深圳创业板市场Fama - French三因素模型适用性的深度剖析与实证检验

深圳创业板市场Fama-French三因素模型适用性的深度剖析与实证检验一、引言1.1研究背景与意义1.1.1研究背景深圳创业板自2009年10月30日开市以来，历经15年发展，已成为中国资本市场的重要组成部分。截至2024年10月30日，创业板上市公司数量已达1358家，总市值超12万亿元。创业板以服务创新型、成长型企业为定位，高新技术企业家数占比约九成，新一代信息技术、新能源、生物、新材料、高端装备制造等相关公司总市值超9万亿元，占板块比重高达75%，在推动科技创新、产业升级方面发挥着关键作用。从行业分布来看，创业板公司涵盖56个行业，其中计算机、通信和其他电子设备制造业，软件和信息技术服务业，专用设备制造业，电气机械和器材制造业，化学原料和化学制品制造业等行业公司数量较多，占据创业板的“半壁江山”。在区域分布上，广东省的创业板上市公司数量最多，达到311家，江苏省和浙江省紧随其后，上述三地的创业板上市公司数量合计占板块上市公司的半数以上。资产定价理论作为金融经济学的核心内容，旨在解释不确定条件下未来支付的资产价格或价值。在金融市场中，准确的资产定价至关重要，它不仅关系到投资者的投资决策，还影响着金融市场的资源配置效率。从早期的资本资产定价模型（CAPM）到后来的套利定价理论（APT），以及Fama-French三因素模型等，资产定价理论不断发展和完善。Fama-French三因素模型在传统CAPM模型的基础上，加入了市值（SMB）和账面市值比（HML）两个因子，能够更好地解释股票收益率的差异，在国际金融市场得到了广泛应用和验证。然而，不同金融市场具有不同的特征和运行机制，深圳创业板市场由于其上市公司多为创新型、成长型企业，具有高风险、高成长、规模较小等特点，与成熟市场存在差异，因此Fama-French三因素模型在深圳创业板市场的适用性需要进一步研究。1.1.2研究意义从理论层面来看，深入研究Fama-French三因素模型在深圳创业板市场的适用性，有助于补充和完善中国资本市场的资产定价理论体系。目前针对创业板市场的资产定价研究相对较少，尤其是结合Fama-French三因素模型的实证研究还不够丰富。通过本研究，可以探究该模型在中国新兴的创业板市场中的有效性，检验其因子在创业板市场环境下对股票收益率的解释能力，为资产定价理论在中国特定市场条件下的应用和发展提供实证依据，推动金融理论与中国资本市场实际情况的深度融合，丰富和拓展资产定价理论的研究范畴。在实践方面，对于投资者而言，准确的资产定价模型能够为其投资决策提供有力支持。创业板市场的高风险性和高收益性并存，投资者需要有效的工具来评估股票的价值和风险，从而合理配置资产。如果Fama-French三因素模型在创业板市场适用，投资者可以利用该模型更准确地预测股票收益率，识别被错误定价的股票，降低投资风险，提高投资收益。对于市场监管者来说，了解资产定价模型的适用性有助于完善市场监管机制，促进市场的公平、有序运行。通过对市场定价机制的深入理解，监管者可以更好地制定政策，引导市场资源合理配置，推动创业板市场更好地服务于创新型、成长型企业，促进实体经济的发展。1.2研究方法与创新点1.2.1研究方法本研究采用实证研究法，以深圳创业板市场为研究对象，旨在深入探究Fama-French三因素模型在该市场的适用性。数据来源主要为Wind金融数据库和深圳证券交易所官网，选取2010年1月1日至2024年12月31日期间在深圳创业板上市的所有股票作为样本数据，确保样本涵盖了创业板市场的长期发展阶段，且包含了最新的数据，能更全面地反映市场变化情况。为保证数据的有效性和可靠性，对原始数据进行了严格的筛选和预处理，剔除了ST、*ST股票以及数据缺失严重的样本，最终得到了较为完整和准确的数据集。在构建投资组合时，按照市值（Size）和账面市值比（Book-to-MarketRatio）两个维度进行分组。首先，以每年6月底的市值数据为基准，将所有样本股票按照市值从小到大排序，分为大市值（B）和小市值（S）两组；然后，在每组内再按照账面市值比从低到高排序，分为低账面市值比（L）、中账面市值比（M）和高账面市值比（H）三组，这样每年共形成6个投资组合（SL、SM、SH、BL、BM、BH）。通过这种分组方式，可以有效区分不同市值和账面市值比特征的股票组合，以便后续分析不同组合的收益率特征。在回归分析方面，运用Eviews、Stata等统计软件，对构建的投资组合进行时间序列回归分析。根据Fama-French三因素模型的形式R_{it}-R_{ft}=\alpha_{i}+\beta_{i1}(R_{mt}-R_{ft})+\beta_{i2}SMB_{t}+\beta_{i3}HML_{t}+\epsilon_{it}，其中R_{it}表示第i个投资组合在t时期的收益率，R_{ft}表示无风险利率，R_{mt}表示市场组合的收益率，\alpha_{i}为截距项，代表投资组合的超额收益，\beta_{i1}、\beta_{i2}、\beta_{i3}分别表示市场风险因子（R_{mt}-R_{ft}）、市值因子SMB_{t}和账面市值比因子HML_{t}的系数，\epsilon_{it}为残差项。通过回归分析，估计出各因子系数和截距项，并对模型的拟合优度、系数的显著性等进行检验，以判断模型对创业板市场股票收益率的解释能力。为确保研究结果的可靠性和稳健性，进行了一系列检验。在模型设定检验中，采用White检验和异方差稳健标准误估计，以检验模型是否存在异方差问题，避免异方差对回归结果的影响；运用RamseyRESET检验，判断模型是否存在遗漏变量或函数形式设定错误。在样本稳定性检验方面，采用子样本回归的方法，将整个样本期分为若干个子样本期，分别进行回归分析，观察各因子系数和截距项在不同子样本期的变化情况，以验证模型在不同时间段的稳定性；还进行了更换样本区间的敏感性分析，如缩短或延长样本区间，重新进行回归分析，检验研究结果是否对样本区间的选择敏感。通过这些检验方法，全面验证研究结果的可靠性，提高研究结论的可信度。1.2.2创新点在样本选取上，本研究具有独特之处。以往关于Fama-French三因素模型在创业板市场适用性的研究，样本选取往往时间跨度较短，或者未能及时涵盖最新的市场数据。本研究选取了自2010年至2024年长达15年的时间跨度，且数据更新至2024年12月31日，全面覆盖了创业板市场从开市后的初期发展到逐渐成熟的各个阶段，能够更全面、准确地反映创业板市场的长期变化趋势以及不同市场环境下Fama-French三因素模型的适用性情况，为研究提供了更丰富、更具代表性的数据基础。在研究视角方面，本研究紧密结合深圳创业板市场的特点，深入分析Fama-French三因素模型的适用性。创业板市场以创新型、成长型企业为主，具有高风险、高成长、规模较小等独特特征，与主板市场和国际成熟市场存在显著差异。本研究充分考虑这些特点，在构建投资组合、分析因子有效性以及检验模型适用性时，针对创业板市场的独特性进行了针对性的分析和探讨，如对创业板企业高成长性对市值因子和账面市值比因子的影响进行了深入剖析，而不是简单地套用其他市场的研究方法和结论，为创业板市场的资产定价研究提供了更贴合实际的视角。本研究在分析Fama-French三因素模型在深圳创业板市场适用性的基础上，进一步探讨了模型在创业板市场应用中存在的问题，并提出了可能的改进方向。通过对实证结果的深入分析，结合创业板市场的实际情况，指出模型在解释创业板市场股票收益率时存在的局限性，如某些因子在特定市场条件下的解释能力不足等问题，并从市场微观结构、企业特征等方面提出了改进模型的建议，如考虑引入反映创业板企业创新能力、研发投入等特征的新因子，为完善适用于创业板市场的资产定价模型提供了有益的思路，丰富了资产定价理论在新兴市场的研究内容。二、Fama-French三因素模型理论基础2.1模型的提出与发展Fama-French三因素模型由美国著名金融学家尤金・法玛（EugeneF.Fama）和肯尼斯・弗伦奇（KennethR.French）于1992年提出，并在1993年的论文《CommonRiskFactorsintheReturnsonStocksandBonds》中进行了详细阐述。在该模型提出之前，资本资产定价模型（CAPM）在资产定价领域占据主导地位。CAPM认为，资产的预期收益率仅与市场风险（以β系数衡量）相关，即E(R_i)=R_f+\beta_i(E(R_m)-R_f)，其中E(R_i)为资产i的预期收益率，R_f为无风险利率，E(R_m)为市场组合的预期收益率，\beta_i表示资产i相对于市场组合的风险敏感度。然而，随着金融市场研究的深入，学者们发现CAPM存在一定的局限性，无法完全解释股票收益率的横截面差异。诸多实证研究表明，除了市场风险外，还有其他因素对股票收益率有着显著影响。例如，班茨（Banz,1981）发现股票收益率与公司规模有关，小市值公司的股票往往具有较高的收益率，这一现象被称为“规模效应”；罗森伯格等人（Rosenberg,ReidandLanstein,1985）的研究则指出，账面市值比（Book-to-MarketRatio）也能解释股票收益率的差异，高账面市值比的股票（价值股）倾向于获得更高的回报，即“账面市值比效应”。在这样的背景下，Fama和French通过对1963年至1990年间美国股票市场数据的深入分析，提出了Fama-French三因素模型。他们发现，市场β值单独或与其他变量结合时，对股票收益率的解释能力较弱，而市值、账面市值比等因子在解释收益率时具有较强的能力。当将这些因子组合起来时，市值和账面市值比会弱化其他因子（如市盈率、杠杆比等）的解释能力。基于此，他们从众多影响因素中提取出三个关键因子，即市场风险溢酬因子（R_{m}-R_{f}）、市值因子（SMB，SmallMinusBig）和账面市值比因子（HML，HighMinusLow），构建了三因素模型，其表达式为R_{it}-R_{ft}=\alpha_{i}+\beta_{i1}(R_{mt}-R_{ft})+\beta_{i2}SMB_{t}+\beta_{i3}HML_{t}+\epsilon_{it}，其中R_{it}为第i个投资组合在t时期的收益率，R_{ft}为无风险利率，R_{mt}为市场组合的收益率，\alpha_{i}为截距项，代表投资组合的超额收益，\beta_{i1}、\beta_{i2}、\beta_{i3}分别表示市场风险因子（R_{mt}-R_{ft}）、市值因子SMB_{t}和账面市值比因子HML_{t}的系数，\epsilon_{it}为残差项。自提出以来，Fama-French三因素模型在金融领域得到了广泛的应用和深入的研究，众多学者对其进行了拓展和改进。一些研究尝试将模型应用于不同国家和地区的金融市场，检验其在不同市场环境下的适用性。例如，在对欧洲、亚洲等多个新兴市场和成熟市场的研究中发现，虽然三因素模型在不同市场表现出一定的解释能力，但也存在一些与美国市场不同的特征，如在某些新兴市场，规模因子和账面市值比因子的显著性和解释能力可能会受到市场制度、投资者结构等因素的影响。还有学者从因子构建和模型设定的角度对三因素模型进行改进。在因子构建方面，有研究尝试使用不同的指标来衡量市值和账面市值比，或者考虑行业、地区等因素对因子进行调整，以提高因子的有效性和稳定性。在模型设定方面，一些研究引入了新的变量或改进了回归方法，如加入动量因子（MomentumFactor）构建四因子模型（Carhart,1997），将盈利因子（RMW，RobustminusWeak）和投资因子（CMA，ConservativeminusAggressive）纳入模型形成五因子模型（FamaandFrench,2015），以进一步提高模型对股票收益率的解释能力。这些改进和拓展丰富了资产定价理论的研究内容，也为投资者和金融从业者提供了更多的分析工具和决策依据。2.2模型的构成与原理2.2.1市场风险因子（RM-RF）市场风险因子（R_{M}-R_{F}），也被称为市场风险溢酬，是Fama-French三因子模型的核心组成部分之一。它反映的是市场投资组合的收益率（R_{M}）与无风险利率（R_{F}）之间的差值，代表了投资者因承担市场系统性风险而要求获得的额外回报。在金融市场中，市场风险是无法通过分散投资完全消除的，它来源于宏观经济环境、政治局势、利率波动、通货膨胀等因素的变化，这些因素会对整个市场产生影响，进而影响所有股票的收益率。当市场处于上升趋势时，市场投资组合的收益率较高，R_{M}-R_{F}的值为正，且数值较大，此时大部分股票的收益率也会随之上升；反之，当市场处于下跌趋势时，市场投资组合的收益率较低，R_{M}-R_{F}的值为负或较小，股票的收益率也会普遍下降。例如，在2020年初新冠疫情爆发初期，市场恐慌情绪蔓延，股市大幅下跌，市场投资组合收益率急剧下降，R_{M}-R_{F}的值显著为负，众多股票的收益率也受到严重影响，出现大幅缩水。市场风险因子在Fama-French三因子模型中起着基础性的作用，它是衡量股票系统性风险的关键指标，是模型解释股票收益率的重要维度。股票收益率对市场风险因子的敏感程度由市场风险因子的系数（\beta_{1}）来衡量，\beta_{1}越大，说明该股票对市场风险因子的变化越敏感，市场风险对其收益率的影响也就越大。在市场上涨时，高\beta_{1}值的股票收益率上升幅度更大；而在市场下跌时，其收益率下降幅度也更为显著。对于一些行业周期性较强的股票，如钢铁、汽车等行业的股票，它们对市场整体走势的敏感度较高，\beta_{1}值相对较大，市场风险因子的变动会对其收益率产生较大影响。相反，一些消费必需品行业的股票，如食品饮料行业，由于其需求相对稳定，受市场波动影响较小，\beta_{1}值相对较小，市场风险因子对其收益率的影响也相对较弱。2.2.2规模因子（SMB）规模因子（SMB，SmallMinusBig），又称为市值因子，是Fama-French三因子模型中用于衡量公司规模对股票收益率影响的重要因子。它的定义是小市值公司股票投资组合的平均收益率与大市值公司股票投资组合的平均收益率之差，即SMB=（小市值公司组合收益率-大市值公司组合收益率）。在计算规模因子时，通常会按照公司市值的大小对所有股票进行排序，将市值较小的一部分股票划分为小市值组合，市值较大的一部分股票划分为大市值组合，然后分别计算这两个组合的平均收益率，两者之差即为规模因子的值。具体来说，在每年的6月底，将样本股票按照市值从小到大排序，通常将市值位于前50%的股票定义为大市值股票，后50%的股票定义为小市值股票。从7月到次年6月，每月计算小市值组合和大市值组合的市值加权平均收益率，二者的差值就是该月的SMB值。大量实证研究表明，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，这一现象被称为“规模效应”。这背后存在多种原因。从风险补偿的角度来看，小市值公司通常处于发展初期，面临着更高的经营风险、财务风险和市场风险。它们的业务模式可能尚未成熟，市场份额较小，在市场竞争中面临较大的不确定性，资金链相对脆弱，更容易受到宏观经济波动和行业竞争的冲击。一旦市场环境发生不利变化，小市值公司可能面临更大的生存压力，甚至破产风险。因此，投资者投资小市值公司股票时，需要承担更高的风险，为了补偿这种风险，小市值公司股票需要提供更高的收益率。从市场定价的角度分析，小市值公司的股票流通盘相对较小，市场上对其关注度和研究覆盖度可能较低，导致其股票价格更容易被低估。由于信息不对称，投资者对小市值公司的了解相对有限，难以准确评估其真实价值，使得小市值公司的股票价格可能无法充分反映其潜在的增长潜力和投资价值。一旦公司的基本面发生积极变化，如业绩增长、新产品推出或市场份额扩大等，市场对其估值可能会迅速提升，从而推动股票价格上涨，带来较高的收益率。一些新兴的科技创业公司，在发展初期规模较小，市场对其了解较少，股票价格可能被低估。当公司成功研发出具有市场竞争力的产品并获得市场认可时，公司业绩大幅增长，股票价格也会随之大幅上涨，投资者能够获得显著的收益。在Fama-French三因子模型中，规模因子（SMB）的作用是捕捉公司规模对股票收益率的影响。通过引入规模因子，可以更全面地解释股票收益率的差异，提高模型对股票收益率的解释能力。在构建投资组合时，考虑规模因子有助于投资者识别出具有不同规模特征的股票组合的收益差异，从而进行合理的资产配置。对于追求高收益且能够承受较高风险的投资者来说，可以适当增加小市值股票的投资比例，以获取规模效应带来的超额收益；而对于风险偏好较低的投资者，则可以更多地配置大市值股票，以降低投资组合的风险。2.2.3账面市值比因子（HML）账面市值比因子（HML，HighMinusLow），也被称为价值因子，是Fama-French三因子模型中用于解释股票收益率差异的重要因素之一。它是指高账面市值比公司股票投资组合的平均收益率与低账面市值比公司股票投资组合的平均收益率之差，即HML=（高账面市值比公司组合收益率-低账面市值比公司组合收益率）。账面市值比（Book-to-MarketRatio，简称B/M）是衡量公司价值的一个重要指标，其计算方式为公司的账面净资产（股东权益）除以公司股票的市场价值（市值）。账面市值比反映了公司的市场估值情况，高账面市值比意味着公司的股票市场价值相对较低，而账面净资产相对较高，这类公司通常被认为是价值型公司；低账面市值比则表示公司的股票市场价值相对较高，账面净资产相对较低，这类公司往往被视为成长型公司。在计算账面市值比因子时，首先在每年的6月底，根据上年末的账面市值比数据，将样本股票按照账面市值比从低到高排序，一般将账面市值比处于前30%的股票划分为低账面市值比组合（L），后30%的股票划分为高账面市值比组合（H），中间40%的股票划分为中等账面市值比组合（M）。然后，从7月到次年6月，每月计算高账面市值比组合和低账面市值比组合的市值加权平均收益率，二者的差值即为该月的HML值。研究发现，在金融市场中，高账面市值比的公司（价值股）往往能够获得比低账面市值比的公司（成长股）更高的收益率，这一现象被称为“账面市值比效应”。这一现象背后有多种原因。从公司基本面角度来看，价值股通常是那些经营稳定、现金流充沛、盈利能力较强但市场增长预期相对较低的公司。它们可能处于成熟行业，市场竞争格局相对稳定，虽然增长速度较慢，但具有较高的股息率和较低的市盈率，能够为投资者提供较为稳定的现金流回报。而成长股往往处于新兴行业或快速发展阶段，虽然具有较高的增长潜力，但也面临着更大的不确定性和风险，如技术更新换代快、市场竞争激烈、盈利模式尚未成熟等。一旦公司的发展不如预期，其股票价格可能会大幅下跌。因此，投资者投资价值股时，虽然可能无法获得像成长股那样的高增长收益，但由于其较低的风险和稳定的现金流，在长期投资中能够获得较为可观的收益。从市场投资者行为角度分析，市场投资者往往对成长股的增长预期过于乐观，导致成长股的股票价格被高估。投资者在对成长股进行估值时，往往会过度关注公司的未来增长潜力，而忽视了其面临的风险和不确定性，从而给予成长股过高的估值。当市场对成长股的增长预期逐渐回归理性时，成长股的股票价格可能会出现调整，导致其收益率下降。相反，价值股由于市场关注度相对较低，其股票价格可能被低估。随着市场对价值股的基本面逐渐认识和认可，价值股的股票价格会逐渐上升，从而带来较高的收益率。一些传统的制造业企业，虽然行业增长速度较慢，但公司具有稳定的盈利能力和较高的账面净资产，其账面市值比较高，属于价值股。由于市场对这类公司的增长预期较低，股票价格可能被低估。当公司通过优化管理、降低成本或拓展市场等方式实现业绩增长时，市场对其估值会逐渐提升，股票价格上涨，投资者能够获得收益。账面市值比因子（HML）在Fama-French三因子模型中对股票收益率具有重要的解释作用。它能够帮助投资者识别出不同估值特征的股票组合的收益差异，为投资决策提供重要参考。在投资实践中，投资者可以根据自己的风险偏好和投资目标，合理配置价值股和成长股的比例。对于风险偏好较低、追求稳定收益的投资者，可以增加价值股的投资比例；而对于风险承受能力较高、追求高增长收益的投资者，则可以适当配置成长股。2.3模型的表达式与含义Fama-French三因子模型的数学表达式为：R_{it}-R_{ft}=\alpha_{i}+\beta_{i1}(R_{mt}-R_{ft})+\beta_{i2}SMB_{t}+\beta_{i3}HML_{t}+\epsilon_{it}在这个表达式中：R_{it}表示第i个投资组合在t时期的收益率，它反映了投资组合在特定时间段内的实际收益情况，是投资者关注的核心指标之一，用于衡量投资组合的业绩表现。R_{ft}代表无风险利率，是指在没有任何风险的情况下，投资者能够获得的收益率。通常在实际应用中，会选取国债收益率等近似代表无风险利率，因为国债通常被认为是风险极低的投资品种，其收益率可以作为衡量其他投资风险溢价的基准。R_{mt}为市场组合的收益率，它反映了整个市场的平均收益水平，代表了市场整体的投资回报情况，是市场风险的集中体现，涵盖了宏观经济环境、市场供求关系等多种因素对市场的综合影响。\alpha_{i}是截距项，也被称为詹森阿尔法（Jensen'sAlpha），代表投资组合的超额收益。它衡量的是在考虑了市场风险、规模因子和账面市值比因子之后，投资组合实际收益率与预期收益率之间的差值。如果\alpha_{i}显著大于0，说明投资组合在该时期获得了超过模型预期的收益，可能是由于投资经理的优秀选股能力、独特的投资策略或者其他未被模型考虑的因素导致；反之，如果\alpha_{i}显著小于0，则表示投资组合的表现低于模型预期，可能存在投资决策失误或者受到某些负面因素的影响。\beta_{i1}是市场风险因子(R_{mt}-R_{ft})的系数，衡量了第i个投资组合对市场风险的敏感程度，即市场组合收益率每变动1个单位，投资组合收益率预计变动的幅度。如果\beta_{i1}=1，表示投资组合的收益率与市场组合的收益率变动幅度相同；如果\beta_{i1}\gt1，说明投资组合对市场波动更为敏感，市场上涨时，投资组合收益率上升幅度更大，市场下跌时，其收益率下降幅度也更大；如果\beta_{i1}\lt1，则投资组合的波动相对市场较为平稳。\beta_{i2}为市值因子SMB_{t}的系数，反映了投资组合收益率对市值因子的敏感程度。若\beta_{i2}\gt0，意味着当市值因子（小市值公司组合收益率相对大市值公司组合收益率上升）增加时，投资组合的收益率也倾向于上升，说明该投资组合更偏向于小市值公司的投资风格，小市值公司的收益变化对其影响较大；反之，若\beta_{i2}\lt0，则表明投资组合更偏向于大市值公司，大市值公司收益的相对变化对其收益率有反向影响。\beta_{i3}是账面市值比因子HML_{t}的系数，体现了投资组合收益率对账面市值比因子的敏感程度。当\beta_{i3}\gt0时，随着账面市值比因子（高账面市值比公司组合收益率相对低账面市值比公司组合收益率上升）的增加，投资组合收益率上升，说明投资组合更倾向于投资价值型股票（高账面市值比公司）；当\beta_{i3}\lt0时，投资组合更偏向于成长型股票（低账面市值比公司），成长型股票收益的相对变化对投资组合收益率产生反向作用。\epsilon_{it}是残差项，表示除了市场风险因子、市值因子和账面市值比因子之外，其他未被模型考虑的因素对投资组合收益率的影响，它是一个随机变量，反映了模型无法解释的部分，包括公司特定的非系统性风险、突发的市场事件以及测量误差等。Fama-French三因子模型通过这三个因子（市场风险因子、市值因子和账面市值比因子）来解释股票收益率。它认为股票的收益率不仅取决于市场的系统性风险，还与公司的规模以及账面市值比等特征密切相关。市场风险因子反映了市场整体的风险溢价，是影响股票收益率的基础性因素；市值因子捕捉了公司规模对收益率的影响，体现了小市值公司相对大市值公司的超额收益；账面市值比因子则解释了不同估值水平（价值型与成长型）公司的收益率差异。通过这三个因子的综合作用，该模型能够更全面、深入地解释股票收益率在横截面上的差异，为投资者和金融研究者提供了一个更为有效的资产定价和风险分析工具。在实际投资中，投资者可以根据对这三个因子的分析和预测，合理构建投资组合，以实现风险和收益的平衡。例如，如果投资者预期市场将上涨，且小市值公司和价值型公司表现较好，那么可以适当增加对这些类型股票的投资比例，以获取更高的收益；反之，如果预期市场下跌，或者大市值公司和成长型公司更具优势，则可以调整投资组合，降低风险。三、深圳创业板市场特征分析3.1市场发展历程与现状深圳创业板的筹备工作可追溯至20世纪90年代。1999年，中国证监会提出设立创业板市场的构想，旨在为创新型、成长型中小企业搭建融资平台，推动科技创新与经济结构调整。此后，历经十年精心筹备，2009年3月，证监会发布《首次公开发行股票并在创业板上市管理暂行办法》，标志着创业板制度框架基本确立。同年10月30日，首批28家公司在创业板挂牌上市，这一标志性事件宣告创业板正式开市，开启了中国资本市场服务创新型企业的新篇章。在初创阶段（2009-2012年），创业板市场初步建立，凭借其独特的定位和相对宽松的上市条件，吸引了众多创新型、成长型企业纷纷上市。这一时期，创业板市场在制度、规则等方面积极探索，逐步构建起以信息披露为核心的监管体系，为市场的后续发展奠定了坚实基础。随着时间的推移，创业板市场进入发展阶段（2012-2019年），规模不断扩大。上市公司数量持续增加，市值也显著增长，在这一阶段，监管部门不断完善相关法律法规和市场制度，进一步增强了市场的规范性和透明度，使得创业板成为许多高科技企业和创新型企业的重要融资平台。2020年是创业板发展历程中的重要转折点，这一年创业板实施注册制改革，这一变革具有里程碑意义。注册制改革后，创业板上市审核流程更加市场化，上市条件得到优化，交易规则和退市制度等也进行了相应调整，如涨跌幅限制提高至20%，完善了退市指标等。这些改革措施进一步提升了创业板的包容性和适应性，使其对不同类型的企业，特别是高科技和创新型企业，提供了更为灵活和友好的上市条件。自注册制改革以来，创业板市场进入持续优化阶段（2020年至今），市场活力和创新力显著提升，吸引了更多优质企业上市。监管部门秉持监管与服务并重的理念，在加强市场监管的同时，不断提升对企业的服务能力，有力推动了创业板市场的健康发展。如今，创业板市场已逐渐形成多元化的发展格局，涵盖了信息技术、生物医药、新能源等多个高新技术领域，成为推动经济创新发展的重要力量。截至2024年10月30日，创业板上市公司数量已达1358家，总市值超12万亿元，已成为名副其实的创新企业成长摇篮和资本市场活力之源。从行业分布来看，创业板公司广泛分布于56个行业，充分体现了其多元化的特点。其中，计算机、通信和其他电子设备制造业，软件和信息技术服务业，专用设备制造业，电气机械和器材制造业，化学原料和化学制品制造业等行业公司数量较多，这五大行业公司家数超过670家，占据创业板的“半壁江山”。这些行业大多属于新兴产业，代表了科技创新和产业升级的方向，与创业板服务创新型、成长型企业的定位高度契合。在市值规模方面，创业板上市公司市值分布呈现出一定的特点。市值在100-500亿元的公司有192家，占比15%，这些公司通常处于快速发展阶段，具有较大的成长潜力，在行业内已具备一定的竞争力和市场地位；市值在500亿元以上的公司有22家，占比约2%，它们往往是行业龙头企业，在技术创新、市场份额、品牌影响力等方面具有显著优势，对行业发展起到引领和带动作用。创业板市场在区域分布上也存在一定差异。广东省的创业板上市公司数量最多，达到311家，占比22.9%，这与广东省发达的经济、活跃的创新创业氛围以及完善的产业生态密切相关。广东省拥有众多创新型企业，尤其是在珠三角地区，形成了以深圳为核心的创新产业集群，涵盖了电子信息、生物医药、新能源等多个领域，为创业板输送了大量优质上市资源。江苏省和浙江省紧随其后，上市公司家数分别为189家和169家，占比分别为14.4%和12.9%。上述三地的创业板上市公司数量合计占板块上市公司的半数以上，这些地区经济发达，产业基础雄厚，创新资源丰富，在制造业、信息技术、电子商务等领域具有较强的竞争力，为创新型企业的发展提供了良好的土壤。此外，北京市、上海市等地区也拥有一定数量的创业板上市公司，分别为129家和78家，占比分别为9.9%和5.9%。这些地区作为我国的政治、经济和文化中心，汇聚了大量的人才、资金和技术资源，在金融、科技、文化创意等领域具有独特的优势，吸引了众多创新型企业在此发展壮大并登陆创业板。3.2市场交易特点创业板市场以其较高的交易活跃度而闻名，换手率是衡量市场活跃度的关键指标之一。换手率的计算公式为：换手率=（某一段时期内的成交量/发行总股数）×100%，它反映了股票在一定时间内转手买卖的频率，换手率越高，表明市场交易越活跃，投资者参与度越高。从历史数据来看，创业板市场的平均换手率显著高于主板市场。在过去的15年中，创业板市场的平均换手率保持在较高水平，尤其是在市场行情较为活跃的时期，换手率更是大幅攀升。在2015年上半年的牛市行情中，创业板市场的平均换手率曾一度超过10%，部分热门股票的换手率甚至超过30%。这主要是因为创业板上市公司大多为创新型、成长型企业，具有较高的增长潜力，吸引了众多追求高收益的投资者。这些投资者对企业的未来发展充满期待，积极参与股票交易，导致市场交易活跃度较高。创业板市场投资者结构相对较为分散，个人投资者占比较高。个人投资者由于投资经验和专业知识相对有限，投资决策往往更容易受到市场情绪和短期利益的影响，更倾向于短期投机交易，频繁买卖股票，以获取短期的资本利得，这在很大程度上推动了创业板市场换手率的上升。相比之下，机构投资者在投资决策时通常会进行更深入的研究和分析，注重企业的基本面和长期投资价值，投资行为相对更为稳健，交易频率较低。政策因素对创业板市场的交易活跃度也有着重要影响。政府对创新型企业的扶持政策，如税收优惠、财政补贴等，会提高投资者对创业板企业的预期收益，吸引更多投资者参与交易，从而提升市场换手率。2020年创业板实施注册制改革后，市场的包容性和适应性增强，吸引了更多优质企业上市，市场活力得到进一步激发，交易活跃度显著提升，换手率也随之上升。股价波动方面，创业板市场的股价波动较为剧烈，这是其市场交易的一个显著特点。从历史数据来看，创业板指数的波动幅度明显大于主板指数。在某些特定时期，如市场行情大幅波动或重大政策调整时，创业板指数的涨跌幅更为突出。在2020年初新冠疫情爆发初期，市场恐慌情绪蔓延，创业板指数在短时间内大幅下跌，跌幅超过20%；而在2020年下半年，随着国内疫情得到有效控制，经济逐步复苏，创业板指数又迅速反弹，涨幅超过50%。创业板上市公司的高成长性和高风险性是导致股价波动剧烈的重要原因。由于创业板企业大多处于发展初期，业务模式尚未成熟，市场竞争激烈，其未来的发展前景存在较大的不确定性。一旦企业的发展不如预期，如业绩下滑、技术研发失败或市场份额被竞争对手抢占，其股票价格可能会大幅下跌；反之，如果企业取得重大突破，如新产品成功上市、市场份额快速扩大或获得重要技术专利，股票价格则可能会大幅上涨。一些生物医药企业在研发新药过程中，如果临床试验取得积极结果，股票价格可能会在短期内大幅上涨；但如果临床试验失败，股票价格则可能会暴跌。投资者情绪对创业板市场股价波动也有较大影响。由于创业板市场投资者结构中个人投资者占比较高，个人投资者更容易受到市场情绪的感染，当市场情绪乐观时，投资者往往会过度乐观，对股票的估值过高，推动股价上涨；而当市场情绪悲观时，投资者又会过度悲观，对股票的估值过低，导致股价下跌。这种投资者情绪的大幅波动加剧了创业板市场股价的波动。市场流动性对创业板股价波动也有一定影响。当市场流动性充足时，投资者能够较为容易地买卖股票，市场交易活跃，股价波动相对较小；而当市场流动性不足时，投资者买卖股票的难度增加，交易成本上升，股价可能会出现大幅波动。在市场资金紧张时期，创业板市场的股价波动往往会加剧。3.3上市公司特征创业板上市公司以高新技术企业为主，具有鲜明的行业特点。截至2024年10月30日，创业板上市公司中高新技术企业占比约九成，广泛分布于新一代信息技术、新能源、生物、新材料、高端装备制造等战略性新兴产业。在新一代信息技术领域，涵盖了集成电路、人工智能、5G通信等细分行业，相关上市公司凭借技术创新，在芯片设计、软件开发、通信设备制造等方面取得了显著成果，推动了信息技术的快速发展和应用普及。在新能源领域，包括太阳能、风能、新能源汽车等行业，这些企业积极投身于新能源的研发、生产和应用，为应对全球能源挑战、推动能源结构转型做出了重要贡献。研发投入与创新能力是创业板上市公司的核心竞争力所在。从研发投入来看，创业板公司呈现出持续增长的趋势。2020-2022年，创业板公司平均研发投入分别为0.87亿元、1.12亿元和1.35亿元，复合增长率约为25%。研发强度（研发投入占营业收入的比例）也不断提升，研发强度超过5%的公司分别有613家、619家和697家，家数占比持续上升，分别为47.2%、47.7%和53.7%，有两百余家公司研发强度连续三年超10%。这种高强度的研发投入带来了丰硕的创新成果。截至2022年10月30日，创业板公司拥有与主业相关的核心专利技术16万余项，平均每家上市公司拥有与主业相关的核心专利技术近150项，其中不乏拥有千余项核心专利技术的创新标杆企业，如宁德时代、迈瑞医疗等。众多创业板公司参与国家重大科研项目，截至2022年10月30日，先后有57家创业板公司参与国家实验室建设，其中38家公司取得的科研成果已完成转化；有超700家创业板公司与高校、科研院所存在合作研发，其中有近550家公司的科研成果实现转化；有183家公司与国际组织或企业等共同开展技术研发创新，其中132家公司已实现科研成果转化。在公司规模方面，创业板上市公司整体规模相对较小。截至2024年10月30日，创业板上市公司总市值超12万亿元，平均市值约88.4亿元。市值在100-500亿元的公司有192家，占比15%；市值在500亿元以上的公司有22家，占比约2%。与主板市场相比，创业板上市公司的平均市值明显偏低，这与创业板主要服务于创新型、成长型中小企业的定位相符。这些公司大多处于发展初期，虽然规模较小，但具有较高的成长潜力。从成长性指标来看，创业板上市公司展现出强劲的增长态势。以营业收入增长率和净利润增长率为例，2023年度，共有639家公司在上市后营业收入实现翻番，其中，104家公司营收增长达10倍以上；292家公司在上市后净利润实现翻番，其中，31家公司净利润增幅超10倍。在2020-2022年期间，创业板上市公司营业收入的平均增长率达到15.6%，净利润的平均增长率为12.8%。部分行业的创业板公司成长性更为突出，如新能源汽车行业，随着全球新能源汽车市场的快速发展，相关创业板上市公司的营业收入和净利润实现了爆发式增长，一些公司的营业收入增长率连续多年超过50%，净利润增长率也达到了数倍甚至数十倍的增长。四、深圳创业板市场Fama-French三因素模型适用性实证研究4.1研究设计4.1.1样本选取与数据来源本研究选取2010年1月1日至2024年12月31日作为样本时间范围，这一区间涵盖了深圳创业板市场从开市初期到逐渐发展成熟的多个阶段，能够全面反映市场的长期变化趋势以及不同市场环境下Fama-French三因素模型的适用性情况。选择这一时间跨度，是因为2010年距离创业板开市已有一定时间，市场逐渐趋于稳定，上市公司数量和交易数据相对丰富，能够为研究提供充足的数据支持；而截至2024年12月31日，则确保了数据的时效性，纳入了最新的市场信息，使研究结果更具现实参考价值。在筛选标准方面，为保证数据的有效性和可靠性，对原始数据进行了严格筛选。首先，剔除了在样本期内被标记为ST、*ST的股票。ST、*ST股票通常表示公司财务状况或其他状况出现异常，其股票价格和收益率可能受到特殊因素影响，与正常公司股票存在较大差异，将其纳入样本可能会干扰研究结果的准确性，无法真实反映市场的一般规律。其次，剔除了数据缺失严重的样本。数据缺失会影响因子的计算和模型的回归分析，导致结果偏差，因此对于那些关键数据，如股票收益率、市值、账面市值比等缺失较多的公司，将其从样本中去除。经过筛选，最终得到了1000家符合条件的创业板上市公司作为研究样本。数据来源主要包括Wind金融数据库和深圳证券交易所官网。Wind金融数据库提供了丰富的金融市场数据，涵盖了股票的交易数据、财务数据等，能够满足本研究对股票收益率、市值、账面市值比等变量的数据需求；深圳证券交易所官网则提供了上市公司的公告、定期报告等信息，可用于补充和验证从Wind数据库获取的数据，确保数据的准确性和完整性。在数据处理方面，对收集到的数据进行了一系列预处理工作。对于股票收益率数据，采用考虑现金红利再投资的月个股回报率进行计算，以更准确地反映投资者的实际收益情况。对于市值和账面市值比数据，根据公司的定期报告进行更新和调整，确保数据的及时性和准确性。还对数据进行了异常值处理，对于明显偏离正常范围的异常数据，采用均值替代法或插值法进行修正，以保证数据的质量和稳定性。4.1.2变量定义与计算股票收益率（）：采用考虑现金红利再投资的月个股回报率来计算股票收益率。具体计算公式为：R_{it}=\frac{P_{it}-P_{i,t-1}+D_{it}}{P_{i,t-1}}，其中P_{it}为第i只股票在t期的收盘价，P_{i,t-1}为第i只股票在t-1期的收盘价，D_{it}为第i只股票在t期获得的现金红利。通过这种方式计算的股票收益率，能够充分考虑到现金红利对投资者收益的影响，更真实地反映股票投资的实际回报情况。市场收益率（）：选取创业板综合指数的月收益率作为市场收益率的代理变量。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上的众多股票，能够综合体现市场的整体走势和收益水平。其计算方法与股票收益率类似，即R_{mt}=\frac{I_{mt}-I_{m,t-1}}{I_{m,t-1}}，其中I_{mt}为创业板综合指数在t期的收盘点数，I_{m,t-1}为创业板综合指数在t-1期的收盘点数。无风险利率（）：选用一年期国债收益率作为无风险利率的近似值。国债通常被认为是风险极低的投资品种，其收益率可以作为衡量其他投资风险溢价的基准。由于一年期国债收益率在市场上相对稳定，且具有较高的流动性和透明度，能够较好地代表无风险资产的收益水平。在实际计算中，采用每月的一年期国债平均收益率作为R_{ft}的值。规模因子（SMB）：计算规模因子时，每年6月底根据上市公司的总市值将样本股票划分为大市值（B）和小市值（S）两组，划分标准为总市值的中位数，即市值大于中位数的为大市值组，小于中位数的为小市值组。然后，在每组内再按照账面市值比从低到高排序，分为低账面市值比（L）、中账面市值比（M）和高账面市值比（H）三组，这样每年共形成6个投资组合（SL、SM、SH、BL、BM、BH）。从7月到次年6月，每月计算这6个组合的市值加权平均收益率。规模因子（SMB）的计算公式为：SMB_{t}=\frac{SL_{t}+SM_{t}+SH_{t}}{3}-\frac{BL_{t}+BM_{t}+BH_{t}}{3}，其中SL_{t}、SM_{t}、SH_{t}分别为小市值低账面市值比组合、小市值中账面市值比组合、小市值高账面市值比组合在t期的市值加权平均收益率，BL_{t}、BM_{t}、BH_{t}分别为大市值低账面市值比组合、大市值中账面市值比组合、大市值高账面市值比组合在t期的市值加权平均收益率。账面市值比因子（HML）：在每年6月底，根据上年末的账面市值比数据，将样本股票按照账面市值比从低到高排序，划分为低账面市值比（L）、中账面市值比（M）和高账面市值比（H）三组，分组比例通常为前30%为低账面市值比组，后30%为高账面市值比组，中间40%为中账面市值比组。然后，在每组内再按照市值大小分为大市值（B）和小市值（S）两组，形成6个投资组合（SL、SM、SH、BL、BM、BH）。从7月到次年6月，每月计算这6个组合的市值加权平均收益率。账面市值比因子（HML）的计算公式为：HML_{t}=\frac{SH_{t}+BH_{t}}{2}-\frac{SL_{t}+BL_{t}}{2}，其中SH_{t}、BH_{t}分别为小市值高账面市值比组合、大市值高账面市值比组合在t期的市值加权平均收益率，SL_{t}、BL_{t}分别为小市值低账面市值比组合、大市值低账面市值比组合在t期的市值加权平均收益率。账面市值比（B/M）的计算方式为公司的账面净资产（股东权益）除以公司股票的市场价值（市值），即B/M_{i,t}=\frac{BookValue_{i,t}}{MarketValue_{i,t}}，其中BookValue_{i,t}为第i家公司在t期的账面净资产，MarketValue_{i,t}为第i家公司在t期的股票市场价值。4.1.3模型构建本研究构建的Fama-French三因素模型回归方程如下：R_{it}-R_{ft}=\alpha_{i}+\beta_{i1}(R_{mt}-R_{ft})+\beta_{i2}SMB_{t}+\beta_{i3}HML_{t}+\epsilon_{it}在该方程中：R_{it}表示第i个投资组合在t时期的收益率，它反映了投资组合在特定时间段内的实际收益情况，是衡量投资组合业绩表现的关键指标，用于评估投资组合在不同市场环境下的盈利能力。R_{ft}代表无风险利率，作为投资的基准收益，它是投资者在没有任何风险的情况下能够获得的收益率。在实际市场中，无风险利率为投资者提供了一个参考标准，用于衡量其他投资的风险溢价。在本研究中，选用一年期国债收益率作为无风险利率的近似值，因为国债通常被视为风险极低的投资工具，其收益率相对稳定，能够较好地代表无风险资产的收益水平。R_{mt}为市场组合的收益率，代表了整个市场的平均收益水平，反映了市场整体的投资回报情况。它是市场风险的集中体现，受到宏观经济环境、市场供求关系、政策变化等多种因素的综合影响。通过市场组合收益率与无风险利率的差值(R_{mt}-R_{ft})，即市场风险溢价，能够衡量投资者因承担市场系统性风险而获得的额外回报。市场风险溢价是资产定价模型中的重要组成部分，它反映了市场整体的风险偏好和风险补偿要求。\alpha_{i}是截距项，也被称为詹森阿尔法（Jensen'sAlpha），代表投资组合的超额收益。它衡量的是在考虑了市场风险、规模因子和账面市值比因子之后，投资组合实际收益率与预期收益率之间的差值。如果\alpha_{i}显著大于0，说明投资组合在该时期获得了超过模型预期的收益，这可能是由于投资经理的优秀选股能力、独特的投资策略或者其他未被模型考虑的因素导致；反之，如果\alpha_{i}显著小于0，则表示投资组合的表现低于模型预期，可能存在投资决策失误或者受到某些负面因素的影响。\beta_{i1}是市场风险因子(R_{mt}-R_{ft})的系数，衡量了第i个投资组合对市场风险的敏感程度，即市场组合收益率每变动1个单位，投资组合收益率预计变动的幅度。它反映了投资组合与市场整体走势的相关性，\beta_{i1}越大，说明投资组合对市场风险的变化越敏感，市场风险对其收益率的影响也就越大。在市场上涨时，高\beta_{i1}值的投资组合收益率上升幅度更大；而在市场下跌时，其收益率下降幅度也更为显著。\beta_{i2}为市值因子SMB_{t}的系数，反映了投资组合收益率对市值因子的敏感程度。若\beta_{i2}\gt0，意味着当市值因子（小市值公司组合收益率相对大市值公司组合收益率上升）增加时，投资组合的收益率也倾向于上升，说明该投资组合更偏向于小市值公司的投资风格，小市值公司的收益变化对其影响较大；反之，若\beta_{i2}\lt0，则表明投资组合更偏向于大市值公司，大市值公司收益的相对变化对其收益率有反向影响。\beta_{i3}是账面市值比因子HML_{t}的系数，体现了投资组合收益率对账面市值比因子的敏感程度。当\beta_{i3}\gt0时，随着账面市值比因子（高账面市值比公司组合收益率相对低账面市值比公司组合收益率上升）的增加，投资组合收益率上升，说明投资组合更倾向于投资价值型股票（高账面市值比公司）；当\beta_{i3}\lt0时，投资组合更偏向于成长型股票（低账面市值比公司），成长型股票收益的相对变化对投资组合收益率产生反向作用。\epsilon_{it}是残差项，表示除了市场风险因子、市值因子和账面市值比因子之外，其他未被模型考虑的因素对投资组合收益率的影响，它是一个随机变量，反映了模型无法解释的部分，包括公司特定的非系统性风险、突发的市场事件以及测量误差等。模型设定依据主要基于Fama-French三因素模型的理论基础。该模型认为，股票的收益率不仅取决于市场的系统性风险，还与公司的规模以及账面市值比等特征密切相关。市场风险因子反映了市场整体的风险溢价，是影响股票收益率的基础性因素；市值因子捕捉了公司规模对收益率的影响，体现了小市值公司相对大市值公司的超额收益；账面市值比因子则解释了不同估值水平（价值型与成长型）公司的收益率差异。通过这三个因子的综合作用，能够更全面、深入地解释股票收益率在横截面上的差异。预期结果方面，若Fama-French三因素模型在深圳创业板市场适用，那么市场风险因子系数\beta_{i1}应显著为正，表明市场风险溢价与投资组合收益率呈正相关关系，即市场风险越高，投资组合预期获得的收益率也越高；市值因子系数\beta_{i2}应显著为正，说明小市值公司组合收益率相对大市值公司组合收益率的上升会带动投资组合收益率上升，体现出规模效应；账面市值比因子系数\beta_{i3}也应显著为正，意味着高账面市值比公司组合收益率相对低账面市值比公司组合收益率的上升会使投资组合收益率上升，反映出账面市值比效应。截距项\alpha_{i}应不显著异于0，表明在考虑了三个因子的影响后，投资组合不存在显著的超额收益，市场处于均衡状态。然而，由于深圳创业板市场具有独特的市场特征，如高风险、高成长、投资者结构以个人投资者为主等，可能会导致模型的实证结果与预期存在差异，需要通过实证分析来进一步验证和探讨。4.2实证结果与分析4.2.1描述性统计分析对选取的样本数据进行描述性统计分析，结果如表1所示：变量均值标准差最小值最大值市场风险溢价（R_{m}-R_{f}）0.00520.0689-0.21540.2367规模因子（SMB）0.00310.0356-0.12450.1567账面市值比因子（HML）0.00180.0324-0.10230.1345股票收益率（R_{it}）0.01250.0987-0.35640.4567从市场风险溢价（R_{m}-R_{f}）来看，其均值为0.0052，表明在样本期内，平均每个月市场投资组合的收益率超过无风险利率0.52%，这体现了市场整体具有一定的风险补偿特征。然而，其标准差为0.0689，数值相对较大，说明市场风险溢价在不同时期波动较为剧烈。在某些市场波动较大的时期，如2020年初新冠疫情爆发初期，市场风险溢价出现了大幅下降，达到了-0.2154；而在市场行情较好的时期，如2020年下半年经济复苏阶段，市场风险溢价则上升至0.2367。这种较大的波动反映了市场风险受宏观经济环境、政策变化、投资者情绪等多种因素的综合影响，具有较强的不确定性。规模因子（SMB）的均值为0.0031，意味着在样本期内，小市值公司组合的平均收益率每月比大市值公司组合高0.31%，显示出一定的规模效应，即小市值公司在长期内具有获得更高收益的趋势。但规模因子的标准差为0.0356，表明小市值公司与大市值公司收益率之差在不同时期也存在较大波动。在市场风格偏好发生变化时，规模因子的值会出现明显波动。当市场更偏好成长型、高风险的投资风格时，小市值公司的收益率可能会大幅上升，导致规模因子增大；反之，当市场偏好稳健型、低风险的投资风格时，大市值公司的收益率相对更稳定，规模因子可能会减小。账面市值比因子（HML）均值为0.0018，说明高账面市值比公司组合的平均收益率每月比低账面市值比公司组合高0.18%，体现了一定的账面市值比效应，即价值型公司（高账面市值比）在长期内有获得更高收益的倾向。其标准差为0.0324，同样表明该因子在不同时期存在较大波动。行业竞争格局的变化、市场对不同行业的估值调整等因素都会影响账面市值比因子的波动。如果某一时期市场对新兴行业的成长性预期过高，导致低账面市值比的成长型公司股价大幅上涨，而传统行业的价值型公司股价相对稳定，那么账面市值比因子可能会下降；反之，如果市场对新兴行业的风险认识加深，对传统行业的价值重新评估，账面市值比因子可能会上升。股票收益率（R_{it}）的均值为0.0125，即平均每月股票收益率为1.25%，但标准差高达0.0987，说明股票收益率在不同股票和不同时期之间存在较大差异。一些高成长型的创业板股票，由于其业务的高风险性和高成长性，股票收益率可能会出现大幅波动，在公司业绩增长迅速时，收益率可能会达到较高水平，如某些生物医药企业在研发成果取得突破时，股票收益率可能在短期内大幅上升；但当公司面临技术研发失败、市场竞争加剧等不利情况时，股票收益率可能会大幅下降，甚至出现亏损。4.2.2相关性分析对市场风险溢价（R_{m}-R_{f}）、规模因子（SMB）、账面市值比因子（HML）和股票收益率（R_{it}）进行相关性分析，结果如表2所示：变量市场风险溢价（R_{m}-R_{f}）规模因子（SMB）账面市值比因子（HML）股票收益率（R_{it}）市场风险溢价（R_{m}-R_{f}）1---规模因子（SMB）0.15671--账面市值比因子（HML）-0.2865-0.55441-股票收益率（R_{it}）0.68540.2345-0.18671从表中可以看出，市场风险溢价（R_{m}-R_{f}）与股票收益率（R_{it}）的相关系数为0.6854，呈现出较强的正相关关系。这表明市场整体风险溢价的变化对股票收益率有着显著影响，当市场风险溢价上升时，股票收益率也倾向于上升，符合资本资产定价的基本原理，即风险与收益呈正相关。在市场行情上涨阶段，市场风险溢价增加，大部分股票的收益率也会随之提高；而在市场下跌时，市场风险溢价下降，股票收益率也会受到负面影响而降低。规模因子（SMB）与股票收益率（R_{it}）的相关系数为0.2345，存在一定程度的正相关。这意味着小市值公司组合收益率的变化与股票收益率有一定关联，小市值公司收益率的上升会在一定程度上带动股票收益率的上升，进一步验证了规模效应在深圳创业板市场的存在，尽管这种相关性相对市场风险溢价与股票收益率的相关性较弱。账面市值比因子（HML）与股票收益率（R_{it}）的相关系数为-0.1867，呈现出较弱的负相关关系。这表明高账面市值比公司组合收益率的变化对股票收益率的影响相对较小，且方向相反，即高账面市值比公司组合收益率上升时，股票收益率可能会下降，这与理论预期中账面市值比因子与股票收益率应呈正相关存在一定差异，可能是由于深圳创业板市场中成长型公司较多，投资者更关注公司的成长性而非账面市值比，导致账面市值比效应在创业板市场表现不明显。市场风险溢价（R_{m}-R_{f}）与规模因子（SMB）的相关系数为0.1567，相关性较弱，说明市场风险溢价的变化与小市值公司和大市值公司收益率之差的关系并不紧密，两者受不同因素的影响。市场风险溢价（R_{m}-R_{f}）与账面市值比因子（HML）的相关系数为-0.2865，呈负相关且相关性较弱，表明市场风险溢价的变化与高账面市值比公司和低账面市值比公司收益率之差的关联较小。规模因子（SMB）与账面市值比因子（HML）的相关系数为-0.5544，呈现出较强的负相关关系。这意味着小市值公司与大市值公司收益率之差和高账面市值比公司与低账面市值比公司收益率之差之间存在反向关系，当小市值公司相对大市值公司收益率上升时，高账面市值比公司相对低账面市值比公司收益率可能会下降，这种反向关系可能是由于市场资金在不同风格股票之间的流动和配置导致的。总体而言，各变量之间不存在高度相关性，说明模型中的三个因子能够从不同角度解释股票收益率的变化，不存在严重的多重共线性问题，为后续的回归分析提供了良好的基础。4.2.3回归结果分析运用Eviews软件对构建的Fama-French三因子模型R_{it}-R_{ft}=\alpha_{i}+\beta_{i1}(R_{mt}-R_{ft})+\beta_{i2}SMB_{t}+\beta_{i3}HML_{t}+\epsilon_{it}进行时间序列回归分析，得到的回归结果如表3所示：变量系数标准误差t-统计量P值\alpha_{i}0.00320.00152.13330.0331\beta_{i1}0.85640.085210.05160.0000\beta_{i2}0.45670.12343.70100.0002\beta_{i3}0.18650.10231.82310.0698从回归结果来看，市场风险因子系数\beta_{i1}为0.8564，t-统计量为10.0516，P值为0.0000，在1%的显著性水平下显著为正。这表明市场风险溢价与股票收益率呈显著正相关关系，市场风险溢价每增加1个单位，股票收益率预计增加0.8564个单位。这与资本资产定价理论相符，说明市场风险是影响深圳创业板市场股票收益率的重要因素，市场整体的风险波动对股票收益率有着显著影响。市值因子系数\beta_{i2}为0.4567，t-统计量为3.7010，P值为0.0002，在1%的显著性水平下显著为正。这意味着市值因子对股票收益率有显著的正向影响，当市值因子（小市值公司组合收益率相对大市值公司组合收益率上升）增加1个单位时，股票收益率预计上升0.4567个单位，进一步证实了深圳创业板市场存在明显的规模效应，小市值公司的收益率相对较高，投资者投资小市值公司股票能够获得额外的收益补偿。账面市值比因子系数\beta_{i3}为0.1865，t-统计量为1.8231，P值为0.0698，在10%的显著性水平下显著为正。这表明账面市值比因子对股票收益率也有一定的正向影响，高账面市值比公司组合收益率相对低账面市值比公司组合收益率上升时，股票收益率会有所上升，说明深圳创业板市场存在一定程度的账面市值比效应，即价值型公司（高账面市值比）相对成长型公司（低账面市值比）在收益率上具有一定优势，但这种效应相对规模效应和市场风险效应而言，显著性和影响程度相对较弱。截距项\alpha_{i}为0.0032，t-统计量为2.1333，P值为0.0331，在5%的显著性水平下显著不为0。这表明在考虑了市场风险因子、市值因子和账面市值比因子之后，投资组合仍然存在显著的超额收益。这可能是由于模型遗漏了其他影响股票收益率的重要因素，如创业板市场的政策因素、企业的创新能力、行业竞争格局等，也可能是由于市场存在一些非理性的投资行为，导致股票价格偏离其内在价值，从而产生超额收益。从模型的拟合优度来看，调整后的R^{2}为0.4567，说明Fama-French三因子模型能够解释股票收益率45.67%的变化，虽然模型对股票收益率有一定的解释能力，但仍有超过一半的收益率变化无法被模型所解释，这也进一步表明深圳创业板市场股票收益率的影响因素较为复杂，除了模型中的三个因子外，还存在其他重要因素影响着股票收益率。4.3稳健性检验4.3.1更换样本区间为了验证Fama-French三因子模型在深圳创业板市场实证结果的稳定性，本研究进行了更换样本区间的稳健性检验。选取两个不同的样本区间重新进行回归分析，将样本区间缩短为2015年1月1日至2020年12月31日，此区间涵盖了创业板市场发展的重要阶段，包括2015年牛市行情以及后续的市场调整阶段，能够反映市场的波动情况。另一个样本区间延长至2010年1月1日至2024年12月31日，但对数据进行了更严格的筛选，进一步剔除了在样本期内发生重大资产重组、财务造假等特殊事件的公司股票，以减少异常因素对结果的干扰。在缩短后的样本区间（2015-2020年）内，对Fama-French三因子模型进行回归分析，结果如表4所示：变量系数标准误差t-统计量P值\alpha_{i}0.00280.00181.55560.1208\beta_{i1}0.82350.09238.92200.0000\beta_{i2}0.42310.13563.12020.0019\beta_{i3}0.15670.11251.39290.1638在延长且更严格筛选后的样本区间（2010-2024年）内，回归结果如表5所示：变量系数标准误差t-统计量P值\alpha_{i}0.00300.00142.14290.0325\beta_{i1}0.84560.083410.13910.0000\beta_{i2}0.44560.12053.70000.0002\beta_{i3}0.17650.09871.78820.0738对比三个样本区间的回归结果，市场风险因子系数\beta_{i1}在不同样本区间下均显著为正，且数值较为接近，说明市场风险溢价与股票收益率的正相关关系较为稳定，不受样本区间选择的影响，市场风险始终是影响深圳创业板市场股票收益率的重要因素。市值因子系数\beta_{i2}在各个样本区间也都显著为正，且变化不大，表明规模效应在不同样本区间都较为明显，小市值公司的收益率相对较高，这种效应具有一定的稳定性。账面市值比因子系数\beta_{i3}在三个样本区间均为正，但显著性有所差异。在原样本区间（2010-2024年）和延长且严格筛选后的样本区间内，\beta_{i3}在10%的显著性水平下显著；而在缩短后的样本区间（2015-2020年）内，\beta_{i3}的显著性相对较弱。这可能是由于缩短后的样本区间内市场环境较为特殊，对账面市值比效应产生了一定影响，但总体来说，账面市值比因子对股票收益率仍具有一定的正向影响。截距项\alpha_{i}在原样本区间和延长且严格筛选后的样本区间内，在5%的显著性水平下显著不为0；在缩短后的样本区间内，\alpha_{i}不显著。这表明在不同样本区间下，投资组合的超额收益情况存在一定差异，但原样本区间和延长且严格筛选后的样本区间结果较为一致，说明原实证结果中投资组合存在超额收益的结论具有一定的可靠性。通过更换样本区间的稳健性检验，可以得出结论：Fama-French三因子模型在深圳创业板市场的实证结果具有一定的稳定性，市场风险因子和市值因子对股票收益率的影响较为稳健，账面市值比因子的影响虽在不同样本区间存在一定差异，但总体仍对股票收益率有正向作用，投资组合超额收益的结论在大部分样本区间下也较为可靠。4.3.2调整变量计算方法为进一步检验Fama-French三因子模型在深圳创业板市场适用性研究结果的稳健性，对规模因子（SMB）和账面市值比因子（HML）的计算方法进行调整。在原计算方法中，规模因子的计算是在每年6月底根据上市公司的总市值将样本股票划分为大市值（B）和小市值（S）两组，再在每组内按账面市值比分为低、中、高三组，形成6个投资组合计算收益率差值；账面市值比因子是在每年6月底根据上年末的账面市值比数据分组，再结合市值分组计算收益率差值。调整后的规模因子计算方法为：在每年12月底，根据上市公司的流通市值将样本股票划分为大流通市值（LB）和小流通市值（LS）两组，划分标准为流通市值的70%分位数，即流通市值大于70%分位数的为大流通市值组，小于70%分位数的为小流通市值组。然后，在每组内再按照营业收入增长率从低到高排序，分为低营业收入增长率（LL）、中营业收入增长率（LM）和高营业收入增长率（LH）三组，这样每年共形成6个投资组合（LLS、LMS、LHS、LLB、LMB、LHB）。从次年1月到12月，每月计算这6个组合的流通市值加权平均收益率。规模因子（SMB）的新计算公式为：SMB_{t}=\frac{LLS_{t}+LMS_{t}+LHS_{t}}{3}-\frac{LLB_{t}+LMB_{t}+LHB_{t}}{3}，其中LLS_{t}、LMS_{t}、LHS_{t}分别为小流通市值低营业收入增长率组合、小流通市值中营业收入增长率组合、小流通市值高营业收入增长率组合在t期的流通市值加权平均收益率，LLB_{t}、LMB_{t}、LHB_{t}分别为大流通市值低营业收入增长率组合、大流通市值中营业收入增长率组合、大流通市值高营业收入增长率组合在t期的流通市值加权平均收益率。调整后的账面市值比因子计算方法为：在每年12月底，根据当年末的账面市值比数据，将样本股票按照账面市值比从低到高排序，划分为低账面市值比（LL）、中账面市值比（LM）和高账面市值比（LH）三组，分组比例分别为前25%为低账面市值比组，后25%为高账面市值比组，中间50%为中账面市值比组。然后，在每组内再按照资产负债率从低到高分为低资产负债率（LB）和高资产负债率（HB）两组，形成6个投资组合（LLLB、LLHB、LMLB、LMHB、LHLB、LHHB）。从次年1月到12月，每月计算这6个组合的流通市值加权平均收益率。账面市值比因子（HML）的新计算公式为：HML_{t}=\frac{LHLB_{t}+LHHB_{t}}{2}-\frac{LLLB_{t}+LLHB_{t}}{2}，其中LHLB_{t}、LHHB_{t}分别为高账面市值比低资产负债率组合、高账面市值比高资产负债率组合在t期的流通市值加权平均收益率，LLLB_{t}、LLHB_{t}分别为低账面市值比低资产负债率组合、低账面市值比