中国股市的实际情况；探索不同因子之间的交互作用和动态关系，以提升模型的解释能力和稳定性。在实证检验部分，选取具有代表性的中国股市数据，涵盖不同行业、不同规模、不同上市时间的股票样本，确保数据的全面性和可靠性。运用改进后的Fama-French三因子模型进行实证研究，通过构建投资组合，计算各组合的收益率，并将其与模型预测的收益率进行对比分析。采用多种统计检验方法，如回归分析、显著性检验、稳定性检验等，对改进后的模型进行全面检验，评估其对中国股市收益率的解释能力和预测准确性。同时，将改进后的模型与原始的Fama-French三因子模型以及其他相关的资产定价模型进行比较，验证改进方案的有效性和优越性。此外，还将对实证结果进行深入分析，探讨各因子在中国股市中的作用机制和影响程度，挖掘中国股市收益率背后的深层次影响因素。本研究按照上述思路，通过理论分析、模型改进和实证检验三个紧密相连的环节，逐步深入探讨Fama-French三因子模型在中国股市的适用性和改进方向，以期为中国股市的投资决策和风险管理提供更具价值的参考依据。二、Fama-French三因子模型理论剖析2.1模型溯源与发展Fama-French三因子模型的诞生有着深厚的理论背景和现实需求，其起源可追溯到现代投资组合理论的发展历程。1952年，马科维茨发表了《投资组合选择》一文，开创性地提出了“均值-方差”模型。该模型认为，投资者在构建投资组合时，应在风险（方差）相同的情况下追求最高收益率，或在收益率一定时使风险最小化，关键在于使投资组合中各资产之间的协方差降至最低。这一理论为现代投资组合理论奠定了基础，引导投资者开始关注资产的风险与收益权衡，以及资产之间的相关性对投资组合风险的影响。在此基础上，威廉・夏普和约翰・林特纳于20世纪60年代提出了资本资产定价模型（CAPM）。CAPM模型假设市场是完全有效的，投资者具有相同的预期，且可以以无风险利率自由借贷。该模型认为，股票的期望收益率只与市场风险相关，可用公式E(R_i)=R_f+β_i(E(R_m)-R_f)来表示，其中E(R_i)为投资组合的预期收益率，R_f为无风险收益率，E(R_m)为市场预期收益率，β_i为系统风险系数。等式左边的E(R_i)-R_f表示投资组合的预期超额收益率，右边的E(R_m)-R_f表示市场预期超额收益率，这意味着投资组合的收益率取决于其对市场系统风险的敏感程度。同时，CAPM模型将投资风险划分为系统风险（无法通过分散化投资降低）和非系统风险（可通过分散化投资降低）。然而，随着金融市场的不断发展和实证研究的深入，CAPM模型逐渐暴露出一些局限性。众多实证结果表明，CAPM模型无法解释某些特定的市场反常情况。例如，Banz在1981年的研究中发现了市值规模效应，即小市值规模的平均股票收益率高于大市值规模的平均股票收益率。这一现象与CAPM模型中仅考虑市场风险来决定股票收益率的观点相悖，说明除了市场风险之外，可能还存在其他因素影响股票收益率。此后，账面市值比（BE/ME）、市盈率倒数（E/P）等一系列指标也被陆续发现可以解释股票价格的变动，这进一步表明股票价格与多种风险因素相关，而不仅仅取决于市场风险。为了更全面地解释股票收益率的横截面差异，经济学家尤金・法玛（EugeneFama）和肯尼斯・弗兰奇（KennethFrench）于1992年对美国股票市场进行了深入研究，旨在探究决定不同股票回报率差异的因素。他们发现，股票的市场beta值无法充分解释不同股票回报率的差异，而上市公司的市值、账面市值比和市盈率等指标却能对股票回报率的差异做出解释。基于此，Fama和French认为这些超额收益是对CAPM中未能反映的风险因素的补偿，除了市场风险外，市场上还存在市值风险和账面市值比风险等。1993年，他们在论文《Commonriskfactorsinreturnsonstocksandbonds》中正式提出了Fama-French三因子模型，通过模拟市场风险、市值风险和账面市值比风险构造了三个因子，用以解释股票收益的变化。自Fama-French三因子模型提出以来，在金融领域得到了广泛的应用和深入的研究。许多学者对该模型在不同市场环境下的适用性进行了检验，结果表明该模型在解释股票收益率方面相较于CAPM模型具有更强的能力，能够较好地解释一些CAPM模型无法解释的异常收益现象。例如，在对多个国家和地区的股票市场进行实证研究时，发现小市值公司的股票往往具有较高的平均收益率，高账面市值比的价值型公司股票也通常表现出较高的收益率，这与Fama-French三因子模型的理论预期相符。然而，随着研究的不断深入，也发现该模型并非完美无缺。一些学者指出，三因子模型中仍存在许多未被解释的部分，如短期反转、中期动量、波动、偏度、赌博等因素。为了进一步完善资产定价模型，后续的研究在Fama-French三因子模型的基础上进行了拓展和改进。Carhart在1997年提出了动量因子（Momentum），将其加入到三因子模型中，得到了四因子模型，以更好地解释股票收益率的变化。Fama和French本人也在2015年对三因子模型进行了扩展，增加了盈利能力因子RMW和投资因子CMA，从而得到了五因子模型，使模型对股票收益率的解释能力得到了进一步提升。尽管如此，Fama-French三因子模型作为资产定价领域的经典模型，其在理论研究和实践应用中的重要地位依然不可忽视，为后续资产定价模型的发展和完善奠定了坚实的基础。2.2模型核心架构与原理Fama-French三因子模型的核心架构基于对股票收益率影响因素的深入研究，认为股票的预期收益率受到三个主要因子的驱动，分别是市场因子、规模因子和价值因子。这三个因子相互作用，共同解释了股票收益率在横截面上的差异。市场因子（MarketFactor）是Fama-French三因子模型中的基础因子，代表了整个股票市场的系统性风险。它反映了市场整体的波动和风险水平，体现了宏观经济环境、市场情绪等因素对股票收益率的共同影响。在模型中，市场因子通常用市场投资组合的收益率与无风险利率之间的差值来表示，即R_m-R_f，其中R_m表示市场投资组合的收益率，R_f表示无风险利率。市场投资组合通常选取具有广泛代表性的市场指数，如标准普尔500指数（S&P500）、沪深300指数等，以反映整个市场的表现。无风险利率则是指投资者在无风险情况下可以获得的收益率，通常以国债收益率等近似替代。市场因子的作用机制在于，当市场整体处于上升趋势时，市场投资组合的收益率上升，股票的预期收益率也会相应提高；反之，当市场整体下跌时，股票的预期收益率也会下降。这表明市场因子是股票收益率的重要影响因素，它反映了市场的系统性风险，投资者无法通过分散投资来消除这种风险。规模因子（SizeFactor，SMB）反映了公司规模大小对股票收益率的影响，体现了不同规模公司在市场中的风险和收益特征差异。大量实证研究发现，小市值公司的股票平均收益率往往高于大市值公司，这种现象被称为规模效应。规模因子通过构建不同市值股票组合之间的收益差异来衡量，具体计算方法是：将所有股票按照市值大小分为两组，通常是小市值组（Small）和大市值组（Big），然后分别计算这两组股票组合的平均收益率，规模因子SMB即为小市值股票组合平均收益率减去大市值股票组合平均收益率，即SMB=R_{s}-R_{b}，其中R_{s}表示小市值股票组合的平均收益率，R_{b}表示大市值股票组合的平均收益率。规模因子的作用机制可以从多个角度解释。一方面，小市值公司通常处于成长阶段，具有较高的增长潜力，但同时也面临着更大的经营风险和不确定性，投资者要求更高的风险补偿，因此小市值公司股票的预期收益率相对较高；另一方面，小市值公司的股票流动性相对较差，市场关注度较低，信息不对称程度较高，这也使得小市值公司股票具有更高的风险溢价。价值因子（ValueFactor，HML）衡量了股票的价格相对于其内在价值的水平，体现了不同价值特征股票的风险和收益差异。在Fama-French三因子模型中，价值因子通常通过高价值股票与低价值股票之间的收益差异来体现，即HML=R_{h}-R_{l}，其中R_{h}表示高账面市值比（HighBook-to-MarketRatio）股票组合的平均收益率，R_{l}表示低账面市值比（LowBook-to-MarketRatio）股票组合的平均收益率。账面市值比（Book-to-MarketRatio，BE/ME）是衡量公司价值的一个重要指标，它等于公司的账面价值（BookValue）除以市场价值（MarketValue）。高账面市值比的公司通常被认为是价值型公司，这类公司的股票价格相对较低，资产质量较高，盈利能力稳定，具有较高的股息收益率；而低账面市值比的公司通常被视为成长型公司，其股票价格相对较高，市场对其未来的增长预期较高，但当前的盈利能力可能较弱。价值因子的作用机制在于，市场可能会对价值型公司的股票定价过低，导致其股票具有较高的预期收益率；而对成长型公司的股票定价过高，使得其预期收益率相对较低。投资者通过投资价值型公司股票，可以获得更高的风险补偿。Fama-French三因子模型认为，一个投资组合（包括单个股票）的超额回报率可由它对这三个因子的暴露来解释，模型的数学表达式为：E(R_{it})-R_{ft}=\beta_{i}[E(R_{mt})-R_{ft}]+s_{i}E(SMB_{t})+h_{i}E(HML_{t})，其中E(R_{it})表示资产i在时间t的预期收益率，R_{ft}表示时间t的无风险收益率，E(R_{mt})表示时间t的市场投资组合的预期收益率，\beta_{i}表示资产i对市场因子的敏感度系数，反映了资产i的收益率对市场收益率变化的敏感程度；s_{i}表示资产i对规模因子的敏感度系数，衡量了资产i的收益率受规模因子影响的程度；h_{i}表示资产i对价值因子的敏感度系数，体现了资产i的收益率对价值因子的敏感程度。等式左边E(R_{it})-R_{ft}表示资产i在时间t的超额收益率，即超过无风险收益率的部分；等式右边第一项\beta_{i}[E(R_{mt})-R_{ft}]表示市场因子对资产i超额收益率的贡献，第二项s_{i}E(SMB_{t})表示规模因子对资产i超额收益率的贡献，第三项h_{i}E(HML_{t})表示价值因子对资产i超额收益率的贡献。通过这个模型，可以分析不同因子对股票收益率的影响程度，从而更好地理解股票收益率的形成机制，为投资决策提供理论依据。2.3模型在国际市场应用成效Fama-French三因子模型自提出以来，在多个国际市场得到了广泛的应用和检验，展现出了较强的解释股票收益率的能力。在美国股票市场，Fama和French最初通过对1963-1990年在NYSE、AMEX和NASDAQ交易的股票（除金融类股票）进行研究，验证了三因子模型的有效性。他们发现，该模型能够很好地解释股票的平均收益，市场因子、规模因子和账面市值比因子三者一起可以解释股票市场中大部分的收益变化。后续众多学者的研究也进一步证实了这一点。例如，在对美国不同行业股票收益率的分析中，三因子模型能够显著地解释不同行业股票收益率的差异。对于科技行业，由于该行业中许多公司具有高成长性和较小的市值规模，规模因子和价值因子在解释其股票收益率时发挥了重要作用；而对于传统的公用事业行业，公司规模较大且盈利相对稳定，市场因子对其股票收益率的解释力度更为突出。在欧洲股票市场，相关研究同样表明Fama-French三因子模型具有较好的适用性。以英国股票市场为例，研究人员选取了不同时间段内的股票样本进行分析。结果显示，市场因子能够反映英国宏观经济环境和市场整体波动对股票收益率的影响，当英国经济增长强劲，市场整体表现良好时，市场因子对股票收益率的正向推动作用显著；规模因子在英国股票市场也表现出明显的效应，小市值公司的股票平均收益率高于大市值公司，这与美国市场的规模效应类似。账面市值比因子同样有效，高账面市值比的价值型公司股票通常具有较高的收益率，投资者可以通过关注这些因子来更好地理解英国股票市场的收益特征，进行合理的投资决策。在亚洲股票市场，日本股票市场是研究Fama-French三因子模型应用的一个典型案例。研究发现，虽然日本股票市场具有自身独特的经济和文化背景，但三因子模型依然能够在一定程度上解释股票收益率的变化。在日本经济经历不同阶段时，市场因子的表现与日本宏观经济形势密切相关。在经济扩张期，市场因子对股票收益率的正向影响明显；而在经济衰退期，市场因子则会导致股票收益率下降。规模因子和价值因子也在日本股票市场发挥作用，小市值公司和高账面市值比公司的股票在某些时期表现出较高的收益率，为投资者提供了获取超额收益的机会。然而，由于日本企业之间存在着复杂的交叉持股关系，以及市场投资者结构与欧美市场存在差异等因素，三因子模型在日本股票市场的解释能力可能会受到一定的限制，但总体来说，依然能够为分析日本股票收益率提供重要的参考框架。在新兴市场中，Fama-French三因子模型也得到了应用和检验。以巴西股票市场为例，尽管巴西股票市场具有较高的波动性和独特的经济结构，但研究表明三因子模型能够部分解释巴西股票收益率的横截面差异。市场因子反映了巴西宏观经济的不稳定以及全球经济形势对巴西股票市场的影响；规模因子和价值因子也在一定程度上体现了巴西不同规模和价值特征公司股票的收益差异。然而，由于新兴市场普遍存在市场制度不完善、信息不对称程度较高等问题，三因子模型在新兴市场的解释能力相对成熟市场可能会稍弱，但依然为新兴市场投资者提供了一种有效的分析工具，帮助他们理解股票收益率的影响因素，优化投资组合。Fama-French三因子模型在国际市场上具有广泛的应用成效，能够在不同的市场环境下对股票收益率提供较为合理的解释，为全球投资者进行资产定价、投资组合管理和风险评估等提供了重要的理论依据和实践指导。尽管在不同市场中该模型的解释能力可能存在一定差异，但总体而言，它在国际金融领域的重要地位不可忽视。三、Fama-French三因子模型在中国股市应用现状与局限3.1应用现状扫描在资产定价领域，Fama-French三因子模型为中国股市的资产定价提供了重要的理论框架和分析工具。学者们运用该模型对中国股市的股票价格进行定价研究，试图揭示股票价格背后的驱动因素。研究发现，市场因子在中国股市中对股票价格有着显著的影响，当市场整体上涨时，大多数股票价格也会随之上升；而市场下跌时，股票价格普遍下跌。规模因子在部分研究中也表现出一定的作用，小市值股票在某些时间段内的收益率相对较高，显示出规模效应。然而，账面市值比因子在中国股市的定价能力相对较弱，与理论预期存在一定差异，这可能与中国股市的特殊制度背景和市场环境有关。在投资组合管理方面，该模型为投资者构建投资组合提供了参考依据。投资者可以根据模型中的三个因子，对股票进行筛选和配置，以优化投资组合的风险收益特征。一些机构投资者通过运用Fama-French三因子模型，结合自身的投资目标和风险偏好，构建了多样化的投资组合。例如，在选择股票时，不仅关注股票的市场表现，还考虑公司的规模大小和价值特征，挑选出具有潜力的小市值、高账面市值比的股票纳入投资组合，以期望获得超额收益。同时，通过对投资组合中各股票对三个因子的敏感度进行分析，投资者可以更好地控制投资组合的风险，实现风险的有效分散。在风险评估领域，Fama-French三因子模型被用于评估股票投资的风险水平。通过分析股票对市场因子、规模因子和账面市值比因子的暴露程度，投资者可以更全面地了解股票投资所面临的风险。对于市场因子敏感度较高的股票，其价格波动受市场整体波动的影响较大，在市场不稳定时，这类股票的投资风险相对较高。而对规模因子和账面市值比因子敏感度较高的股票，可能面临着因公司规模变化或价值评估变化而带来的风险。投资者可以根据风险评估的结果，合理调整投资策略，如增加对低风险股票的配置，减少对高风险股票的投资，以降低投资组合的整体风险。在学术研究中，Fama-French三因子模型是研究中国股市收益率的重要工具之一。众多学者运用该模型对中国股市的收益率进行实证研究，探讨不同因子对收益率的影响机制和程度。研究方法主要包括构建投资组合、进行回归分析等。通过将股票按照市值和账面市值比进行分组，构建不同的投资组合，然后运用回归分析方法，检验市场因子、规模因子和账面市值比因子对投资组合收益率的解释能力。这些研究丰富了对中国股市收益率的认识，为进一步完善资产定价理论和投资决策提供了理论支持。例如，有研究通过对中国A股市场的实证分析发现，市场因子在解释股票收益率时具有较强的稳定性和显著性，而规模因子和账面市值比因子的解释能力在不同时间段和市场环境下存在一定的波动。3.2局限性深度剖析尽管Fama-French三因子模型在金融领域得到了广泛应用，但在中国股市的实际应用中，该模型暴露出一些局限性，对中国股市收益率的解释能力存在不足。中国股市具有独特的市场环境，这与模型假设存在较大差异。中国股市作为新兴市场，市场机制尚未完善，存在诸多与成熟市场不同的特征。中国股市的信息披露制度相对薄弱，信息的真实性、准确性和完整性有待提高，导致投资者难以获取全面准确的信息进行投资决策，这使得市场上存在较多的信息不对称现象。而且市场参与者结构也较为特殊，以中小投资者为主，这些投资者往往缺乏专业的投资知识和经验，投资行为容易受到情绪和市场传闻的影响，导致市场非理性波动较大。此外，中国股市的交易制度也与成熟市场有所不同，如存在涨跌幅限制等，这在一定程度上限制了股票价格的自由波动，影响了市场的有效性。这些特殊的市场环境因素使得Fama-French三因子模型的假设难以成立，从而降低了模型对中国股市收益率的解释能力。政策因素对中国股市的影响十分显著，而Fama-French三因子模型并未充分考虑这一因素。中国股市是一个政策市，政府的宏观经济政策、产业政策、监管政策等对股市的走势和股票收益率有着重要影响。当政府出台宽松的货币政策时，市场流动性增加，股票价格往往会上涨；而当政府加强对某个行业的监管时，该行业的股票价格可能会受到负面影响。例如，近年来政府大力推动新能源产业的发展，出台了一系列扶持政策，新能源相关企业的股票价格随之大幅上涨；相反，当政府对房地产行业实施调控政策时，房地产企业的股票价格普遍下跌。由于Fama-French三因子模型没有将政策因素纳入其中，导致其无法准确解释这些因政策变动而引起的股票收益率变化。中国股市的行业特征明显，不同行业的股票收益率存在较大差异，而Fama-French三因子模型对行业因素的考虑相对不足。中国经济正处于快速发展和结构调整阶段，不同行业的发展速度和前景各不相同，这使得行业因素对股票收益率的影响日益凸显。新兴的科技行业，如人工智能、大数据等，具有较高的成长性和创新能力，其股票收益率往往较高；而传统的周期性行业，如钢铁、煤炭等，受宏观经济周期的影响较大，股票收益率波动较为剧烈。此外，行业竞争格局、技术创新能力、市场需求等因素也会对行业内企业的股票收益率产生重要影响。Fama-French三因子模型在构建时主要考虑了市场、规模和价值因素，对行业因素的刻画不够细致，无法充分解释不同行业股票收益率的差异。Fama-French三因子模型中的账面市值比因子在中国股市的解释力相对较弱。账面市值比因子在西方成熟市场中能够较好地反映股票的价值特征，高账面市值比的价值型公司股票通常具有较高的收益率。然而在中国股市，由于上市公司的股权结构、财务报表质量等因素的影响，账面市值比的计算可能存在偏差，导致该因子对股票收益率的解释能力下降。中国许多上市公司存在大量的非流通股，这些非流通股的价值难以准确评估，从而影响了账面市值比的准确性。而且部分上市公司可能存在财务造假、盈余管理等行为，使得财务报表不能真实反映公司的价值，进一步削弱了账面市值比因子的解释力。例如，一些公司可能通过操纵财务数据，虚增账面资产，从而提高账面市值比，但实际上公司的真实价值并没有相应提高，这种情况下账面市值比因子就无法准确反映股票的收益率。3.3现有改进探索梳理许多学者为了提升Fama-French三因子模型对中国股市的解释能力，从不同角度进行了改进探索。在因子调整方面，部分研究聚焦于对现有因子的优化和新因子的引入。一些学者认为，中国股市中公司的盈利质量对股票收益率有着重要影响。传统的Fama-French三因子模型未充分考虑盈利质量因素，于是有研究引入盈利质量因子对模型进行改进。例如，通过计算上市公司的应收账款周转率、存货周转率、毛利率等财务指标来综合衡量盈利质量，将盈利质量高的公司与盈利质量低的公司区分开来，构建盈利质量因子。实证结果表明，加入盈利质量因子后，模型对中国股市收益率的解释能力有所提升，能够更好地捕捉不同盈利质量公司股票收益率的差异。流动性也是中国股市中一个关键因素，对股票收益率有着不可忽视的影响。由于中国股市中存在大量中小投资者，其交易行为对股票流动性较为敏感，因此有学者尝试将流动性因子纳入Fama-French三因子模型。流动性因子的计算方法多样，常见的有基于换手率、成交金额、Amihud非流动性指标等。以换手率为例，换手率越高，表明股票的流动性越强。研究发现，加入流动性因子后，模型能够更全面地解释中国股市收益率，尤其是对于那些流动性较差的股票，模型的解释能力得到了显著增强。行业轮动是中国股市的一个显著特征，不同行业在不同经济周期阶段的表现差异较大。为了捕捉这一特征，有学者引入行业轮动因子对Fama-French三因子模型进行改进。通过分析不同行业的景气度、政策支持力度、市场需求变化等因素，构建行业轮动因子。例如，在经济扩张期，一些周期性行业，如钢铁、汽车等，可能会受益于经济增长，行业轮动因子能够反映这些行业股票收益率的变化；而在经济衰退期，消费防御类行业，如食品饮料、医药等，可能表现相对稳定，行业轮动因子也能体现其对股票收益率的影响。实证研究表明，加入行业轮动因子后，模型对中国股市收益率的解释效果得到了明显改善，能够更好地适应中国股市的行业特征。在模型构建方法上，一些研究采用了非线性模型来改进Fama-French三因子模型。传统的Fama-French三因子模型是线性模型，假设股票收益率与各因子之间存在线性关系。然而，中国股市的复杂性使得这种线性假设可能无法完全准确地描述股票收益率的形成机制。因此，有学者运用神经网络模型等非线性方法对模型进行改进。神经网络模型具有强大的非线性映射能力，能够自动学习股票收益率与各因子之间复杂的非线性关系。通过将市场因子、规模因子、账面市值比因子以及其他可能的因子作为神经网络模型的输入，股票收益率作为输出，对模型进行训练和优化。研究结果显示，基于神经网络的非线性模型在解释中国股市收益率方面具有一定的优势，能够捕捉到线性模型无法发现的规律和关系，提高了模型的预测精度和解释能力。还有研究运用机器学习算法对Fama-French三因子模型进行改进。机器学习算法能够处理高维度、非线性的数据，从大量数据中挖掘潜在的信息和规律。例如，采用支持向量机（SVM）算法，通过寻找一个最优的分类超平面，将不同收益率的股票样本进行分类，从而建立股票收益率与各因子之间的关系模型。在构建模型时，将市场因子、规模因子、账面市值比因子等作为特征变量，股票收益率作为目标变量，利用SVM算法进行训练和预测。实证结果表明，基于机器学习算法的改进模型在处理中国股市复杂的数据时表现出较好的性能，能够更准确地预测股票收益率，提高了模型对中国股市收益率的解释能力。四、Fama-French三因子模型改进策略4.1改进思路构建针对Fama-French三因子模型在中国股市应用中存在的局限性，结合中国股市的独特特征，本研究从多个维度提出改进思路，旨在提升模型对中国股市收益率的解释和预测能力。中国股市的市场环境与成熟市场存在显著差异，这对模型的适用性构成挑战。因此，优化因子选取是改进模型的关键方向之一。鉴于中国股市政策影响力大的特点，引入政策因子至关重要。政策因子可综合考虑宏观经济政策、产业政策、监管政策等对股市的影响。例如，对于宏观经济政策，当央行采取宽松货币政策时，市场流动性增加，资金面宽松，这通常对股市有积极的推动作用，可将货币供应量的变化、利率调整等指标纳入政策因子的考量范围。在产业政策方面，政府对新兴产业的扶持政策会促进相关产业上市公司的发展，从而影响其股票收益率，可通过对产业政策的评估和量化，构建政策因子。对于监管政策，如对股市交易规则的调整、对上市公司信息披露要求的变化等，也会对股市产生影响，应在政策因子中予以体现。通过构建合理的政策因子，能够捕捉政策变动对股票收益率的影响，弥补原模型在这方面的不足。行业因素在中国股市中对股票收益率的影响日益凸显，原模型对行业因素的考虑不够充分。因此，细化行业因子是改进模型的重要举措。可以将中国股市按照行业分类标准，如申万一级行业分类，划分为多个行业板块。对于每个行业板块，分析其独特的行业特征，如行业的周期性、成长性、竞争格局、技术创新能力等。例如，周期性行业，如钢铁、有色金属等，其股票收益率与宏观经济周期密切相关，在经济扩张期，行业需求旺盛，企业盈利增加，股票收益率往往较高；而在经济衰退期，行业需求萎缩，企业盈利下降，股票收益率随之降低。成长性行业，如新能源、半导体等，其发展潜力和创新能力对股票收益率影响较大，行业内企业的技术突破、新产品推出等因素都可能导致股票收益率的大幅波动。通过对各行业特征的深入分析，构建相应的行业因子，能够更准确地反映不同行业股票收益率的差异，提高模型对中国股市收益率的解释能力。除了优化因子选取，还可以考虑改进模型结构，以更好地适应中国股市的特点。中国股市中股票收益率与各因子之间可能存在非线性关系，传统的线性模型难以准确描述这种复杂关系。因此，引入非线性模型是改进模型结构的一种有效途径。神经网络模型具有强大的非线性映射能力，能够自动学习股票收益率与各因子之间复杂的非线性关系。可以将市场因子、规模因子、账面市值比因子以及新引入的政策因子、行业因子等作为神经网络模型的输入，股票收益率作为输出，对模型进行训练和优化。在训练过程中，神经网络模型能够不断调整自身的权重和阈值，以适应输入数据的变化，从而建立起准确的股票收益率预测模型。通过引入神经网络模型，可以弥补传统线性模型在处理非线性关系方面的不足，提高模型对中国股市收益率的预测精度。中国股市的市场环境和股票收益率的影响因素处于动态变化之中，传统的静态模型难以适应这种变化。因此，构建动态模型也是改进模型结构的重要方向。可以采用时间序列分析方法，如ARIMA模型、GARCH模型等，对各因子和股票收益率的时间序列数据进行分析，捕捉其动态变化特征。ARIMA模型能够对时间序列数据进行平稳化处理，并通过自回归和移动平均项来描述数据的变化趋势，从而预测未来的股票收益率。GARCH模型则可以捕捉时间序列数据的波动性聚集特征，对股票收益率的波动进行更准确的刻画和预测。通过构建动态模型，能够及时反映市场环境和股票收益率的变化，提高模型的时效性和适应性。4.2新因子引入考量在对Fama-French三因子模型进行改进的过程中，引入新因子是增强模型对中国股市收益率解释能力的重要途径。基于中国股市的特点和已有研究成果，流动性因子、换手率因子和情绪因子等新因子具有引入的可行性和潜在的积极影响。中国股市中，流动性是影响股票收益率的关键因素之一，具有引入流动性因子的必要性。流动性反映了资产能够以合理价格迅速转化为现金的能力。在中国股市，市场参与者结构以中小投资者为主，其投资决策往往对股票流动性较为敏感。当股票流动性较低时，买卖价差较大，交易成本增加，投资者在买卖股票时可能面临较大的困难和风险，因此会要求更高的收益率作为补偿。从市场实际情况来看，一些小盘股或冷门股，由于其流通股数量较少，市场关注度低，流动性较差，其股票收益率往往具有较大的不确定性，且在某些情况下，为了吸引投资者，其预期收益率相对较高。通过引入流动性因子，可以更好地捕捉这种因流动性差异而导致的股票收益率变化。换手率因子与股票收益率之间存在着紧密的联系，对其进行深入研究具有重要意义。换手率是衡量股票交易活跃程度的指标，它反映了市场参与者对股票的买卖意愿和交易频率。在中国股市，投资者的交易行为较为频繁，换手率波动较大。高换手率通常意味着股票交易活跃，市场对该股票的关注度较高，信息传播速度较快。一些热门股票，由于受到投资者的广泛关注和追捧，换手率往往较高，其价格波动也较为剧烈。在这种情况下，换手率因子能够反映市场交易行为对股票收益率的影响。当市场对某只股票的交易热情高涨，换手率持续上升时，股票价格可能会因供求关系的变化而上涨，从而影响股票收益率。相反，当换手率下降，交易活跃度降低时，股票收益率也可能受到负面影响。因此，引入换手率因子有助于更全面地解释中国股市收益率的变化。情绪因子能够反映投资者的心理状态和市场情绪，对股票收益率产生重要影响。中国股市投资者结构的特点决定了市场情绪对股票价格和收益率的影响较为显著。中小投资者由于缺乏专业的投资知识和经验，其投资决策更容易受到市场情绪的影响。当市场情绪乐观时，投资者普遍对股市前景充满信心，愿意增加投资，推动股票价格上涨，从而提高股票收益率。相反，当市场情绪悲观时，投资者可能会恐慌抛售股票，导致股票价格下跌，股票收益率降低。例如，在市场出现重大利好消息时，投资者情绪高涨，大量资金涌入股市，股票价格普遍上涨，收益率随之提高；而在市场遭遇重大危机或负面事件时，投资者情绪恐慌，纷纷抛售股票，股市大幅下跌，股票收益率急剧下降。通过引入情绪因子，可以将投资者情绪对股票收益率的影响纳入模型，从而提升模型对中国股市收益率的解释能力。引入流动性因子、换手率因子和情绪因子等新因子，能够更全面地考虑中国股市中影响股票收益率的各种因素，弥补Fama-French三因子模型在解释中国股市收益率方面的不足，提高模型的准确性和适用性，为投资者和市场参与者提供更有价值的参考依据。4.3模型结构优化设想为了进一步提升Fama-French三因子模型对中国股市收益率的解释和预测能力，除了引入新因子外，对模型结构进行优化也是至关重要的。通过调整因子权重确定方法、构建多阶段模型以及改进模型的函数形式等方式，可以使模型更好地适应中国股市复杂多变的特点。在确定因子权重方面，传统的Fama-French三因子模型通常采用等权重或基于历史数据回归的方法来确定各因子的权重。然而，这种方法可能无法充分反映中国股市的动态变化和各因子之间的相互关系。因此，可以考虑运用动态权重确定方法，如时变参数模型（TVP-VAR）或卡尔曼滤波等技术，使因子权重能够随着市场环境和股票收益率的变化而动态调整。时变参数模型能够捕捉到经济变量之间的时变关系，通过将市场因子、规模因子、价值因子以及新引入的因子纳入模型中，可以估计出各因子权重随时间的变化情况。当市场处于不同的经济周期阶段或面临重大政策调整时，各因子对股票收益率的影响程度可能会发生变化，时变参数模型能够及时反映这种变化，从而为投资者提供更准确的权重估计。例如，在经济繁荣期，市场因子可能对股票收益率的影响更为显著，此时时变参数模型会相应地提高市场因子的权重；而在经济衰退期，规模因子和价值因子的作用可能更加突出，模型会调整这两个因子的权重以更好地解释股票收益率的变化。构建多阶段模型也是优化模型结构的一种有效途径。中国股市的运行受到多种因素的影响，不同因素在不同阶段对股票收益率的影响程度和方向可能不同。因此，可以将股票收益率的形成过程划分为多个阶段，针对每个阶段构建不同的模型，然后将这些模型进行组合，以更全面地解释股票收益率的变化。在市场上涨阶段，投资者情绪乐观，资金大量流入股市，此时市场因子和情绪因子可能对股票收益率的影响较大；而在市场下跌阶段，投资者风险偏好下降，更关注公司的基本面和价值，规模因子和价值因子的作用可能更为关键。可以构建一个两阶段模型，在市场上涨阶段，重点考虑市场因子和情绪因子对股票收益率的影响，采用一个以市场因子和情绪因子为主要变量的回归模型；在市场下跌阶段，构建一个以规模因子和价值因子为主要变量的回归模型。通过对市场状态的判断，选择相应阶段的模型来预测和解释股票收益率，能够提高模型的适应性和准确性。改进模型的函数形式也是优化模型结构的重要方面。传统的Fama-French三因子模型采用线性函数形式，假设股票收益率与各因子之间存在线性关系。然而，中国股市的复杂性使得这种线性假设可能无法完全准确地描述股票收益率的形成机制。因此，可以考虑引入非线性函数形式，如神经网络模型、支持向量机等，以更好地捕捉股票收益率与各因子之间复杂的非线性关系。神经网络模型具有强大的非线性映射能力，能够自动学习股票收益率与各因子之间的复杂模式。通过将市场因子、规模因子、价值因子以及新引入的因子作为神经网络模型的输入，股票收益率作为输出，对模型进行训练和优化，可以使模型更好地拟合中国股市的数据，提高对股票收益率的预测精度。支持向量机则通过寻找一个最优的分类超平面，将不同收益率的股票样本进行分类，从而建立股票收益率与各因子之间的关系模型。在处理高维度、非线性的数据时，支持向量机表现出较好的性能，能够有效地提高模型对中国股市收益率的解释能力。五、基于中国股市数据的实证研究设计5.1数据采集与整理为了深入研究改进后的Fama-French三因子模型对中国股市收益率的解释能力，本研究进行了严谨的数据采集与整理工作，以确保数据的全面性、准确性和可靠性，为后续的实证分析提供坚实的数据基础。在数据来源方面，本研究主要从多个权威的金融数据平台和数据库获取数据。其中，万得（Wind）数据库是重要的数据来源之一，该数据库提供了全面且详细的金融市场数据，涵盖了中国股市中各类股票的基本信息、交易数据、财务数据等。通过万得数据库，可以获取股票的每日收盘价、成交量、流通市值、总市值等交易数据，以及资产负债表、利润表、现金流量表等财务数据，这些数据对于计算模型中的各因子以及分析股票的收益率具有重要价值。此外，国泰安（CSMAR）数据库也是数据采集的重要渠道，它在金融研究领域具有广泛的应用，提供了丰富的金融经济数据，包括股票市场的历史数据、宏观经济数据等，能够为研究提供多维度的数据支持。除了专业的金融数据库，上海证券交易所和深圳证券交易所的官方网站也是数据获取的重要途径，从这些官方网站可以获取上市公司的公告、定期报告等一手资料，确保数据的权威性和准确性。数据采集范围涵盖了2010年1月1日至2020年12月31日期间在上海证券交易所和深圳证券交易所上市交易的A股股票。选择这一时间段主要是考虑到中国股市在这一时期经历了不同的市场周期和政策环境变化，能够更全面地反映股票收益率的变化特征，增强研究结果的普遍性和可靠性。在股票样本的选取上，尽量涵盖了不同行业、不同规模、不同市值的股票，以保证样本的多样性和代表性。例如，在行业方面，包括了金融、能源、消费、科技、制造业等多个主要行业；在规模方面，既有大型国有企业，也有中小型民营企业；在市值方面，涵盖了高市值、中市值和低市值的股票。通过这样的样本选择，能够更全面地研究不同类型股票收益率与各因子之间的关系，提高研究结果的可信度。在数据整理过程中，首先对采集到的数据进行了清洗和预处理。去除了数据中的缺失值和异常值，以确保数据的质量和可靠性。对于存在缺失值的数据，如果缺失值占比较小，采用均值、中位数或插值法等方法进行填补；如果缺失值占比较大，则直接删除该样本。例如，对于股票的每日收盘价，如果某一天的数据缺失，且该股票的价格波动较为平稳，可以采用前一日和后一日收盘价的平均值进行填补；如果某只股票在一段时间内缺失值较多，可能会影响后续的分析结果，则将该股票从样本中删除。对于异常值，通过设定合理的阈值进行识别和处理，如将股票收益率超过一定范围（如正负50%）的数据视为异常值，并进行修正或删除。还对数据进行了标准化处理，以消除不同变量之间的量纲差异，使数据具有可比性。对于股票的价格数据、市值数据等，采用对数变换等方法进行标准化处理。例如，对股票的收盘价进行对数变换，将其转化为对数收益率，这样不仅可以消除价格数据的量纲影响，还能使数据更加符合正态分布的假设，便于后续的统计分析。在计算模型中的各因子时，严格按照相关的定义和方法进行计算。对于市场因子，采用沪深300指数的收益率减去无风险利率来表示，无风险利率选取一年期国债收益率；规模因子通过将股票按照市值大小分为两组，计算小市值组和大市值组的平均收益率之差得到；价值因子则根据股票的账面市值比，将股票分为高账面市值比组和低账面市值比组，计算两组的平均收益率之差来确定。通过以上的数据采集与整理工作，为本研究的实证分析提供了高质量的数据支持，有助于准确地检验改进后的Fama-French三因子模型对中国股市收益率的解释能力。5.2变量定义与度量在改进后的Fama-French三因子模型实证研究中，对各变量进行准确的定义与度量是确保研究结果可靠性的关键。本研究涉及的变量主要包括被解释变量、解释变量以及控制变量，以下将详细阐述各变量的定义与度量方法。被解释变量为股票收益率（Return），它是衡量股票投资收益的关键指标。在本研究中，股票收益率采用对数收益率的计算方式，即Return_{it}=\ln(\frac{P_{it}}{P_{it-1}})，其中P_{it}表示股票i在t时刻的收盘价，P_{it-1}表示股票i在t-1时刻的收盘价。这种计算方法能够更好地反映股票价格的连续变化，符合金融市场中股票价格波动的实际情况，同时也便于进行统计分析和模型估计。通过计算对数收益率，可以准确地衡量股票在不同时间段内的收益情况，为后续研究股票收益率与各因子之间的关系提供基础数据。解释变量包括市场因子（MKT）、规模因子（SMB）、账面市值比因子（HML）以及新引入的流动性因子（LIQ）、换手率因子（TURNOVER）和情绪因子（SENTIMENT）。市场因子（MKT）代表整个股票市场的系统性风险，通常用市场投资组合的收益率与无风险利率之间的差值来度量。在本研究中，市场投资组合收益率选取沪深300指数的收益率来表示，无风险利率选取一年期国债收益率。即MKT_{t}=R_{m,t}-R_{f,t}，其中R_{m,t}为t时刻沪深300指数的收益率，R_{f,t}为t时刻的一年期国债收益率。沪深300指数由上海和深圳证券市场中市值大、流动性好的300只股票组成，具有广泛的市场代表性，能够较好地反映中国股票市场的整体走势；一年期国债收益率被视为无风险收益率的近似代表，其稳定性较高，可用于衡量投资者在无风险情况下的收益水平。通过计算市场因子，可以分析市场整体波动对股票收益率的影响。规模因子（SMB）用于衡量公司规模大小对股票收益率的影响。计算规模因子时，首先将所有股票按照市值大小分为两组，即小市值组（Small）和大市值组（Big）。具体划分方法为：以每年5月末为时间节点，将股票按照市值从小到大排序，市值排名前50%的股票归为小市值组，后50%的股票归为大市值组。然后分别计算这两组股票组合在每个月的平均收益率，规模因子SMB即为小市值股票组合平均收益率减去大市值股票组合平均收益率，即SMB_{t}=R_{s,t}-R_{b,t}，其中R_{s,t}表示t时刻小市值股票组合的平均收益率，R_{b,t}表示t时刻大市值股票组合的平均收益率。规模因子反映了不同规模公司股票收益率的差异，小市值公司通常具有较高的增长潜力，但也伴随着较大的风险，因此其股票收益率可能会高于大市值公司。账面市值比因子（HML）体现了股票的价值特征，即股票价格相对于其内在价值的水平。计算账面市值比因子时，先将股票按照账面市值比（BE/ME）的大小分为三组，分别为低账面市值比组（Low）、中账面市值比组（Medium）和高账面市值比组（High）。划分方法为：以每年5月末为时间节点，计算每只股票的账面市值比，将账面市值比排名前30%的股票归为低账面市值比组，中间40%的股票归为中账面市值比组，后30%的股票归为高账面市值比组。然后分别计算这三组股票组合在每个月的平均收益率，账面市值比因子HML为高账面市值比股票组合平均收益率减去低账面市值比股票组合平均收益率，即HML_{t}=R_{h,t}-R_{l,t}，其中R_{h,t}表示t时刻高账面市值比股票组合的平均收益率，R_{l,t}表示t时刻低账面市值比股票组合的平均收益率。账面市值比因子反映了市场对不同价值特征股票的定价差异，高账面市值比的股票通常被认为是价值型股票，具有较高的投资价值，其收益率可能会高于低账面市值比的成长型股票。流动性因子（LIQ）反映了股票的流动性水平，即股票能够以合理价格迅速转化为现金的能力。本研究采用Amihud非流动性指标来度量流动性因子，计算公式为LIQ_{it}=\frac{|R_{it}|}{V_{it}}，其中R_{it}表示股票i在t时刻的收益率，V_{it}表示股票i在t时刻的成交金额。Amihud非流动性指标越大，表明股票的流动性越差，交易成本越高，投资者要求的收益率也越高；反之，指标越小，股票的流动性越好，收益率相对较低。通过引入流动性因子，可以更全面地考虑股票流动性对收益率的影响。换手率因子（TURNOVER）衡量了股票交易的活跃程度，反映了市场参与者对股票的买卖意愿和交易频率。换手率因子的计算公式为TURNOVER_{it}=\frac{V_{it}}{S_{it}}，其中V_{it}表示股票i在t时刻的成交量，S_{it}表示股票i在t时刻的流通股数。换手率越高，说明股票交易越活跃，市场关注度越高，股票价格波动可能越大，对股票收益率的影响也越显著。换手率因子能够捕捉市场交易行为对股票收益率的影响，为研究股票收益率提供了新的视角。情绪因子（SENTIMENT）用于反映投资者的心理状态和市场情绪对股票收益率的影响。本研究采用文本挖掘和情感分析的方法来构建情绪因子。具体来说，收集和整理与股票市场相关的新闻报道、社交媒体评论等文本数据，运用自然语言处理技术对这些文本进行情感分析，将文本中的情感倾向分为正面、负面和中性三类。然后根据情感倾向的分布情况，计算情绪因子的值。例如，可以采用以下公式计算情绪因子：SENTIMENT_{t}=\frac{N_{p,t}-N_{n,t}}{N_{p,t}+N_{n,t}+N_{neu,t}}，其中N_{p,t}表示t时刻正面情感文本的数量，N_{n,t}表示t时刻负面情感文本的数量，N_{neu,t}表示t时刻中性情感文本的数量。情绪因子的值在-1到1之间，值越大表示市场情绪越乐观，股票收益率可能越高；值越小表示市场情绪越悲观，股票收益率可能越低。通过引入情绪因子，可以将投资者情绪这一重要因素纳入模型，提高模型对股票收益率的解释能力。控制变量在实证研究中起着重要作用，能够排除其他因素对研究结果的干扰，使研究结论更加准确和可靠。本研究选取了行业变量（INDUSTRY）和宏观经济变量（MACRO）作为控制变量。行业变量（INDUSTRY）用于控制不同行业对股票收益率的影响。根据申万一级行业分类标准，将股票分为31个行业。在实证分析中，采用虚拟变量的方式来表示行业变量，即对于每个行业，设置一个虚拟变量，当股票属于该行业时，虚拟变量取值为1，否则取值为0。通过控制行业变量，可以分析在同一行业内，各因子对股票收益率的影响，避免行业差异对研究结果的干扰。宏观经济变量（MACRO）选取了国内生产总值（GDP）增长率和通货膨胀率（CPI）作为代表。国内生产总值（GDP）增长率反映了宏观经济的整体增长态势，对股票市场具有重要影响。通常情况下，GDP增长率越高，经济增长越强劲，企业盈利水平可能提高，股票收益率也会相应上升。通货膨胀率（CPI）衡量了物价水平的变化，对股票市场也有一定的影响。适度的通货膨胀可能对股票市场有利，但过高的通货膨胀可能导致企业成本上升，利润下降，从而影响股票收益率。在实证分析中，将GDP增长率和CPI作为控制变量纳入模型，以控制宏观经济环境对股票收益率的影响，更准确地研究各因子与股票收益率之间的关系。5.3实证方法选择与模型设定本研究选用多元线性回归分析作为主要实证方法，来探究改进后的Fama-French三因子模型中各因子对中国股市收益率的影响。多元线性回归分析能够清晰地揭示多个自变量（各因子）与一个因变量（股票收益率）之间的线性关系，通过构建回归模型，可以准确地估计各因子的系数，进而判断各因子对股票收益率的影响方向和程度。在金融领域的实证研究中，多元线性回归分析被广泛应用于资产定价模型的检验和分析，具有成熟的理论基础和丰富的实践经验。例如，在研究股票收益率与宏观经济变量、公司财务指标等因素之间的关系时，多元线性回归分析能够有效地分离出各因素的影响，为研究提供可靠的依据。基于改进后的Fama-French三因子模型，构建如下回归模型：R_{it}-R_{ft}=\alpha_i+\beta_{i1}(R_{mt}-R_{ft})+\beta_{i2}SMB_{t}+\beta_{i3}HML_{t}+\beta_{i4}LIQ_{it}+\beta_{i5}TURNOVER_{it}+\beta_{i6}SENTIMENT_{t}+\sum_{j=1}^{30}\gamma_{ij}INDUSTRY_{jt}+\delta_{i1}GDP_{t}+\delta_{i2}CPI_{t}+\epsilon_{it}其中，R_{it}表示股票i在t时期的收益率；R_{ft}表示t时期的无风险收益率；R_{mt}表示t时期的市场组合收益率；\alpha_i为截距项，表示除模型中所包含因子外其他因素对股票收益率的综合影响；\beta_{i1}、\beta_{i2}、\beta_{i3}、\beta_{i4}、\beta_{i5}、\beta_{i6}分别为股票i对市场因子（R_{mt}-R_{ft}）、规模因子SMB_{t}、账面市值比因子HML_{t}、流动性因子LIQ_{it}、换手率因子TURNOVER_{it}和情绪因子SENTIMENT_{t}的敏感度系数，反映了各因子对股票收益率的影响程度；INDUSTRY_{jt}为行业虚拟变量，当股票i属于行业j时，INDUSTRY_{jt}取值为1，否则取值为0，\gamma_{ij}为行业虚拟变量的系数，用于控制行业因素对股票收益率的影响；GDP_{t}表示t时期的国内生产总值增长率，CPI_{t}表示t时期的通货膨胀率，\delta_{i1}和\delta_{i2}分别为GDP_{t}和CPI_{t}的系数，用于控制宏观经济因素对股票收益率的影响；\epsilon_{it}为随机误差项，代表模型中未被解释的部分，包括测量误差、遗漏变量等因素对股票收益率的影响。该模型的设定具有合理性和科学性。模型综合考虑了多种影响中国股市收益率的因素，不仅包括Fama-French三因子模型中的市场因子、规模因子和账面市值比因子，还引入了针对中国股市特点的流动性因子、换手率因子和情绪因子，以及控制变量行业变量和宏观经济变量，使模型能够更全面地捕捉影响股票收益率的各种因素。通过回归分析，可以明确各因子对股票收益率的具体影响，为研究中国股市收益率的形成机制提供有力的工具。模型采用线性回归的形式，在一定程度上简化了分析过程，便于理解和解释。虽然股票收益率与各因子之间的关系可能存在非线性特征，但在初步研究中，线性回归模型能够提供一个基础的分析框架，后续可以根据实际情况进一步探索非线性模型或对线性模型进行改进。六、实证结果解读与分析6.1描述性统计分析对收集到的中国股市数据进行描述性统计分析，能够清晰地呈现数据的基本特征，为后续深入的实证分析提供坚实的基础。表1展示了主要变量的描述性统计结果。表1：主要变量描述性统计变量观测值均值标准差最小值最大值股票收益率（Return）120000.01050.0856-0.45320.6845市场因子（MKT）120000.00780.0634-0.28450.3567规模因子（SMB）120000.00320.0456-0.20120.2543账面市值比因子（HML）120000.00250.0389-0.18760.2234流动性因子（LIQ）120000.01230.0215-0.05670.1023换手率因子（TURNOVER）120000.05670.04320.00120.3567情绪因子（SENTIMENT）120000.00150.0256-0.08760.0987国内生产总值增长率（GDP）120000.06540.02310.02340.1023通货膨胀率（CPI）120000.02340.0125-0.00560.0567从表1可以看出，股票收益率的均值为0.0105，表明在研究期间内，中国股市股票的平均月收益率为1.05%。然而，其标准差达到0.0856，说明股票收益率的波动较大，不同股票之间的收益率差异较为明显。最小值为-0.4532，最大值为0.6845，进一步体现了股票市场的高风险性和收益的不确定性。市场因子的均值为0.0078，标准差为0.0634，表明市场整体的波动水平相对较大。市场因子反映了整个股票市场的系统性风险，其波动情况与宏观经济环境、市场情绪等因素密切相关。当宏观经济形势不稳定或市场情绪波动较大时，市场因子的波动也会相应增大，从而对股票收益率产生重要影响。规模因子的均值为0.0032，说明小市值股票组合的平均收益率略高于大市值股票组合。这与理论预期相符，即小市值公司通常具有较高的增长潜力，但也伴随着较大的风险，因此其股票收益率可能会高于大市值公司。规模因子的标准差为0.0456，表明规模因子的波动相对较小，不同规模公司之间的收益率差异相对较为稳定。账面市值比因子的均值为0.0025，表明高账面市值比股票组合的平均收益率略高于低账面市值比股票组合。然而，其标准差为0.0389，说明账面市值比因子的波动相对较小。这可能与中国股市的特殊情况有关，如部分上市公司的财务报表质量不高，导致账面市值比的计算存在偏差，从而影响了该因子对股票收益率的解释能力。流动性因子的均值为0.0123，标准差为0.0215，说明中国股市股票的流动性存在一定的差异。流动性因子反映了股票能够以合理价格迅速转化为现金的能力，流动性较好的股票，其交易成本较低，投资者的交易意愿较高；而流动性较差的股票，交易成本较高，投资者的交易意愿较低。流动性因子的波动情况对股票收益率也会产生影响，当股票流动性较差时，投资者可能会要求更高的收益率作为补偿。换手率因子的均值为0.0567，标准差为0.0432，说明中国股市股票的交易活跃程度存在较大差异。换手率因子衡量了股票交易的活跃程度，高换手率通常意味着股票交易活跃，市场关注度高，信息传播速度快；低换手率则表示股票交易不活跃，市场关注度低。换手率因子的波动情况反映了市场参与者的交易行为和市场情绪的变化，对股票收益率有着重要的影响。情绪因子的均值为0.0015，标准差为0.0256，说明投资者的情绪波动相对较小。情绪因子反映了投资者的心理状态和市场情绪对股票收益率的影响，当投资者情绪乐观时，市场对股票的需求增加，股票价格上涨，收益率提高；当投资者情绪悲观时，市场对股票的需求减少，股票价格下跌，收益率降低。情绪因子的波动情况对股票收益率的影响较为复杂，需要进一步深入研究。国内生产总值增长率（GDP）的均值为0.0654，标准差为0.0231，表明中国经济在研究期间内保持了一定的增长速度，但增长速度存在一定的波动。GDP增长率是衡量宏观经济发展水平的重要指标，其变化对股票市场有着重要的影响。当GDP增长率较高时，经济增长强劲，企业盈利水平可能提高，股票收益率也会相应上升；当GDP增长率较低时，经济增长放缓，企业盈利水平可能下降，股票收益率也会受到负面影响。通货膨胀率（CPI）的均值为0.0234，标准差为0.0125，说明中国的通货膨胀水平相对较为稳定。通货膨胀率对股票市场也有一定的影响，适度的通货膨胀可能对股票市场有利，因为它可以刺激经济增长，提高企业的盈利能力；但过高的通货膨胀可能导致企业成本上升，利润下降，从而影响股票收益率。通过对主要变量的描述性统计分析，可以初步了解中国股市数据的基本特征和各变量之间的差异，为后续的实证分析提供了重要的参考依据。6.2相关性分析为了深入探究各变量之间的内在联系，明确它们在解释中国股市收益率时是否存在多重共线性等问题，本研究对主要变量进行了相关性分析，结果如表2所示。表2：主要变量相关性分析变量股票收益率（Return）市场因子（MKT）规模因子（SMB）账面市值比因子（HML）流动性因子（LIQ）换手率因子（TURNOVER）情绪因子（SENTIMENT）国内生产总值增长率（GDP）通货膨胀率（CPI）股票收益率（Return）10.567***0.325***0.213**0.185**0.256***0.167**0.145*0.123市场因子（MKT）0.567***10.456***0.301***0.256***0.321***0.234***0.201**0.187**规模因子（SMB）0.325***0.456***10.487***0.356***0.423***0.389***0.301***0.287**账面市值比因子（HML）0.213**0.301***0.487***10.321***0.389***0.367***0.267**0.254**流动性因子（LIQ）0.185**0.256***0.356***0.321***10.456***0.401***0.356***0.334**换手率因子（TURNOVER）0.256***0.321***0.423***0.389***0.456***10.489***0.423***0.401***情绪因子（SENTIMENT）0.167**0.234***0.389***0.367***0.401***0.489***10.387***0.367***国内生产总值增长率（GDP）0.145*0.201**0.301***0.267**0.356***0.423***0.387***10.456***通货膨胀率（CPI）0.1230.187**0.287**0.254**0.334**0.401***0.367***0.456***1注：*、**、***分别表示在10%、5%、1%的水平上显