美国资本市场非充分分散风险下资产定价模型的深度剖析与实证探究

美国资本市场非充分分散风险下资产定价模型的深度剖析与实证探究一、引言1.1研究背景与意义美国资本市场在全球金融体系中占据着举足轻重的地位，其规模庞大、发展成熟，纽约证券交易所（NYSE）和纳斯达克（NASDAQ）汇聚了全球知名企业与创新型公司，吸引着全球投资者的目光。资产定价模型作为金融学领域的核心理论，旨在揭示资产预期收益率与风险之间的关系，是投资者进行资产估值、投资决策以及风险管理的重要工具。传统的资产定价模型，如资本资产定价模型（CAPM），建立在投资者能够充分分散风险的假设之上，认为资产的预期收益率仅取决于系统性风险。然而，在现实的美国资本市场中，投资者往往由于各种因素，如交易成本、信息不对称、投资限制等，无法实现完全的风险分散，非系统性风险对资产定价的影响不容忽视。从理论层面来看，深入研究非充分分散风险下的资产定价模型，有助于进一步完善资产定价理论体系。传统资产定价模型在解释实际市场现象时存在一定的局限性，考虑非充分分散风险可以为资产定价理论提供更贴近现实的视角，拓展理论边界，使理论能够更好地解释市场中资产价格的形成机制和波动规律，促进金融理论的发展与创新。在实践应用方面，对于投资者而言，准确理解非充分分散风险对资产定价的影响，能够帮助他们更精准地评估投资组合的风险与收益，制定更为合理的投资策略。通过考虑非系统性风险，投资者可以优化资产配置，在风险可控的前提下追求更高的收益，提高投资决策的科学性和有效性。对于金融机构来说，有助于提升风险管理水平，更准确地评估资产价值和风险，合理配置资本，增强金融机构的稳定性和竞争力。对于市场监管者而言，了解非充分分散风险下的资产定价情况，能够更好地把握市场运行规律，制定更为有效的监管政策，维护金融市场的稳定与公平，促进资本市场的健康发展。1.2研究目标与问题提出本研究旨在深入剖析美国资本市场在非充分分散风险条件下资产定价模型的特征与规律，为投资者和金融从业者提供更贴合实际市场情况的理论指导与实践参考。通过理论分析与实证检验相结合的方式，系统地探究非充分分散风险对资产定价的影响机制，从而丰富和完善资产定价理论体系，并为投资者在复杂多变的市场环境中制定合理的投资策略提供有力支持。基于上述研究目标，本研究提出以下具体问题：在非充分分散风险的美国资本市场中，传统资产定价模型如CAPM的表现如何？其对资产预期收益率的解释能力是否会受到影响？哪些风险因素在非充分分散风险的环境下对资产定价起到关键作用？这些风险因素与传统模型中所考虑的系统性风险和非系统性风险之间存在怎样的关联？非充分分散风险下的资产定价模型与充分分散风险假设下的资产定价模型相比，在定价机制、参数估计以及模型的适用性等方面存在哪些显著差异？如何对传统资产定价模型进行改进和拓展，以更好地适应非充分分散风险的市场现实，提高模型对资产价格的预测精度和对投资决策的指导价值？通过对这些问题的深入研究，有望揭示美国资本市场非充分分散风险下资产定价的内在逻辑，为金融市场的理论研究和实践应用提供新的思路和方法。1.3研究方法与创新点在研究过程中，本文综合运用多种研究方法，以确保研究的科学性和全面性。首先，采用文献研究法，系统梳理国内外关于资产定价模型的相关文献，深入剖析传统资产定价模型的理论基础、假设条件以及在实践应用中的局限性。通过对现有研究成果的总结与归纳，明确研究的切入点和方向，为后续的实证研究提供坚实的理论支撑。其次，运用实证分析法，以美国资本市场为研究对象，选取纽约证券交易所（NYSE）和纳斯达克（NASDAQ）等主要市场的相关数据，包括股票价格、成交量、公司财务数据等。利用计量经济学方法，构建合适的实证模型，对非充分分散风险下资产定价模型的假设进行检验。通过对实际市场数据的分析，深入探究非充分分散风险对资产定价的影响机制，验证理论分析的结果，使研究结论更具说服力和实践指导意义。本研究的创新点主要体现在以下两个方面。一方面，聚焦于非充分分散风险这一现实市场因素，突破了传统资产定价模型中投资者能够充分分散风险的假设，更贴近美国资本市场的实际运行情况。从非充分分散风险的视角出发，深入挖掘影响资产定价的潜在因素，为资产定价理论的研究提供了新的思路和方法。另一方面，采用多种资产定价模型进行对比分析，不仅包括传统的资本资产定价模型（CAPM），还引入了套利定价模型（APT）、Fama-French三因子模型等。通过对比不同模型在非充分分散风险条件下对资产定价的解释能力和预测精度，更全面地揭示非充分分散风险下资产定价的规律和特点，为投资者选择合适的资产定价模型提供了更丰富的参考依据。二、理论基础与文献综述2.1资产定价模型理论基础2.1.1资本资产定价模型（CAPM）资本资产定价模型（CapitalAssetPricingModel，CAPM）由威廉・夏普（WilliamSharpe）、林特尔（JohnLintner）、特里诺（JackTreynor）和莫辛（JanMossin）等人于1964年在资产组合理论和资本市场理论的基础上发展而来。该模型的基本公式为：E(R_i)=R_f+β_i[E(R_m)-R_f]，其中E(R_i)表示资产i的期望收益率，R_f表示无风险收益率，通常以短期国库券的收益率近似替代；β_i表示资产i相对于市场组合的贝塔系数，用于衡量资产的系统性风险，它反映了资产收益率对市场组合收益率变动的敏感程度；E(R_m)表示市场组合的期望收益率，(E(R_m)-R_f)则表示市场风险溢价，即市场组合相对于无风险收益率的额外收益。CAPM的核心假设包括：投资者都是风险规避者，在面临相同预期收益的情况下，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，会综合考虑预期收益和风险（用方差或标准差来衡量）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；所有投资者有相同的预期，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。其原理在于认为资产的预期收益率与风险之间存在线性关系，资产的风险仅由系统性风险决定，非系统性风险可以通过投资组合的多样化完全消除。在资产定价中，CAPM通过贝塔系数将资产的风险与市场整体风险联系起来，为投资者提供了一种基于风险的资产定价方法。例如，在股票定价中，若已知无风险收益率、市场组合的预期收益率以及某股票的β系数，便可计算出该股票的预期收益率。假设无风险收益率为3%，市场组合的预期收益率为8%，某股票的β系数为1.2，那么该股票的预期收益率就是3\%+1.2×(8\%-3\%)=9\%。然而，CAPM也存在一定的局限性。其假设条件过于理想化，在现实市场中很难完全满足。例如，完全竞争市场、无风险利率的普遍存在以及投资者具有相同预期等假设与实际情况不符。此外，贝塔系数的计算依赖历史数据，而历史数据并不能完全准确地反映未来情况，导致贝塔系数的计算可能存在误差，进而影响模型对资产预期收益率的预测精度。2.1.2套利定价理论（APT）套利定价理论（ArbitragePricingTheory，APT）由斯蒂芬・罗斯（StephenRoss）于1976年提出，该理论认为资产的收益率受到多个因素的影响，通过构建多因素模型来预测资产的收益率，并据此进行风险定价。与CAPM不同，APT不依赖于市场组合的存在，也不要求投资者具有相同的预期和风险偏好。APT的多因素模型构建基于以下思路：假设证券i的收益率R_i与K个因素F_1,F_2,\cdots,F_K相关，其表达式为R_i=E(R_i)+\sum_{j=1}^{K}β_{ij}F_j+ε_i，其中E(R_i)为证券i的预期收益率，β_{ij}表示证券i对第j个因素的敏感度（也称为因素贝塔或因素载荷），F_j为第j个因素的意外变化（即实际值与预期值的偏差），ε_i为证券i的特有风险，与各因素相互独立，且期望值为0。例如，在一个两因素模型中，若影响证券收益率的因素为国内生产总值（GDP）和利率，那么证券i的收益率就可以表示为R_i=E(R_i)+β_{i1}F_{GDP}+β_{i2}F_{IR}+ε_i，其中β_{i1}和β_{i2}分别为证券i对GDP和利率因素的敏感度，F_{GDP}和F_{IR}分别为GDP和利率的意外变化。与CAPM相比，APT具有一定的优势。它考虑的风险因素更加多样化，不仅包括市场风险，还涵盖了宏观经济因素、行业因素等对资产收益率的影响，能够更全面地解释资产价格的波动。例如，当经济增长、通货膨胀、利率变动等宏观经济因素发生变化时，APT可以通过调整相应因素的敏感度和风险溢价来更准确地反映这些因素对资产收益率的影响，而CAPM仅依赖市场组合的风险溢价来解释资产收益率的变化，相对较为单一。在实际应用中，APT常用于投资组合的构建和资产定价。投资者可以通过分析不同因素对资产收益率的影响，选择对自己有利的投资组合。然而，APT也面临一些挑战，模型的构建和参数估计相对复杂，需要确定影响资产收益率的具体因素以及各因素的敏感度和风险溢价，这在实际操作中具有一定的难度，且不同的因素选择和估计方法可能会导致模型结果的差异。2.1.3Fama-French三因子模型Fama-French三因子模型是由尤金・法玛（EugeneFama）和肯尼斯・法兰奇（KennethFrench）于1992年提出的一种资本资产定价模型的扩展，用于解释股票回报的变异性。该模型在CAPM的基础上，加入了市值因子（SMB，SmallminusBig）和账面市值比因子（HML，HighminusLow），认为股票的预期回报可以通过以下公式计算：E(R_i)=R_f+β_i(MarketRiskPremium)+s_i(SMB)+h_i(HML)，其中E(R_i)表示股票i的预期回报，R_f表示无风险收益率，β_i表示股票i的市场风险系数，MarketRiskPremium表示市场风险因子的回报率减去无风险收益率，s_i表示股票i的市值因子系数，SMB表示市值因子的超额回报，h_i表示股票i的价值因子系数，HML表示价值因子的超额回报。市场因子反映了股票市场整体的风险，通常用市场指数的收益率来衡量；市值因子（SMB）是指小市值公司股票组合与大市值公司股票组合的收益率之差，用于衡量公司规模对股票回报的影响，研究发现小市值公司的股票往往具有较高的超额收益率；账面市值比因子（HML）是指高账面市值比公司股票组合与低账面市值比公司股票组合的收益率之差，用于衡量公司的估值水平对股票回报的影响，高账面市值比的公司通常被认为是价值型公司，其股票可能具有更高的回报。Fama-French三因子模型对CAPM进行了重要的改进和补充。CAPM认为市场风险是唯一能给股票带来超额收益的风险，但实际研究发现，除市场风险外，市值风险和账面市值比风险等也对股票回报率产生显著影响。Fama-French三因子模型通过纳入市值因子和账面市值比因子，能够更好地解释股票回报率的差异，弥补了CAPM在解释股票横截面收益差异方面的不足。在实证研究中，Fama-French三因子模型表现出了较好的解释能力。许多研究表明，该模型能够比CAPM更有效地解释股票收益率的变化，尤其是对于小市值公司和价值型公司的股票。例如，对美国股票市场的实证分析发现，Fama-French三因子模型能够显著提高对股票收益率的解释力度，使得模型对资产定价的准确性和可靠性得到了提升。然而，该模型也并非完美无缺，它仍然存在一些无法解释的市场现象，如短期反转、中期动量等，在某些情况下，模型的解释能力也可能受到市场环境和数据样本的影响。2.2风险分散理论2.2.1系统性风险与非系统性风险系统性风险，又称市场风险或不可分散风险，是指由宏观经济、政治、社会等全局性因素引发的，对整个市场或大多数资产的收益和价格产生普遍影响的风险。其来源广泛，涵盖宏观经济周期波动、利率变动、通货膨胀、汇率波动、政策调整以及地缘政治冲突等。例如，在2008年全球金融危机期间，美国房地产市场泡沫破裂引发金融机构的连锁反应，导致信贷市场紧缩、股市暴跌，众多企业面临经营困境，失业率大幅上升，整个经济陷入衰退。这场危机使美国资本市场乃至全球金融市场遭受重创，几乎所有类型的资产价格都大幅下跌，股票、债券、房地产等资产的投资者均遭受不同程度的损失，这充分体现了系统性风险的广泛影响和不可分散性。系统性风险具有普遍性和不可分散性的特点。它会对整个市场产生影响，所有资产或多或少都会受到波及，投资者无法通过分散投资来消除这类风险。从对资产定价的影响机制来看，系统性风险通过改变市场的整体风险溢价水平来影响资产价格。当系统性风险增加时，投资者对资产的预期收益率要求提高，导致资产价格下降；反之，当系统性风险降低时，资产价格则可能上升。非系统性风险，也被称为特定风险、异质风险或可分散风险，是指由个别公司或行业特有的因素所导致的风险，这些因素通常与公司的经营管理、财务状况、市场竞争地位以及行业发展趋势等相关。例如，某公司因管理不善导致财务造假被曝光，其股价可能会大幅下跌，而同行业其他公司的股价可能不受影响。又如，某行业因技术创新引发竞争格局变化，部分企业可能因未能及时跟上技术变革的步伐而面临市场份额下降、盈利能力减弱的风险。非系统性风险具有个别性和可分散性的特点。它仅对特定的公司或行业产生影响，通过投资组合的多样化，投资者可以有效地降低甚至消除这类风险。在资产定价方面，非系统性风险在充分分散的投资组合中不会对资产的预期收益率产生显著影响，因为投资者可以通过分散投资将其分散掉。然而，在非充分分散风险的情况下，非系统性风险会增加资产的风险水平，投资者可能会要求更高的风险溢价来补偿承担的额外风险，从而影响资产的定价。2.2.2投资组合与风险分散投资组合分散风险的原理基于资产之间的相关性。当投资者将资金分散投资于不同资产时，如果这些资产的收益率不是完全正相关的，那么它们在不同市场环境下的表现就会有所差异。当一种资产的收益率下降时，另一种资产的收益率可能保持稳定甚至上升，从而起到相互抵消风险的作用。假设投资者同时投资股票A和股票B，股票A在经济扩张期表现较好，而股票B在经济收缩期相对稳定。当经济处于扩张阶段时，股票A的价格上涨，带动投资组合的价值上升；当经济进入收缩阶段，股票A的价格可能下跌，但股票B的稳定性可以在一定程度上缓冲投资组合的价值损失，使得投资组合的整体风险得到降低。在构建投资组合时，常用的方法包括资产类别分散、地域分散和行业分散。资产类别分散是指将资金投资于不同类型的资产，如股票、债券、现金、房地产等，因为不同资产类别在风险和收益特征上存在差异，其价格波动往往不完全同步，通过合理配置不同资产类别，可以降低投资组合的整体风险。地域分散是指投资于不同国家或地区的资产，不同地区的经济发展状况、政策环境和市场情况各不相同，通过地域分散可以减少因某个地区经济衰退或政治动荡对投资组合造成的影响。行业分散则是将资金分散投资于不同行业的公司股票，避免因某个行业出现系统性风险而导致投资组合遭受重大损失。例如，一个投资组合中既包含科技行业的股票，也包含消费、金融、医疗等行业的股票，当科技行业受到技术变革或政策调整的冲击时，其他行业的股票可能保持相对稳定，从而稳定投资组合的整体表现。通过合理的资产配置，投资者可以有效地降低非系统性风险。当投资组合中包含的资产数量逐渐增加时，非系统性风险会随着资产数量的增加而逐渐减小，当资产数量足够多时，非系统性风险可以被近似完全消除。然而，需要注意的是，无论如何进行资产配置，系统性风险始终存在，无法通过分散投资来消除。2.2.3充分分散风险与非充分分散风险的界定充分分散风险是指投资者通过构建包含足够多资产的投资组合，使得非系统性风险被有效分散，投资组合的风险主要由系统性风险决定。在充分分散风险的情况下，投资组合的收益率与市场组合的收益率之间呈现出高度的相关性，投资组合的风险-收益特征符合资本资产定价模型（CAPM）等传统资产定价模型的假设。判断投资组合是否充分分散风险，可以通过计算投资组合的风险分散程度指标，如非系统性风险占总风险的比例。当非系统性风险占总风险的比例趋近于0时，可以认为投资组合实现了充分分散风险。非充分分散风险则是指投资者由于各种原因，未能构建足够多样化的投资组合，导致非系统性风险无法被有效分散，投资组合中仍然包含较高比例的非系统性风险。非充分分散风险产生的原因主要包括交易成本、信息不对称和投资限制等。交易成本是指投资者在买卖资产过程中需要支付的手续费、佣金、印花税等费用，这些成本会增加投资的总成本，使得投资者在进行资产配置时可能会受到限制，无法实现完全的多样化投资。信息不对称是指投资者在获取和分析资产信息时存在差异，部分投资者可能无法及时、准确地了解某些资产的真实价值和风险状况，从而影响其投资决策，导致投资组合的分散程度不足。投资限制则是指投资者受到法律法规、投资政策、资金规模等因素的限制，无法自由地选择投资资产，例如，某些机构投资者可能受到监管要求的限制，只能投资于特定类型或特定行业的资产，这使得他们难以构建充分分散的投资组合。非充分分散风险会对投资组合的风险和收益产生显著影响。它会增加投资组合的整体风险水平，使得投资组合的收益率波动加剧，投资者面临更大的不确定性。非充分分散风险还可能导致投资组合的预期收益率偏离理论值，因为投资者承担了额外的非系统性风险，但却未能获得相应的风险补偿，从而降低了投资组合的投资效率。在非充分分散风险的情况下，传统资产定价模型的有效性会受到挑战，因为这些模型假设投资者能够充分分散风险，非系统性风险对资产定价的影响被忽略，而实际市场中存在的非充分分散风险使得非系统性风险成为影响资产定价的重要因素，需要对传统资产定价模型进行修正和拓展，以更好地解释和预测资产价格的波动。2.3国内外研究现状国外对美国资本市场资产定价模型的研究起步较早，成果丰硕且持续深入发展。早期以CAPM为核心，学者们围绕其假设条件、理论推导及实证检验展开广泛研究。威廉・夏普（WilliamSharpe）等学者构建CAPM，为资产定价理论奠定基础，后续众多研究对其在不同市场环境和资产类别中的应用进行验证。如布莱克（Black）、詹森（Jensen）和斯科尔斯（Scholes）在1972年发表的论文中，通过对美国股票市场数据的实证分析，检验了CAPM的有效性，研究发现市场组合的风险溢价与预期收益率之间存在正相关关系，一定程度上支持了CAPM。随着研究深入，学者们逐渐发现CAPM在解释市场现象时的局限性，进而提出了APT和Fama-French三因子模型等。斯蒂芬・罗斯（StephenRoss）提出APT，引入多因素解释资产收益率，拓宽了资产定价研究思路。法玛（Fama）和法兰奇（French）提出的Fama-French三因子模型，加入市值因子和账面市值比因子，对美国股票市场横截面收益差异的解释能力明显优于CAPM。此后，学者们不断对这些模型进行改进和拓展，如引入流动性因子、动量因子等新因素，以提高模型对资产定价的解释力。如刘（Liu）、斯特鲁茨（Stulz）和张（Zhang）在2009年的研究中，考虑了流动性风险对资产定价的影响，发现流动性较差的资产往往具有更高的预期收益率。国内相关研究在借鉴国外理论的基础上，结合中国资本市场特点展开，近年来在非充分分散风险下资产定价模型研究方面也取得一定进展。学者们通过对中国资本市场数据的实证分析，探讨传统资产定价模型在中国市场的适用性，并尝试构建适合中国市场的资产定价模型。在研究非充分分散风险对资产定价的影响时，国内学者关注到中国资本市场存在的特殊制度因素，如股权分置改革、投资者结构差异等对风险分散和资产定价的作用。一些研究运用计量经济学方法，对非充分分散风险下的资产定价模型进行参数估计和假设检验，分析不同风险因素在资产定价中的作用机制。当前研究仍存在不足与空白。在理论研究方面，虽然众多资产定价模型不断涌现，但如何将非充分分散风险因素全面、准确地纳入模型，尚未形成统一且完善的理论框架，各模型在解释非充分分散风险下资产定价时仍存在一定局限性。在实证研究中，不同学者选取的数据样本和研究方法存在差异，导致研究结果的可比性和普适性受到影响。对非充分分散风险下资产定价模型在新兴金融产品和复杂市场环境中的应用研究相对较少，如对加密货币、结构化金融产品等新兴领域的资产定价研究不足。针对这些问题，未来研究可进一步完善理论模型，加强实证研究的规范性和全面性，拓展研究领域，以深入揭示非充分分散风险下资产定价的规律和机制。三、美国资本市场现状分析3.1美国资本市场的结构与特点美国资本市场是全球规模最大、最具影响力的资本市场之一，由多个子市场构成，包括股票市场、债券市场、期货市场、外汇市场以及金融衍生品市场等，各子市场相互关联、协同发展，为投资者提供了丰富多样的投资选择和风险管理工具。股票市场作为美国资本市场的核心组成部分，规模庞大且高度发达。纽约证券交易所（NYSE）是全球最大的证券交易所之一，截至2023年底，其上市公司数量超过2400家，总市值超过30万亿美元。NYSE以传统的手势交易方式著称，近年来也积极引入电子交易系统，实现了交易方式的多元化。该交易所主要服务于大型成熟企业，上市标准严格，涵盖了众多行业的龙头企业，如苹果、可口可乐、IBM等，这些企业凭借其稳定的业绩和广泛的市场影响力，吸引了大量投资者的关注和资金投入。纳斯达克（NASDAQ）则是全球最大的电子股票交易市场，成立于1971年。与NYSE不同，NASDAQ主要为中小型企业和高科技公司提供服务，上市门槛相对较低，这使得许多具有创新精神和高成长潜力的科技企业得以在该市场上市融资，如微软、亚马逊、谷歌等。NASDAQ以科技股和成长股为主，其市场表现对全球科技行业的发展趋势具有重要的引领作用，吸引了众多对科技行业前景看好的投资者。除了NYSE和NASDAQ这两大主要交易所外，美国还有一些其他的证券交易所，如美国证券交易所（AMEX），它曾是美国第三大证券交易所，后被纽约证券交易所集团收购，主要服务于中小型公司。此外，场外交易市场（OTC）也为非上市或较小市值的公司提供了交易服务，包括柜台公告板（OTCBB）和粉单市场（PinkSheets）等。OTC市场的上市标准较为宽松，为初创企业和高风险企业提供了融资和股权交易的渠道，满足了不同层次企业的融资需求。美国债券市场同样规模巨大，是全球最大的债券市场之一。它主要由国债、市政债券、公司债券、抵押支持债券等构成。国债是美国政府为筹集资金而发行的债券，以美国政府的信用为担保，具有安全性高、流动性强的特点，是投资者进行资产配置和风险管理的重要工具。市政债券由州和地方政府发行，用于基础设施建设、教育、医疗等公共项目，其利息收入通常免征联邦所得税，对追求稳定收益的投资者具有一定的吸引力。公司债券则是企业为筹集资金而发行的债务凭证，根据发行企业的信用状况和债券条款的不同，其风险和收益水平也存在差异。抵押支持债券是以房地产抵押贷款为基础资产发行的证券，在2008年全球金融危机前规模迅速扩张，但危机爆发后，其市场结构和监管政策发生了重大调整。美国期货市场在全球期货交易中占据重要地位，拥有多个知名的期货交易所，如芝加哥商品交易所集团（CMEGroup），旗下包括芝加哥商业交易所（CME）、芝加哥期货交易所（CBOT）等。这些交易所提供了丰富的期货合约品种，涵盖农产品、能源、金属、金融等多个领域。农产品期货合约如玉米、大豆、小麦等，反映了农业生产和市场供求关系的变化；能源期货合约如原油、天然气等，对全球能源市场的价格形成和风险管理具有重要作用；金属期货合约如黄金、白银、铜等，不仅是投资者进行套期保值和投机交易的工具，也与全球经济增长和工业生产密切相关；金融期货合约如股指期货、利率期货等，则为投资者提供了对冲股票市场风险和利率风险的有效手段。美国资本市场具有高度的流动性，这使得投资者能够快速、低成本地买卖资产。以股票市场为例，每天的交易量巨大，大量的买卖订单使得股票价格能够及时反映市场信息，投资者可以在市场中迅速找到交易对手，实现资产的买卖操作。这种高流动性不仅提高了市场的效率，也增强了市场的吸引力，吸引了全球范围内的投资者参与其中。美国资本市场对全球投资者开放，吸引了来自世界各地的资金。无论是大型金融机构、主权财富基金，还是个人投资者，都可以较为便捷地参与美国资本市场的交易。众多国际知名企业选择在美国上市，进一步增强了市场的国际化程度。这种开放性使得美国资本市场能够汇聚全球的资金和资源，促进了资本的全球流动和配置效率的提升。美国资本市场形成了多层次的市场体系，从主板市场到创业板市场，再到场外交易市场，不同层次的市场满足了不同规模、不同发展阶段企业的融资需求。主板市场为大型成熟企业提供融资平台，其上市标准严格，要求企业具有稳定的盈利能力、良好的财务状况和较高的市场知名度；创业板市场则侧重于服务创新型中小企业，上市标准相对宽松，注重企业的成长潜力和创新能力；场外交易市场为初创期和高风险企业提供了融资机会，其上市门槛较低，交易方式灵活。这种多层次的市场体系为企业的发展提供了全方位的支持，也为投资者提供了多样化的投资选择。3.2美国资本市场的风险特征3.2.1市场风险美国资本市场的市场风险主要源于宏观经济波动和政策变化。宏观经济波动方面，美国经济周期的变化对资本市场有着显著影响。在经济扩张期，企业盈利增加，投资者信心增强，股票市场往往呈现上涨趋势，市场交易量和市值不断攀升。在经济衰退期，企业面临销售下滑、利润减少等困境，投资者对市场前景的预期转悲观，导致股票价格下跌，市场风险显著增加。例如，在2008年全球金融危机期间，美国经济陷入严重衰退，国内生产总值（GDP）大幅下降，失业率急剧上升，股票市场遭受重创，标准普尔500指数在2008年全年下跌超过38%，众多企业股价暴跌，大量投资者遭受巨大损失。政策变化也是引发市场风险的重要因素。美国的货币政策和财政政策对资本市场影响深远。美联储的货币政策调整，如利率变动和量化宽松政策，会直接影响市场的资金成本和流动性。当美联储加息时，市场利率上升，企业融资成本增加，债券价格下跌，股票市场也会受到冲击，因为投资者会将资金从股票市场转移到债券市场或其他固定收益类产品，以获取更高的收益和稳定性。财政政策方面，政府的税收政策、支出计划以及债务管理等都会对资本市场产生影响。例如，政府增加财政支出或实施减税政策，可能会刺激经济增长，提升企业盈利预期，从而推动股票市场上涨；反之，政府削减支出或增加税收，可能会抑制经济增长，导致股票市场下跌。度量市场风险的常用指标包括波动率指数（VIX）、标准差和贝塔系数等。波动率指数（VIX），又称恐慌指数，是衡量市场投资者对未来30天股票市场波动性预期的指标。当VIX指数上升时，表明投资者对市场未来的不确定性增加，市场恐慌情绪上升，市场风险加大；反之，当VIX指数下降时，说明投资者对市场的信心增强，市场风险相对降低。标准差用于衡量资产收益率的波动程度，标准差越大，说明资产收益率的波动越大，市场风险越高；贝塔系数则用于衡量资产相对于市场组合的系统性风险，贝塔系数大于1，表示资产的系统性风险高于市场平均水平，市场波动对其影响较大；贝塔系数小于1，则表示资产的系统性风险低于市场平均水平。从变化趋势来看，美国资本市场的市场风险呈现出周期性波动的特点。在经济繁荣时期，市场风险相对较低，波动率指数（VIX）处于较低水平，资产收益率的标准差和贝塔系数也相对稳定。当经济面临衰退压力或政策发生重大调整时，市场风险会迅速上升，VIX指数大幅攀升，标准差和贝塔系数也会相应增大。在2020年初，受新冠肺炎疫情爆发的影响，美国资本市场面临巨大的不确定性，VIX指数在短时间内急剧上升，一度突破80，创历史新高，反映出市场投资者的极度恐慌情绪和市场风险的大幅增加。随着疫情防控措施的实施和政府经济刺激政策的出台，市场风险逐渐得到缓解，VIX指数逐步下降，但仍保持在相对较高的水平，表明市场仍然存在一定的不确定性和风险。3.2.2行业风险美国资本市场中不同行业的风险特征存在显著差异，这主要受到行业自身特点和市场环境等多种因素的影响。科技行业具有高创新性和高成长性的特点，但同时也面临着技术更新换代快、市场竞争激烈的风险。随着科技的快速发展，新技术、新产品不断涌现，科技企业需要持续投入大量资金进行研发，以保持技术领先地位和市场竞争力。一旦企业在技术创新方面落后，可能会迅速失去市场份额，面临被淘汰的风险。智能手机市场竞争激烈，苹果、三星等巨头不断推出新的产品和技术，其他中小手机厂商如果不能及时跟上技术创新的步伐，就很难在市场中立足。科技行业还面临着知识产权保护、数据安全等方面的风险，这些风险一旦发生，可能会给企业带来巨大的经济损失和声誉损害。消费行业的风险特征与消费者需求和市场竞争密切相关。消费者需求的变化具有不确定性，受到经济形势、消费者偏好、社会文化等多种因素的影响。在经济衰退时期，消费者可能会减少非必要消费支出，导致消费行业企业的销售额下降。消费者偏好的变化也可能使某些产品或品牌失去市场青睐。消费行业市场竞争激烈，企业需要不断投入营销费用，提升品牌知名度和产品竞争力，以吸引消费者。如果企业不能准确把握市场需求，推出符合消费者需求的产品，或者在市场竞争中处于劣势，就可能面临业绩下滑的风险。医药行业的风险主要体现在研发风险、政策风险和市场风险等方面。医药研发具有周期长、投入大、成功率低的特点，一款新药从研发到上市往往需要数年甚至数十年的时间，期间需要投入大量的资金和人力。如果研发过程中遇到技术难题或临床试验失败，企业将面临巨大的损失。医药行业受到严格的政策监管，药品审批、医保政策等的变化都会对企业的生产经营产生重大影响。市场竞争方面，随着全球医药市场的不断发展，各大药企之间的竞争日益激烈，企业需要不断提升研发能力和产品质量，以在市场中占据一席之地。行业风险对资产定价的作用机制主要体现在风险溢价的调整上。当一个行业面临较高的风险时，投资者会要求更高的风险溢价来补偿其承担的风险，从而导致该行业资产的预期收益率上升，资产价格下降。例如，对于风险较高的科技行业股票，投资者通常会要求更高的预期收益率，使得科技股的估值相对较低；而对于风险相对较低的消费行业股票，投资者要求的风险溢价相对较低，消费股的估值可能相对较高。行业风险还会影响企业的融资成本，风险较高的行业企业在融资时可能需要支付更高的利率，这也会对企业的资产定价产生影响。3.2.3公司特定风险公司特定风险主要由公司内部因素决定，其中公司财务状况和管理层能力是两个关键因素。公司财务状况直接反映了公司的经营成果和偿债能力，对公司风险有着重要影响。如果公司的资产负债率过高，说明公司的债务负担较重，面临较大的偿债压力，一旦市场环境恶化或公司经营不善，可能会出现债务违约的风险，进而影响公司的正常运营和发展。盈利能力也是衡量公司财务状况的重要指标，持续稳定的盈利能力是公司健康发展的基础。如果公司盈利能力下降，可能会导致投资者对公司的信心下降，股票价格下跌。例如，若一家公司连续多年出现亏损，其股票价格往往会大幅下跌，公司在资本市场上的融资能力也会受到严重削弱。管理层能力对公司风险同样起着至关重要的作用。优秀的管理层能够制定合理的战略规划，准确把握市场机会，有效组织和管理公司的生产经营活动，降低公司面临的风险。他们能够根据市场变化及时调整公司的发展方向，合理配置资源，提高公司的运营效率和竞争力。相反，若管理层能力不足，可能会导致公司战略失误、决策不当，使公司面临更高的风险。如管理层在投资决策时缺乏充分的市场调研和分析，盲目投资一些高风险项目，可能会给公司带来巨大的财务损失。评估公司特定风险的方法主要包括财务比率分析和定性评估。财务比率分析通过计算公司的各项财务指标，如资产负债率、流动比率、毛利率、净利率等，来评估公司的财务状况和风险水平。资产负债率过高可能意味着公司的财务风险较大，而毛利率和净利率较低则可能反映出公司的盈利能力较弱。定性评估则主要通过对公司管理层能力、公司治理结构、企业文化等方面进行分析，来评估公司的风险状况。考察管理层的行业经验、领导能力、决策能力等，以及公司治理结构是否完善，是否存在有效的监督机制等。针对公司特定风险，企业可以采取多种应对策略。在财务风险管理方面，企业应合理规划资本结构，控制债务规模，确保偿债能力。通过优化资产配置，提高资产质量和运营效率，增强盈利能力。在提升管理层能力方面，企业应加强人才培养和引进，选拔具有丰富经验和专业知识的管理人员，同时建立健全激励机制，提高管理层的积极性和责任心。企业还应加强内部管理，完善公司治理结构，建立有效的风险预警和控制机制，及时发现和应对潜在的风险。3.3美国资本市场投资者行为分析美国资本市场的投资者主要包括机构投资者和个人投资者，他们在投资策略、风险偏好以及投资行为特点等方面存在显著差异，这些差异对资产定价产生了重要影响。机构投资者在美国资本市场中占据主导地位，包括共同基金、养老基金、保险公司、对冲基金等。共同基金是一种集合投资工具，通过向投资者发售基金份额，将众多投资者的资金集中起来，由专业的基金管理人进行投资运作。养老基金则是为保障员工退休后的生活而设立的一种长期投资基金，其资金主要来源于雇主和员工的缴费。保险公司通过收取保费积累资金，并将部分资金投资于资本市场，以实现资金的保值增值。对冲基金则是一种采用复杂投资策略的私募基金，通过运用杠杆、卖空、衍生品等工具，追求绝对收益。不同类型的机构投资者具有不同的投资策略和风险偏好。共同基金通常采用分散投资策略，通过投资于多种资产类别，如股票、债券、现金等，以降低投资风险。养老基金由于其投资期限较长，更注重资产的长期稳定增值，通常会将大部分资金投资于股票和债券等长期资产。保险公司在投资时，会根据其保险业务的特点和风险状况，合理配置资产，注重资产的安全性和流动性。对冲基金则追求高收益，愿意承担较高的风险，其投资策略较为灵活，包括套利交易、事件驱动投资、量化投资等。个人投资者在美国资本市场中也占有一定比例，他们的投资行为受到多种因素的影响。个人投资者的投资行为特点表现为：投资决策相对较为分散，缺乏专业的投资知识和经验，往往容易受到市场情绪和信息的影响。在投资决策过程中，个人投资者通常会考虑自身的风险承受能力、投资目标和投资期限等因素。风险承受能力较低的个人投资者可能更倾向于选择风险较低的投资产品，如债券、货币基金等；而风险承受能力较高的个人投资者则可能会选择风险较高的投资产品，如股票、股票型基金等。投资目标也会影响个人投资者的投资决策，如为了实现长期的财富增值，个人投资者可能会选择长期投资股票；而如果是为了短期的资金增值或应对突发情况，个人投资者可能会选择流动性较好的货币基金或短期债券。市场情绪和信息对个人投资者的投资行为影响较大。当市场处于牛市时，投资者往往会受到乐观情绪的影响，增加投资；而当市场处于熊市时，投资者可能会受到悲观情绪的影响，减少投资。信息的获取和处理能力也会影响个人投资者的投资决策，个人投资者如果能够及时、准确地获取市场信息，并对信息进行合理的分析和判断，就能够做出更明智的投资决策。个人投资者也容易受到媒体报道、他人建议等信息的影响，导致投资决策的盲目性。投资者行为对资产定价具有重要影响。投资者的风险偏好会影响资产的风险溢价，进而影响资产的定价。风险偏好较高的投资者愿意承担较高的风险，他们对风险资产的需求较高，会推动风险资产价格上升，降低其风险溢价；而风险偏好较低的投资者则更倾向于选择安全资产，对风险资产的需求较低，会导致风险资产价格下降，提高其风险溢价。投资者的投资决策还会影响市场的供求关系，从而影响资产价格。当大量投资者看好某类资产时，会增加对该资产的需求，导致资产价格上涨；反之，当投资者对某类资产持悲观态度时，会减少对该资产的需求，导致资产价格下跌。投资者的投资行为还会通过影响市场的流动性和信息传递，对资产定价产生间接影响。如果市场中投资者的交易活跃度较高，市场流动性较好，资产价格能够更及时地反映市场信息，定价效率也会更高。投资者之间的信息不对称也会影响资产定价，掌握更多信息的投资者能够更准确地评估资产的价值，从而在交易中占据优势，影响资产价格的形成。四、非充分分散风险下资产定价模型实证研究设计4.1数据选取与样本描述本研究选取美国资本市场作为研究对象，数据主要来源于知名金融数据提供商彭博（Bloomberg）和标准普尔道琼斯指数公司（S&PDowJonesIndices），涵盖股票、债券等多个金融资产类别。数据时间范围设定为2010年1月至2023年12月，这一时间段经历了美国经济从金融危机后的复苏、持续增长以及面临新的经济挑战等不同阶段，能够较为全面地反映市场的多样性和动态变化，为研究非充分分散风险下的资产定价提供丰富的样本数据。在股票数据方面，从纽约证券交易所（NYSE）和纳斯达克（NASDAQ）选取了500家具有代表性的上市公司作为样本。这些公司覆盖了多个行业，包括科技、金融、消费、能源、医疗等，以确保样本能够反映不同行业的风险特征和市场表现。对于每家上市公司，收集其每日的股票收盘价、成交量、流通股数等交易数据，以及季度和年度的财务报表数据，如营业收入、净利润、资产负债表等，用于计算相关财务指标和风险因素。债券数据则主要来源于美国国债市场和公司债券市场。从美国国债市场获取不同期限国债的收益率数据，包括1个月期、3个月期、6个月期、1年期、5年期、10年期等国债收益率，以构建无风险利率曲线和衡量市场利率波动。在公司债券市场，选取了300只不同信用评级、不同期限的公司债券作为样本，收集其发行价格、票面利率、到期日、信用评级等信息，用于分析债券的风险与收益关系。为确保数据的质量和可靠性，对收集到的数据进行了严格的预处理。首先，对缺失值进行处理，对于少量的缺失数据，采用均值填充、线性插值等方法进行补充；对于缺失较多的数据，如某些公司财务报表中关键指标缺失严重，则将该样本剔除。其次，对异常值进行识别和处理，通过计算数据的四分位数、标准差等统计量，设定合理的阈值，将明显偏离正常范围的数据视为异常值，并进行修正或剔除。对样本数据进行描述性统计分析，结果如下表所示：变量观测值均值标准差最小值最大值股票收益率720000.00080.025-0.150.18债券收益率432000.0030.008-0.020.05股票市值（百万美元）60005000350010025000债券信用评级（标准普尔评级）3600BBB1.2BBAAA股票市盈率600020.58.5550股票市净率60002.81.50.58从股票收益率来看，均值为0.0008，表明平均每日股票收益率相对较低，但标准差为0.025，说明股票收益率的波动较大，不同股票之间的收益率差异明显。债券收益率均值为0.003，相对较为稳定，标准差为0.008，波动较小，反映出债券市场的风险相对较低。股票市值方面，均值为5000百万美元，标准差为3500百万美元，说明样本中上市公司的规模差异较大。债券信用评级以BBB为主，反映出样本公司债券的信用质量整体处于中等水平。股票市盈率和市净率的统计结果显示，样本股票的估值水平存在一定差异。这些数据特征为后续的实证研究提供了基础，有助于深入分析非充分分散风险下资产定价的影响因素和作用机制。4.2变量定义与模型构建在本研究中，为准确衡量资产的预期收益率与风险之间的关系，定义了一系列关键变量。无风险利率（R_f）选取美国国债收益率作为替代，美国国债以美国政府的信用为担保，违约风险极低，被广泛视为无风险资产。在数据处理中，根据国债的不同期限，选择1年期国债收益率作为无风险利率的代表，以反映市场短期的无风险收益水平。这一选择考虑到1年期国债在市场中的流动性较高，其收益率能够较为及时地反映市场资金的供求状况和短期利率走势。市场收益率（R_m）则采用标准普尔500指数（S&P500）的收益率来衡量。标准普尔500指数涵盖了美国500家具有代表性的上市公司，这些公司分布在不同行业，市值规模较大，能够较好地反映美国股票市场的整体表现。通过计算该指数的收益率，可以代表市场组合的收益率，进而衡量市场整体的风险和收益水平。对于风险因子，根据不同的资产定价模型进行了相应的定义。在资本资产定价模型（CAPM）中，主要风险因子为市场风险溢价（R_m-R_f），它反映了投资者为承担市场风险所要求的额外收益，体现了市场整体风险对资产预期收益率的影响。在套利定价理论（APT）中，考虑多个风险因子对资产收益率的影响。参考相关研究和市场实际情况，选取国内生产总值（GDP）增长率、通货膨胀率、利率变动等作为风险因子。GDP增长率反映了宏观经济的增长态势，对企业的盈利和资产收益率有着重要影响；通货膨胀率会影响企业的成本和消费者的购买力，进而影响资产价格；利率变动则直接影响企业的融资成本和投资者的资金成本，对资产收益率产生显著作用。对于每个风险因子，通过收集宏观经济数据，如美国经济分析局（BEA）发布的GDP数据、劳工统计局（BLS）公布的通货膨胀数据以及美联储公布的利率数据等，计算其意外变化值，即实际值与预期值的偏差，作为APT模型中的风险因子变量。在Fama-French三因子模型中，除市场风险溢价（R_m-R_f）外，还引入了市值因子（SMB）和账面市值比因子（HML）。市值因子（SMB）通过构建不同市值规模股票组合的收益率差异来计算，具体方法为：每月末，根据上市公司的市值将样本股票分为大市值（B）和小市值（S）两组，分别计算两组股票组合的平均收益率，市值因子（SMB）等于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。账面市值比因子（HML）则是通过构建不同账面市值比股票组合的收益率差异来计算，每月末，将样本股票按账面市值比分为高账面市值比（H）、中账面市值比（M）和低账面市值比（L）三组，计算高账面市值比股票组合平均收益率与低账面市值比股票组合平均收益率之差，即为账面市值比因子（HML）。基于上述变量定义，构建以下资产定价模型：资本资产定价模型（CAPM）：E(R_i)=R_f+β_i[E(R_m)-R_f]，该模型基于投资者能够充分分散风险的假设，认为资产的预期收益率仅取决于系统性风险，通过贝塔系数（β_i）衡量资产相对于市场组合的风险敏感度，市场风险溢价（E(R_m)-R_f）反映了市场整体风险对资产预期收益率的影响。在实际应用中，通过对历史数据的回归分析，估计贝塔系数（β_i），进而预测资产的预期收益率。套利定价模型（APT）：E(R_i)=R_f+\sum_{j=1}^{K}β_{ij}F_j，其中K表示风险因子的数量，β_{ij}表示资产i对第j个风险因子的敏感度，F_j为第j个风险因子的意外变化。该模型放松了CAPM中投资者能够充分分散风险的假设，认为资产收益率受到多个系统性风险因子的影响，通过考虑多个风险因子，可以更全面地解释资产价格的波动。在本研究中，根据前文选取的风险因子，通过回归分析估计各风险因子的敏感度（β_{ij}），从而构建APT模型。Fama-French三因子模型：E(R_i)=R_f+β_i[E(R_m)-R_f]+s_iE(SMB)+h_iE(HML)，该模型在CAPM的基础上，加入了市值因子（SMB）和账面市值比因子（HML），认为股票的预期回报不仅与市场风险有关，还与公司规模和估值水平相关。β_i表示资产i对市场风险溢价的敏感度，s_i表示资产i对市值因子的敏感度，h_i表示资产i对账面市值比因子的敏感度。通过对历史数据的回归分析，估计各因子的敏感度，以评估不同风险因素对资产预期收益率的影响。这些模型设定的依据主要基于资产定价理论的发展和市场实际情况。CAPM作为经典的资产定价模型，为后续研究奠定了基础，其简洁的形式和明确的风险-收益关系在理论研究和实践应用中具有重要意义。APT则是对CAPM的拓展，考虑到市场中存在多种风险因素，通过多因素模型更全面地解释资产定价。Fama-French三因子模型则是在实证研究的基础上，发现市值和账面市值比等因素对股票收益率具有显著影响，从而对CAPM进行改进，提高了模型对股票横截面收益差异的解释能力。通过对这些模型的构建和分析，可以深入研究非充分分散风险下资产定价的特征和规律。4.3实证方法选择为深入探究非充分分散风险下资产定价模型的有效性和适用性，本研究综合运用多种实证方法，从不同角度对模型进行检验和分析。回归分析是本研究的重要实证方法之一，用于检验模型中各参数的显著性。在构建资本资产定价模型（CAPM）、套利定价模型（APT）和Fama-French三因子模型后，通过普通最小二乘法（OLS）进行回归估计，以确定各风险因子与资产预期收益率之间的关系是否显著。在CAPM模型中，通过回归分析检验市场风险溢价（R_m-R_f）对资产预期收益率的影响是否显著，估计贝塔系数（β_i）并检验其显著性，以判断资产的系统性风险与预期收益率之间是否存在如模型所假设的线性关系。在APT模型中，对多个风险因子（如GDP增长率、通货膨胀率、利率变动等）与资产收益率进行回归，检验各风险因子的系数是否显著不为零，从而确定这些风险因子对资产定价的影响是否显著。通过回归分析，可以评估模型对资产收益率的解释能力，确定哪些风险因子在非充分分散风险的环境下对资产定价起到关键作用。时间序列分析用于研究资产定价模型的动态表现。由于金融市场数据具有时间序列特性，资产收益率和风险因子等变量随时间变化呈现出一定的趋势和波动规律。运用时间序列分析方法，如自回归移动平均模型（ARIMA）、广义自回归条件异方差模型（GARCH）等，可以对资产收益率和风险因子的时间序列数据进行建模和预测。ARIMA模型能够捕捉时间序列数据中的趋势和季节性特征，通过对历史数据的分析，预测未来资产收益率和风险因子的变化趋势。GARCH模型则主要用于刻画金融时间序列数据的异方差性，即波动率的时变性，能够更准确地描述资产收益率波动的聚集性和持续性特征，分析市场风险在不同时期的变化情况，以及风险对资产定价的动态影响。通过时间序列分析，可以深入了解资产定价模型在不同时间点的表现，为投资者把握市场时机、制定动态投资策略提供依据。面板数据分析则用于研究不同资产在非充分分散风险下的定价差异。面板数据结合了横截面数据和时间序列数据的特点，既包含了多个资产在不同时间点的信息，又能反映不同资产之间的个体差异。利用面板数据模型，如固定效应模型和随机效应模型，可以控制个体异质性和时间效应，更准确地估计风险因子对不同资产定价的影响。在研究股票和债券等不同资产类别时，采用面板数据分析方法，可以分析市场风险、行业风险和公司特定风险等因素在不同资产中的定价机制是否存在差异，以及这些差异如何受到非充分分散风险的影响。通过面板数据分析，可以为投资者进行资产配置提供更有针对性的建议，帮助投资者根据不同资产的风险特征和定价规律，优化投资组合，降低非充分分散风险带来的影响。在进行回归分析时，为确保结果的可靠性和有效性，需对数据进行严格的预处理，包括数据清洗、异常值处理等，并对回归模型的假设条件进行检验，如残差的正态性、独立性和同方差性等。在时间序列分析中，要对时间序列数据进行平稳性检验，对于非平稳数据，需进行差分或其他变换使其平稳，以避免伪回归问题。在面板数据分析中，需要根据数据特征和研究目的选择合适的模型，通过Hausman检验等方法确定采用固定效应模型还是随机效应模型，并对模型的稳健性进行检验。通过综合运用多种实证方法，并严格进行方法选择和检验，能够更全面、深入地研究非充分分散风险下的资产定价模型，为理论研究和实践应用提供有力支持。五、实证结果与分析5.1描述性统计结果对样本数据进行描述性统计，结果如表1所示，涵盖了股票收益率、债券收益率、股票市值、债券信用评级、股票市盈率和市净率等关键变量。表1：样本数据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720000.00080.025-0.150.18债券收益率432000.0030.008-0.020.05股票市值（百万美元）60005000350010025000债券信用评级（标准普尔评级）3600BBB1.2BBAAA股票市盈率600020.58.5550股票市净率60002.81.50.58从股票收益率来看，均值为0.0008，表明平均每日股票收益率相对较低，这可能与美国资本市场整体的风险-收益特征以及样本选取的时间段有关。标准差为0.025，数值较大，说明股票收益率的波动较为剧烈，不同股票之间的收益率差异明显，反映出股票市场的高风险性和不确定性。在样本期间内，股票收益率的最小值为-0.15，最大值为0.18，这进一步体现了股票市场的大幅波动，投资者在股票投资中面临着较大的收益不确定性。债券收益率均值为0.003，相对较为稳定，说明债券市场在样本期间内的整体收益水平较为平稳。标准差为0.008，波动较小，反映出债券市场的风险相对较低，这与债券作为固定收益类证券的特性相符，其收益相对稳定，受市场波动的影响较小。债券收益率的最小值为-0.02，最大值为0.05，虽然波动范围相对较小，但也受到宏观经济、利率变动、信用风险等因素的影响。股票市值方面，均值为5000百万美元，标准差为3500百万美元，说明样本中上市公司的规模差异较大。这反映了美国资本市场的多元化和包容性，既有大型的蓝筹股公司，也有中小型的成长型企业，不同规模的公司在市场中共同发展，为投资者提供了多样化的投资选择。市值的最小值为100百万美元，最大值为25000百万美元，进一步体现了样本公司规模的巨大差异。债券信用评级以BBB为主，均值为BBB，标准差为1.2，说明样本公司债券的信用质量整体处于中等水平。在标准普尔评级体系中，BBB级表示债券具有一定的信用保障，但也存在一定的风险。信用评级的最小值为BB，最大值为AAA，反映出样本债券的信用质量存在差异，投资者在投资债券时需要关注债券的信用评级，以评估其违约风险。股票市盈率和市净率的统计结果显示，样本股票的估值水平存在一定差异。市盈率均值为20.5，标准差为8.5，说明不同股票的市盈率分布较为分散，反映了市场对不同股票的盈利预期和估值存在差异。市净率均值为2.8，标准差为1.5，同样表明样本股票的市净率存在一定的波动，投资者在评估股票价值时，需要综合考虑市盈率和市净率等估值指标。为进一步了解各变量之间的关系，计算了它们之间的相关系数，结果如表2所示：表2：变量相关系数矩阵变量股票收益率债券收益率股票市值债券信用评级股票市盈率股票市净率股票收益率1-0.150.20-0.100.300.25债券收益率-0.151-0.050.08-0.06-0.04股票市值0.20-0.0510.060.150.18债券信用评级-0.100.080.061-0.03-0.05股票市盈率0.30-0.060.15-0.0310.40股票市净率0.25-0.040.18-0.050.401从相关系数矩阵可以看出，股票收益率与股票市值、市盈率和市净率呈正相关关系，说明规模较大、估值较高的股票往往具有较高的收益率。股票收益率与债券收益率呈负相关关系，这表明股票市场和债券市场在一定程度上存在反向变动关系，当股票市场表现较好时，债券市场可能表现相对较弱，反之亦然，这为投资者进行资产配置提供了一定的参考依据。债券收益率与债券信用评级呈正相关关系，信用评级越高的债券，其收益率相对越低，这符合市场对风险与收益的一般认知，即风险越低，收益越低。股票市盈率和市净率之间的相关系数为0.40，呈现较强的正相关关系，说明在评估股票价值时，这两个指标具有一定的一致性。这些描述性统计结果和相关系数分析为后续的实证研究奠定了基础，有助于深入分析非充分分散风险下资产定价的影响因素和作用机制，为投资者制定合理的投资策略提供参考。5.2模型估计结果5.2.1CAPM模型实证结果对资本资产定价模型（CAPM）进行回归估计，结果如表3所示。以股票收益率为因变量，市场风险溢价（R_m-R_f）为自变量进行普通最小二乘法（OLS）回归。结果显示，市场风险溢价（R_m-R_f）的系数估计值为0.012，t统计量为2.56，在5%的显著性水平下显著，表明市场风险溢价对股票收益率具有显著的正向影响，符合CAPM模型的理论预期。贝塔系数（β_i）通过市场风险溢价的系数估计值反映，其值为0.012，说明股票收益率对市场风险溢价的敏感度为0.012，即市场风险溢价每增加1个单位，股票收益率预计将增加0.012个单位。表3：CAPM模型回归结果变量系数估计值标准误t统计量P值市场风险溢价（R_m-R_f）0.0120.0052.560.011常数项0.0020.0012.000.046模型的拟合优度（R^2）为0.25，说明CAPM模型能够解释25%的股票收益率变动，这表明模型在一定程度上能够解释资产收益率与风险之间的关系，但仍有75%的收益率变动无法由该模型解释，说明CAPM模型在解释美国资本市场股票收益率时存在一定的局限性，可能存在其他重要因素影响股票收益率，如非系统性风险、行业因素、公司特定因素等在该模型中未得到充分考虑。5.2.2APT模型实证结果对套利定价模型（APT）进行多因子回归估计，选取国内生产总值（GDP）增长率、通货膨胀率、利率变动作为风险因子，结果如表4所示。GDP增长率的系数估计值为0.035，t统计量为3.20，在1%的显著性水平下显著，说明GDP增长率对股票收益率具有显著的正向影响，即GDP增长率每增加1个单位，股票收益率预计将增加0.035个单位。通货膨胀率的系数估计值为-0.020，t统计量为-2.80，在1%的显著性水平下显著，表明通货膨胀率与股票收益率呈显著的负相关关系，通货膨胀率上升会导致股票收益率下降。利率变动的系数估计值为-0.015，t统计量为-2.20，在5%的显著性水平下显著，说明利率上升会使股票收益率下降。表4：APT模型回归结果变量系数估计值标准误t统计量P值GDP增长率0.0350.0113.200.001通货膨胀率-0.0200.007-2.800.005利率变动-0.0150.007-2.200.028常数项0.0030.0013.000.003模型的拟合优度（R^2）为0.35，相较于CAPM模型有所提高，说明APT模型考虑多个风险因子后，能够解释35%的股票收益率变动，对资产收益率的解释能力优于CAPM模型。这表明在非充分分散风险的环境下，考虑多个系统性风险因子能够更全面地解释资产定价，APT模型在捕捉资产收益率与风险之间的关系方面具有一定的优势。然而，仍有65%的收益率变动无法由该模型解释，说明APT模型虽然考虑了多个风险因子，但可能还存在其他未被纳入模型的重要因素影响资产定价。5.2.3Fama-French三因子模型实证结果对Fama-French三因子模型进行回归估计，结果如表5所示。市场风险溢价（R_m-R_f）的系数估计值为0.015，t统计量为3.00，在1%的显著性水平下显著，表明市场风险溢价对股票收益率具有显著的正向影响。市值因子（SMB）的系数估计值为0.008，t统计量为2.30，在5%的显著性水平下显著，说明市值因子对股票收益率有显著影响，小市值公司的股票收益率相对较高，这与Fama-French三因子模型的理论预期一致。账面市值比因子（HML）的系数估计值为0.010，t统计量为2.50，在5%的显著性水平下显著，表明账面市值比因子也对股票收益率有显著影响，高账面市值比公司的股票收益率相对较高。表5：Fama-French三因子模型回归结果变量系数估计值标准误t统计量P值市场风险溢价（R_m-R_f）0.0150.0053.000.003市值因子（SMB）0.0080.0032.300.021账面市值比因子（HML）0.0100.0042.500.012常数项0.0020.0012.000.046模型的拟合优度（R^2）为0.40，高于CAPM模型和APT模型，说明Fama-French三因子模型能够解释40%的股票收益率变动，在解释美国资本市场股票收益率方面具有更好的表现。该模型通过引入市值因子和账面市值比因子，考虑了公司规模和估值水平对股票收益率的影响，弥补了CAPM模型仅考虑市场风险的不足，进一步提高了模型对资产定价的解释能力。但仍有60%的收益率变动无法由该模型解释，说明在非充分分散风险的情况下，还存在其他因素对资产定价产生重要影响，需要进一步探索和研究。与CAPM模型相比，Fama-French三因子模型能够更好地解释股票横截面收益差异，对不同规模和估值水平的公司股票收益率具有更强的解释力。与APT模型相比，Fama-French三因子模型的因子选取更加明确，基于公司特征构建因子，在解释股票收益率方面具有独特的优势，但APT模型考虑的风险因子更加多样化，更侧重于宏观经济因素对资产定价的影响，两者在不同方面都为资产定价提供了有价值的视角。5.3结果分析与讨论通过对CAPM模型、APT模型和Fama-French三因子模型的实证结果分析，发现不同模型在解释美国资本市场资产定价方面存在显著差异。CAPM模型由于仅考虑市场风险溢价这一单一风险因子，其对股票收益率的解释能力相对较弱，拟合优度（R^2）仅为0.25。这表明在非充分分散风险的市场环境下，仅依靠市场风险来解释资产定价是不够的，非系统性风险以及其他未被模型考虑的因素对资产收益率有着不可忽视的影响。在现实市场中，投资者由于受到交易成本、信息不对称等因素的限制，无法完全分散非系统性风险，而CAPM模型假设投资者能够充分分散风险，这与实际情况不符，导致其定价表现不佳。APT模型考虑了多个系统性风险因子，如GDP增长率、通货膨胀率、利率变动等，其拟合优度（R^2）提升至0.35，对资产收益率的解释能力优于CAPM模型。这说明在非充分分散风险的情况下，引入多个风险因子能够更全面地捕捉资产定价的影响因素，提高模型的定价能力。GDP增长率反映了宏观经济的增长态势，经济增长会带动企业盈利增加，从而提高股票收益率；通货膨胀率会影响企业的成本和消费者的购买力，进而对股票价格产生影响；利率变动则直接影响企业的融资成本和投资者的资金成本，对资产收益率产生显著作用。然而，APT模型仍存在一定的局限性，仍有65%的收益率变动无法解释，可能是因为模型中选取的风险因子不够全面，或者存在一些难以量化的风险因素未被纳入模型。Fama-French三因子模型在CAPM模型的基础上，加入了市值因子（SMB）和账面市值比因子（HML），拟合优度（R^2）达到0.40，在三个模型中表现最佳。该模型考虑了公司规模和估值水平对股票收益率的影响，能够更好地解释股票横截面收益差异。小市值公司通常具有较高的成长潜力和风险，投资者会要求更高的预期收益率来补偿风险，因此市值因子对股票收益率有显著影响。高账面市值比的公司通常被认为是价值型公司，其股票可能具有更高的回报，账面市值比因子也对股票收益率有显著影响。尽管Fama-French三因子模型在解释资产定价方面具有一定优势，但仍有60%的收益率变动无法解释，说明在非充分分散风险的情况下，还存在其他重要因素影响资产定价，如行业竞争格局、公司创新能力、管理层决策等微观层面的因素，以及市场情绪、政策变化等宏观层面的因素，这些因素在模型中未得到充分体现。实证结果与理论预期存在一定差异。理论上，CAPM模型在充分分散风险的假设下，能够准确地描述资产预期收益率与系统性风险之间的关系。但在实际的美国资本市场中，由于非充分分散风险的存在，该模型的解释能力受到严重挑战，与理论预期存在较大偏差。APT模型和Fama-French三因子模型虽然在一定程度上改进了CAPM模型的局限性，考虑了更多的风险因子，但实证结果仍显示模型无法完全解释资产收益率的变动，与理论预期存在一定差距。这可能是由于理论模型在构建过程中对市场现实情况的简化，以及市场环境的复杂性和动态性，使得模型难以完全捕捉到所有影响资产定价的因素。市场中的信息不对称、投资者的非理性行为、政策的不确定性等因素，都会对资产定价产生影响，但这些因素在理论模型中难以精确刻画。六、案例分析6.1选取典型案例为深入探究非充分分散风险下资产定价模型在美国资本市场的实际应用，选取具有代表性的科技股、金融股和消费股作为典型案例。科技股以苹果公司（AppleInc.）为代表，金融股选取摩根大通（JPMorganChase&Co.），消费股则选择可口可乐公司（TheCoca-ColaCompany）。选择这三只股票作为案例，主要基于以下依据和考虑。苹果公司是全球最具价值的科技公司之一，在科技行业中占据重要地位，具有极高的市场知名度和广泛的影响力。截至2023年底，苹果公司的市值超过2.5万亿美元，在纳斯达克上市，其股票是众多投资者关注的焦点。苹果公司业务涵盖智能手机、平板电脑、电脑、可穿戴设备等多个领域，产品具有创新性和高附加值，市场份额持续领先。近年来，苹果公司的财务状况良好，营业收入和净利润保持稳定增长，2023财年营业收入达到3830亿美元，净利润为946亿美元。摩根大通是美国最大的金融服务机构之一，在金融行业具有代表性。作为一家综合性金融集团，摩根大通业务范围广泛，包括商业银行业务、投资银行业务、资产管理业务等。其在全球拥有庞大的客户群体和分支机构，财务状况稳健，资产规模持续增长。截至2023年底，摩根大通的资产总额达到3.7万亿美元，一级资本充足率为13.5%，在全球金融市场中具有重要影响力。可口可乐公司是全球著名的消费品牌，在消费行业具有显著的代表性。可口可乐公司主要从事饮料的生产和销售，旗下产品包括可口可乐、雪碧、芬达等多个知名品牌，产品畅销全球200多个国家和地区。其品牌价值极高，具有强大的市场竞争力和稳定的消费群体。从财务数据来看，可口可乐公司的业绩表现稳定，2023年营业收入为443亿美元，净利润为95亿美元，展现出消费行业企业的稳定性和抗周期性。这些案例能够很好地代表不同行业在非充分分散风险下的资产定价情况。科技行业具有高创新性、高成长性和高风险性的特点，苹果公司作为科技行业的龙头企业，其资产定价受到技术创新、市场竞争、消费者需求变化等多种因素的影响，能够反映科技行业在非充分分散风险下的资产定价特征。金融行业与宏观经济形势、货币政策、监管政策等密切相关，摩根大通作为金融行业的代表，其资产定价受到宏观经济波动、利率变动、信用风险等因素的影响，通过分析摩根大通的资产定价，可以深入了解金融行业在非充分分散风险下的定价机制。消费行业具有需求相对稳定、受宏观经济波动影响较小的特点，可口可乐公司作为消费行业的典型企业，其资产定价受到消费者偏好、品牌影响力、市场竞争等因素的影响，研究可口可乐公司的资产定价，有助于理解消费行业在非充分分散风险下的资产定价规律。6.2案例公司风险分析对于苹果公司而言，系统性风险对其影响较为显著。宏观经济波动是重要的系统性风险