非参数视角下条件Beta定价模型在我国股票市场的实证剖析

非参数视角下条件Beta定价模型在我国股票市场的实证剖析一、引言1.1研究背景与意义1.1.1研究背景近年来，我国股票市场发展迅速，已成为全球最重要的股票市场之一。随着市场规模的不断扩大，投资者对于股票定价和风险评估的需求也日益增长。准确的股票定价和风险评估能够帮助投资者做出合理的投资决策，实现资产的有效配置和风险控制。在这样的背景下，条件Beta定价模型和非参数方法在我国股票市场的研究与应用具有重要的现实意义。条件Beta定价模型是在传统资本资产定价模型（CAPM）的基础上发展而来的。传统CAPM模型假设Beta系数是固定不变的，然而在实际市场中，股票的风险特征会随着市场环境、宏观经济状况等因素的变化而动态改变。条件Beta定价模型则充分考虑了这些因素的时变特性，能够更准确地描述股票收益率与市场风险之间的关系，为投资者提供更符合实际情况的风险评估和定价工具。例如，当市场处于牛市时，股票的Beta系数可能会增大，表明其对市场波动更为敏感；而在熊市时，Beta系数可能减小，风险相对降低。这种动态变化对于投资者合理调整投资组合具有重要指导意义。非参数方法是一种不依赖于数据分布假设的统计方法，在金融领域的应用逐渐广泛。与传统的参数方法相比，非参数方法无需对数据的分布形式做出预先假设，能够更好地适应复杂多变的金融市场数据。股票市场数据往往呈现出非线性、非正态分布等特征，传统参数方法在处理这些数据时可能会出现偏差，而非参数方法能够避免这一问题，更准确地挖掘数据中的潜在信息。例如，在分析股票收益率与宏观经济变量之间的关系时，非参数方法可以更灵活地捕捉变量之间复杂的非线性关系，提供更精确的分析结果。1.1.2研究意义从理论层面来看，对条件Beta定价模型在我国股票市场基于非参数方法的实证研究，有助于丰富和完善金融资产定价理论体系。传统的资本资产定价理论在解释股票市场的实际现象时存在一定的局限性，而条件Beta定价模型考虑了更多的时变因素，非参数方法又为模型的估计和检验提供了新的视角和工具。通过深入研究二者的结合应用，可以进一步揭示股票收益率的形成机制和风险特征，为金融理论的发展提供新的实证依据和研究思路，推动金融资产定价理论向更贴合实际市场的方向发展。在实践方面，本研究对投资者、金融机构和监管部门都具有重要意义。对于投资者而言，准确的股票定价和风险评估是投资决策的关键。条件Beta定价模型结合非参数方法能够提供更精准的风险度量和定价结果，帮助投资者更好地理解股票的风险收益特征，从而更合理地构建投资组合，降低投资风险，提高投资收益。对于金融机构来说，如基金公司、证券公司等，精确的股票定价和风险评估模型有助于其开发更具竞争力的金融产品和服务，提升风险管理能力，增强市场竞争力。监管部门可以依据研究结果，更准确地把握股票市场的风险状况，制定更有效的监管政策，维护市场的稳定和健康发展，保护投资者的合法权益。1.2研究目标与方法1.2.1研究目标本研究旨在利用非参数方法深入探究条件Beta定价模型在我国股票市场的表现，并分析影响其表现的关键因素，具体目标如下：准确评估条件Beta定价模型的表现：运用非参数方法对条件Beta定价模型进行估计和检验，精准衡量该模型在解释我国股票市场收益率方面的能力。通过实证分析，对比条件Beta定价模型与传统线性Beta模型的差异，明确条件Beta定价模型在捕捉股票收益率动态变化方面的优势，为投资者和金融机构提供更贴合实际市场情况的定价模型参考。深入剖析影响条件Beta定价模型表现的因素：从宏观经济因素、市场微观结构因素以及投资者行为因素等多个维度，全面分析影响条件Beta定价模型在我国股票市场表现的关键因素。例如，研究宏观经济变量如利率、通货膨胀率等对条件Beta系数的影响，分析市场流动性、交易成本等微观结构因素如何作用于模型表现，以及探讨投资者情绪、羊群效应等行为因素在模型中的体现。通过这一研究，帮助投资者更好地理解市场环境对股票定价的影响机制，从而更有效地进行投资决策。为股票市场投资和风险管理提供有效建议：基于对条件Beta定价模型表现及影响因素的研究结果，结合我国股票市场的特点和实际情况，为投资者提供关于资产配置、风险控制等方面的具体建议。同时，为金融机构在产品设计、风险评估等方面提供有价值的参考，助力金融机构提升服务质量和风险管理水平，促进我国股票市场的健康稳定发展。1.2.2研究方法为实现上述研究目标，本研究将综合运用多种研究方法，具体如下：文献研究法：全面收集和整理国内外关于条件Beta定价模型、非参数方法以及股票市场定价和风险评估的相关文献资料。深入研究这些文献，了解已有研究的成果、方法和不足之处，为本文的研究提供坚实的理论基础和研究思路。通过对文献的梳理，明确条件Beta定价模型的发展历程、理论基础和应用现状，掌握非参数方法在金融领域的应用进展和优势，分析现有研究在我国股票市场背景下存在的问题和待解决的挑战，从而确定本文的研究重点和创新点。实证分析法：以我国股票市场的实际数据为基础，运用非参数方法对条件Beta定价模型进行实证研究。选取合适的样本数据，包括股票收益率、市场指数收益率、宏观经济变量等，并对数据进行清洗和预处理，确保数据的准确性和可靠性。构建基于非参数方法的条件Beta定价模型估计和检验框架，运用相关统计软件和工具进行数据分析和模型估计。通过实证结果，验证条件Beta定价模型在我国股票市场的有效性，分析模型的参数估计结果和影响因素，为研究结论提供有力的实证支持。对比分析法：将条件Beta定价模型与传统的线性Beta模型进行对比分析，从模型的理论假设、参数估计方法、对股票收益率的解释能力等多个方面进行比较。通过对比，明确条件Beta定价模型在考虑市场动态变化和风险因素时的优势和改进之处，以及在不同市场条件下两种模型的表现差异。同时，对比不同非参数方法在条件Beta定价模型估计中的应用效果，分析各种方法的优缺点，选择最适合我国股票市场数据特点的非参数方法，提高研究结果的准确性和可靠性。1.3研究创新点本研究在多个方面具有创新性，具体如下：研究视角创新：以往对股票定价模型的研究多集中于传统的线性模型和参数方法，而本研究将视角聚焦于条件Beta定价模型，并结合非参数方法进行实证分析。这种视角突破了传统研究的局限，从动态和灵活的角度来探究股票收益率与市场风险之间的关系，为理解我国股票市场的定价机制提供了全新的思路。通过考虑市场环境和宏观经济因素的时变特性，更准确地捕捉股票风险特征的动态变化，有助于投资者和金融机构更好地把握市场变化，做出更合理的投资决策。方法应用创新：在我国股票市场的研究中，将非参数方法应用于条件Beta定价模型的估计和检验尚不多见。非参数方法无需对数据分布做出假设，能够更好地适应股票市场数据复杂多变、非线性和非正态分布的特点。本研究运用非参数方法，如核回归、局部多项式回归等，对条件Beta定价模型进行估计，避免了传统参数方法可能产生的偏差，提高了模型估计的准确性和可靠性，为条件Beta定价模型在我国股票市场的研究提供了更有效的方法支持。对市场实践指导创新：基于研究结果，本研究能够为我国股票市场的投资和风险管理提供更具针对性和实用性的建议。通过深入分析影响条件Beta定价模型表现的因素，如宏观经济因素、市场微观结构因素和投资者行为因素等，投资者可以根据不同的市场环境和自身投资目标，更合理地运用条件Beta定价模型进行资产配置和风险控制。金融机构也可以参考研究结果，优化金融产品设计和风险评估体系，提高市场竞争力。本研究成果对我国股票市场的健康稳定发展具有重要的实践指导意义。二、理论基础2.1条件Beta定价模型概述2.1.1模型起源与发展条件Beta定价模型起源于对传统资本资产定价模型（CAPM）的改进。CAPM模型由夏普（WilliamSharpe）、林特纳（JoneLintner）和莫辛（Mossin）在20世纪60年代中期提出，该模型基于一系列严格假设，如投资者具有同质预期、市场无摩擦、资产无限可分等，认为资产的预期收益率与市场风险溢价和Beta系数呈线性关系，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，\beta_i为资产i的Beta系数，E(R_m)为市场组合的预期收益率。CAPM模型的提出为资产定价和风险评估提供了重要的理论框架，在金融领域得到了广泛应用。然而，随着金融市场的发展和研究的深入，学者们发现CAPM模型存在一定的局限性。其中一个关键问题是，CAPM模型假设Beta系数是固定不变的，而实际市场中，股票的风险特征会受到多种因素的影响而动态变化。例如，宏观经济环境的变化、行业竞争格局的调整、公司自身财务状况的改变等，都会导致股票的风险暴露发生变化，进而使得Beta系数呈现时变特性。为了克服CAPM模型的这一缺陷，条件Beta定价模型应运而生。条件Beta定价模型最早由默顿（Merton，1973）提出，他在跨期资本资产定价模型（ICAPM）中引入了条件信息，认为资产的预期收益率不仅取决于市场风险溢价，还与投资者对未来经济状况的预期有关，而这些预期会影响Beta系数的取值。此后，众多学者对条件Beta定价模型进行了深入研究和拓展。例如，Engle和Kroner（1995）提出了动态条件相关（DCC）模型，用于估计时变的Beta系数，该模型考虑了资产收益率之间的动态相关性，能够更准确地捕捉市场风险的变化。Bollerslev（1986）提出的广义自回归条件异方差（GARCH）模型，也被广泛应用于条件Beta定价模型中，用于刻画收益率的波动性和时变特征。这些研究不断完善和发展了条件Beta定价模型，使其在解释股票收益率和风险评估方面的能力不断提升。在国内，随着股票市场的发展，对条件Beta定价模型的研究也逐渐增多。学者们结合我国股票市场的特点，运用各种计量方法对条件Beta定价模型进行实证检验和应用研究。例如，一些研究通过引入宏观经济变量、行业因素等，构建多因素条件Beta定价模型，以更全面地解释股票收益率的变化；还有些研究运用非参数方法估计条件Beta系数，以克服传统参数方法对数据分布假设的依赖，提高模型的适应性和准确性。2.1.2模型核心原理条件Beta定价模型的核心原理是在考虑市场动态因素的基础上，解释股票收益率的变化。与传统CAPM模型不同，条件Beta定价模型认为Beta系数不是固定不变的，而是随时间和市场环境的变化而动态调整。它将影响股票风险特征的各种因素纳入模型，通过这些因素与股票收益率之间的关系来确定时变的Beta系数，从而更准确地描述股票收益率与市场风险之间的关系。具体来说，条件Beta定价模型考虑了多种市场动态因素对股票收益率的影响。例如，宏观经济因素方面，利率的变动会影响企业的融资成本和投资者的预期收益，进而影响股票的价格和风险特征；通货膨胀率的变化会影响企业的生产成本和产品价格，对股票收益率产生影响。市场微观结构因素如市场流动性，当市场流动性较高时，股票的交易成本较低，投资者更容易买卖股票，股票的风险相对较低，Beta系数可能较小；反之，当市场流动性较低时，股票的交易难度增加，风险上升，Beta系数可能增大。此外，投资者情绪、市场参与者的行为等因素也会对股票的风险和收益产生影响，条件Beta定价模型试图通过纳入这些因素来更全面地解释股票收益率的波动。以市场波动率为例，当市场波动率较高时，股票价格的不确定性增加，投资者对股票的风险感知增强，此时股票的Beta系数往往会增大，意味着股票对市场波动更为敏感，其预期收益率也会相应提高，以补偿投资者承担的更高风险。相反，当市场波动率较低时，股票的Beta系数可能减小，预期收益率也会降低。通过这种方式，条件Beta定价模型能够更灵活地反映市场动态变化对股票收益率的影响，为投资者提供更符合实际市场情况的风险评估和定价依据。2.1.3模型表达式与参数含义条件Beta定价模型的一般表达式为：R_{i,t}=R_{f,t}+\beta_{i,t}[R_{m,t}-R_{f,t}]+\epsilon_{i,t}其中：R_{i,t}表示股票i在t时期的收益率，它是投资者在该时期内持有股票i所获得的实际收益，包括股息收益和资本利得收益，是衡量股票投资回报的重要指标。R_{f,t}表示t时期的无风险利率，通常以国债利率或银行短期存款利率等近似替代。无风险利率代表了投资者在无风险情况下能够获得的收益，是投资决策中的一个重要参考基准，其他有风险资产的收益率通常需要在无风险利率的基础上加上风险溢价来确定。\beta_{i,t}是股票i在t时期的条件Beta系数，它衡量了股票i的收益率对市场组合收益率变动的敏感程度。\beta_{i,t}大于1，表示股票i的波动大于市场平均波动，风险相对较高；\beta_{i,t}小于1，则表示股票i的波动小于市场平均波动，风险相对较低；当\beta_{i,t}等于1时，股票i的波动与市场平均波动一致。条件Beta系数会随着市场环境、宏观经济状况等因素的变化而动态调整，这是条件Beta定价模型与传统CAPM模型的重要区别之一。R_{m,t}代表t时期的市场组合收益率，市场组合通常是由市场上所有资产按照一定权重构成的组合，它反映了整个市场的平均收益水平。市场组合收益率是市场风险溢价的重要组成部分，也是衡量股票相对风险的基准。[R_{m,t}-R_{f,t}]被称为市场风险溢价，它表示投资者承担市场风险所要求的额外回报。市场风险溢价的大小取决于市场的风险偏好、经济前景等因素，当市场风险偏好较高，经济前景乐观时，市场风险溢价可能较低；反之，当市场风险偏好较低，经济前景不明朗时，市场风险溢价可能较高。\epsilon_{i,t}是随机误差项，它反映了除市场风险溢价和条件Beta系数所解释的部分之外，其他影响股票i在t时期收益率的随机因素，如公司特有的突发事件、行业竞争格局的突然变化等。这些因素具有随机性和不可预测性，通常假设其均值为0，方差为常数。2.2非参数方法简介2.2.1非参数方法的概念与特点非参数方法是统计学中的一类重要方法，与传统的参数方法有着显著区别。参数方法通常需要对总体分布做出明确假设，例如假设数据服从正态分布、泊松分布等，然后基于这些假设来估计模型参数并进行统计推断。然而，在实际应用中，许多数据的分布形式往往是未知的，或者并不满足常见的分布假设，此时参数方法的应用就受到了限制。非参数方法则不依赖于总体分布的具体形式，它对数据的分布假设要求极为宽松，甚至可以在几乎不做任何分布假设的情况下进行分析。这种特性使得非参数方法在处理复杂数据时具有独特的优势。例如，在研究股票市场收益率数据时，这些数据往往呈现出尖峰厚尾、非正态分布以及复杂的非线性关系等特征。传统的参数方法若假设数据服从正态分布，可能会导致对数据特征的误判和模型估计的偏差。而非参数方法无需对这些复杂的数据分布进行假设，能够更直接地从数据本身出发，挖掘数据中的潜在信息，更准确地描述数据的真实特征。非参数方法的优点主要体现在以下几个方面。首先，由于对总体分布假设条件少，它具有更广泛的适用性，能够处理各种类型的数据，包括不符合常见分布的数据、含有异常值的数据以及数据分布未知的数据等。其次，非参数方法通常具有较好的稳健性，不易受到数据中异常值的影响。在股票市场数据中，异常值可能会对参数估计产生较大干扰，而采用非参数方法可以有效减少这种干扰，使分析结果更加可靠。此外，非参数方法在处理非线性关系方面表现出色，能够灵活地捕捉变量之间复杂的非线性联系，这对于分析股票市场中各种因素与股票收益率之间的关系至关重要。2.2.2非参数方法在金融领域的应用优势在金融领域，尤其是股票市场研究中，非参数方法展现出诸多独特的应用优势。股票市场是一个高度复杂且充满不确定性的系统，股票收益率受到众多因素的影响，包括宏观经济状况、行业竞争格局、公司财务状况、投资者情绪等，这些因素之间的关系往往呈现出非线性和动态变化的特点。非参数方法能够有效纠正传统参数模型在处理股票市场数据时可能产生的模型偏差。传统的线性模型在假设变量之间为线性关系的基础上进行参数估计，然而股票市场中的实际关系往往更为复杂，并非简单的线性关系。非参数方法不依赖于线性假设，能够更准确地描述股票收益率与各种影响因素之间的真实关系，从而减少模型设定误差，提高对股票收益率的解释能力和预测精度。例如，在研究股票收益率与宏观经济变量如国内生产总值（GDP）增长率、通货膨胀率之间的关系时，非参数方法可以捕捉到它们之间可能存在的复杂非线性关系，而传统线性模型可能会忽略这些关系，导致模型的解释能力不足。非参数方法对数据分布的适应性强，能够更好地处理股票市场数据的非正态性和异方差性等问题。股票市场数据的分布往往呈现出非正态特征，如尖峰厚尾现象，这意味着数据中出现极端值的概率比正态分布所假设的要高。传统的参数方法在处理这类非正态数据时可能会产生偏差，而非参数方法能够有效应对这种情况，更准确地分析数据特征和变量之间的关系。同时，股票市场数据还常常存在异方差性，即数据的方差随时间或其他因素的变化而变化，非参数方法在处理异方差数据时也具有优势，能够提供更可靠的分析结果。此外，非参数方法在探索性数据分析中具有重要作用。在研究股票市场时，我们往往需要先对数据进行探索性分析，了解数据的基本特征和变量之间的潜在关系。非参数方法可以通过绘制各种图形（如箱线图、核密度估计图等）和计算一些非参数统计量（如中位数、分位数等），直观地展示数据的分布情况和特征，帮助研究者发现数据中的异常值、趋势和模式，为进一步的深入分析提供有价值的线索。2.2.3常见非参数方法介绍在非参数统计领域，有多种常见的方法，它们各自具有独特的原理和应用场景，在股票市场研究中都发挥着重要作用。核估计：核估计是一种常用的非参数估计方法，其基本原理是通过对观测数据进行加权平均来估计未知的函数。在核估计中，核函数是关键要素，它类似于一个权重分配函数，对每个观测点赋予不同的权重。距离待估计点越近的观测点，其权重越大；距离越远的观测点，权重越小。例如，在估计股票收益率的概率密度函数时，核估计方法会根据样本数据中各个收益率观测值与待估计点的距离，利用核函数分配权重，然后对这些观测值进行加权平均，从而得到待估计点处的概率密度估计值。常用的核函数有高斯核函数、Epanechnikov核函数等。高斯核函数以正态分布为基础，具有良好的平滑性和对称性；Epanechnikov核函数则在一定程度上能够提高估计的效率和精度。局部多项式估计：局部多项式估计是在核估计的基础上发展而来的一种更灵活的非参数估计方法。它的原理是在每个待估计点的局部邻域内，通过拟合多项式来逼近未知函数。与核估计不同的是，局部多项式估计不仅考虑了观测点与待估计点的距离，还考虑了数据的局部趋势。具体来说，对于每个待估计点，选择其周围的一个局部邻域，在该邻域内建立多项式回归模型，通过最小化局部加权误差平方和来确定多项式的系数，从而得到该点处的函数估计值。局部多项式估计能够更好地适应数据的局部特征，在处理具有复杂局部结构的数据时表现更为出色。例如，在分析股票价格的走势时，局部多项式估计可以根据股票价格在不同时间段的局部变化特征，灵活地调整拟合多项式的形式，更准确地刻画股票价格的变化趋势。非参数回归：非参数回归是一类用于研究自变量和因变量之间关系的非参数方法，它不假设回归函数的具体形式，而是从数据中直接估计回归函数。非参数回归方法有多种实现方式，如基于样条函数的回归、基于神经网络的回归等。基于样条函数的回归是将自变量的定义域划分为若干区间，在每个区间上使用低阶多项式（如线性函数、二次函数等）进行拟合，通过在区间边界上满足一定的光滑条件，将这些局部多项式连接起来，形成一个整体的回归函数。基于神经网络的回归则是利用神经网络的强大学习能力，通过训练神经网络来逼近自变量和因变量之间的复杂关系。在股票市场研究中，非参数回归可以用于分析股票收益率与多个影响因素（如宏观经济变量、公司财务指标等）之间的关系，无需事先假设它们之间的函数形式，能够更准确地捕捉变量之间的非线性关系。秩检验：秩检验是一种基于数据秩次（即数据从小到大排列后的顺序号）的非参数检验方法，主要用于比较不同样本之间的差异或者检验变量之间的相关性。在秩检验中，将原始数据转换为秩次后进行分析，这样可以避免数据的具体数值和分布形式对检验结果的影响。例如，Mann-WhitneyU检验是一种常用的两独立样本秩检验方法，用于检验两个独立样本是否来自相同的总体分布。它的原理是将两个样本的数据合并后进行排序，计算每个样本中数据的秩和，然后根据秩和的差异来判断两个样本是否具有显著差异。在研究不同行业股票收益率的差异时，可以使用Mann-WhitneyU检验来比较两个行业股票收益率样本，判断它们是否来自相同的分布，从而了解不同行业股票的收益特征是否存在显著差异。三、我国股票市场与相关数据3.1我国股票市场特征分析3.1.1市场规模与结构我国股票市场经过多年的发展，规模不断壮大，已成为全球重要的股票市场之一。截至[具体年份]，我国境内上市公司数量达到[X]家，总市值超过[X]万亿元。从市场板块构成来看，主要包括主板、创业板、科创板和新三板等。主板市场是我国股票市场的核心板块，主要面向大型成熟企业。以上海证券交易所和深圳证券交易所的主板为例，众多大型国有企业、知名民营企业在此上市，如中国石油、工商银行、贵州茅台等。这些企业在国民经济中占据重要地位，具有规模大、业绩稳定、行业代表性强等特点。主板市场的上市门槛较高，对企业的盈利能力、股本总额、财务状况等方面都有严格要求，例如企业需连续多年盈利，股本总额不少于一定金额等，这保证了主板上市公司的质量和稳定性。创业板市场设立于2009年，旨在为具有高成长性的中小企业和高科技企业提供融资渠道。创业板市场的上市条件相对主板有所降低，更加注重企业的创新性和发展潜力。许多新兴产业企业，如新能源、生物医药、人工智能等领域的企业在创业板上市，这些企业具有技术含量高、成长速度快、发展前景广阔的特点，但同时也伴随着较高的风险。创业板市场的推出，为我国新兴产业的发展提供了有力的资金支持，促进了科技创新和产业升级。科创板于2019年正式开板，是专门为科技创新企业打造的板块。科创板重点支持新一代信息技术、高端装备、新材料、新能源、节能环保以及生物医药等高新技术产业和战略性新兴产业。科创板在上市制度上进行了重大创新，采用注册制，更加注重企业的研发投入、技术创新能力和市场前景。例如，允许未盈利企业上市，这为处于研发阶段、尚未实现盈利但具有核心技术和高成长潜力的科技创新企业提供了上市融资的机会。科创板的设立，吸引了一大批优质科技创新企业上市，推动了我国科技创新企业的发展，提升了我国在全球科技创新领域的竞争力。新三板，即全国中小企业股份转让系统，是为中小企业提供股权交易和融资服务的平台。新三板主要服务于创新型、创业型、成长型中小微企业，企业在新三板挂牌的条件相对较为宽松，对企业的规模和盈利要求较低。新三板为中小企业提供了展示自身实力和发展潜力的平台，拓宽了中小企业的融资渠道，促进了中小企业的发展。同时，新三板也为投资者提供了更多的投资选择，满足了不同投资者的风险偏好和投资需求。我国股票市场的行业分布广泛，涵盖了金融、能源、制造业、信息技术、消费、医药等多个行业。不同行业的上市公司在市场规模、盈利能力、发展前景等方面存在差异。金融行业上市公司在总市值中占比较大，具有重要地位，其稳定性对整个市场的影响较大；信息技术和医药行业等新兴产业的上市公司数量不断增加，发展迅速，代表了我国经济转型升级的方向。3.1.2市场波动性分析我国股票市场的波动性较为显著，这是其重要特征之一。市场波动不仅体现在短期的价格起伏上，还表现在长期的趋势变化中。从历史数据来看，我国股票市场经历了多次大幅波动，如2007-2008年的牛市和熊市转换，上证指数在2007年10月达到6124.04点的高位后，在2008年10月迅速跌至1664.93点，跌幅巨大。这种大幅波动给投资者带来了较大的风险和收益不确定性。市场波动性的特点表现为波动幅度大、频率高。在短期内，股票价格可能会因各种因素的影响而出现剧烈波动。例如，当市场出现重大利好或利空消息时，如宏观经济数据超预期、政策调整、企业重大资产重组等，股票价格往往会迅速做出反应，导致市场波动加剧。而且，我国股票市场的波动还具有一定的周期性，在不同的经济周期和市场环境下，波动的幅度和频率会有所不同。在经济繁荣期，市场情绪较为乐观，投资者信心增强，股票价格上涨，市场波动性相对较小；而在经济衰退期或市场出现不确定性时，投资者情绪低落，市场恐慌情绪蔓延，股票价格下跌，市场波动性增大。影响我国股票市场波动性的因素众多。宏观经济因素是重要的影响因素之一，经济增长速度、通货膨胀水平、利率、汇率等宏观经济指标的变化都会对股票市场产生影响。当经济增长强劲时，企业盈利预期提高，股票价格往往会上涨，市场波动性相对较小；而当经济增长放缓、通货膨胀加剧或利率上升时，企业成本增加，盈利预期下降，股票价格可能下跌，市场波动性增大。例如，当通货膨胀率上升时，央行可能会采取紧缩的货币政策，提高利率，这会增加企业的融资成本，减少市场流动性，从而对股票市场产生负面影响，导致市场波动性加剧。政策因素对我国股票市场的波动性也有显著影响。政府的财政政策、货币政策、产业政策等都会对股票市场产生直接或间接的影响。扩张性的财政政策，如增加政府支出、减税等，有助于刺激经济增长，提高企业盈利预期，对股票市场有利，可能会降低市场波动性；而紧缩性的货币政策，如提高利率、减少货币供应量，可能抑制股市的资金流入，导致股票价格下跌，市场波动性增大。产业政策的调整也会影响相关行业上市公司的发展前景，进而影响股票价格和市场波动性。例如，政府对新能源产业的支持政策，会促进新能源相关企业的发展，推动其股票价格上涨，同时也可能带动整个市场的活跃，改变市场波动性。市场微观结构因素，如市场流动性、交易成本、投资者结构等，也会影响股票市场的波动性。市场流动性是指资产能够以合理价格快速买卖的能力，当市场流动性较高时，股票交易活跃，买卖价差较小，市场波动性相对较低；反之，当市场流动性较低时，股票交易难度增加，买卖价差扩大，市场波动性增大。交易成本的高低也会影响投资者的交易行为，进而影响市场波动性。如果交易成本过高，投资者的交易意愿会降低，市场活跃度下降，可能导致市场波动性增大。投资者结构方面，我国股票市场个人投资者占比较高，个人投资者的投资行为往往具有非理性、情绪化的特点，容易受到市场情绪的影响，导致市场过度反应，加剧市场波动性。而机构投资者相对更加理性，投资行为较为稳健，其占比的提高有助于降低市场波动性。此外，国际形势的变化，如全球经济形势、国际贸易关系、地缘政治冲突等，也会对我国股票市场的波动性产生影响。在经济全球化的背景下，我国股票市场与国际市场的联系日益紧密，国际市场的波动会通过多种渠道传导至我国股票市场。例如，全球经济衰退会导致我国出口企业订单减少，盈利下降，从而影响相关企业的股票价格，增加市场波动性；国际贸易摩擦可能会影响我国相关行业的发展，引发市场担忧，导致股票价格下跌，市场波动性增大。3.1.3投资者行为特点我国股票市场的投资者行为具有独特的特点，这些特点与投资者的投资心理、投资知识和经验以及市场环境等因素密切相关。从投资行为来看，我国股票市场个人投资者占比较高，个人投资者的投资行为往往较为频繁。许多个人投资者热衷于短期投机，频繁买卖股票，试图通过捕捉股价的短期波动来获取收益。这种短期投机行为导致股票换手率较高，市场交易活跃度大，但也增加了市场的波动性。据统计，我国股票市场的年换手率远高于成熟市场，这反映了个人投资者频繁交易的特点。个人投资者的投资决策往往缺乏深入的研究和分析，容易受到市场传闻、媒体报道、他人建议等因素的影响。一些投资者在没有充分了解企业基本面和市场情况的前提下，仅凭一些小道消息就盲目买入或卖出股票，这种盲目跟风的投资行为增加了投资风险，也不利于市场的稳定。在投资心理方面，我国投资者普遍存在恐惧和贪婪的心理。当市场上涨时，投资者往往过于乐观，贪婪心理占据主导，容易追涨买入，甚至过度投资，忽视潜在的风险。例如，在牛市行情中，许多投资者看到股票价格不断上涨，就盲目跟风买入，期望获取高额收益，而不考虑股票的估值是否合理。相反，当市场下跌时，投资者又容易陷入恐惧，纷纷抛售股票，导致股价进一步下跌。在熊市中，投资者的恐慌情绪会相互传染，引发市场的过度抛售，加剧市场的下跌趋势。这种恐惧和贪婪的心理导致投资者的投资行为缺乏理性，容易在市场高点买入，在市场低点卖出，从而遭受损失。我国投资者还存在明显的羊群效应，即投资者在投资决策时往往会模仿他人的行为，而忽视自己的独立判断。在股票市场中，当一部分投资者开始买入或卖出某只股票时，其他投资者往往会跟随行动，形成一种群体行为。这种羊群效应在市场信息不对称、投资者缺乏自信和投资知识的情况下尤为明显。例如，当市场上出现一些关于某只股票的利好消息时，投资者往往会不假思索地跟风买入，而不考虑消息的真实性和可靠性。羊群效应会导致股票价格的异常波动，当大量投资者同时买入或卖出某只股票时，会使股票价格偏离其内在价值，增加市场的不稳定性。此外，我国投资者的风险认知和承受能力也存在差异。一些投资者对股票投资的风险认识不足，认为股票投资可以轻松获取高额收益，忽视了其中的风险。这些投资者在投资过程中往往没有合理的风险控制措施，一旦市场出现不利变化，就可能遭受较大的损失。而另一些投资者虽然认识到股票投资的风险，但由于自身风险承受能力较低，在面对市场波动时容易产生焦虑和恐慌情绪，影响投资决策。例如，一些老年投资者或风险偏好较低的投资者，在股票市场出现较大波动时，可能会因为无法承受损失而匆忙卖出股票，错失后续的投资机会。随着我国股票市场的发展和投资者教育的加强，投资者的行为也在逐渐发生变化。越来越多的投资者开始注重价值投资，关注企业的基本面和长期发展潜力，投资行为逐渐趋于理性。一些投资者开始学习和运用投资分析方法，如基本面分析、技术分析等，提高自己的投资决策水平。同时，机构投资者在市场中的作用也日益增强，其专业的投资管理和理性的投资行为对市场的稳定起到了积极的促进作用。3.2数据选取与处理3.2.1数据来源本研究的数据来源广泛且具有权威性，以确保数据的准确性和可靠性，从而为后续的实证分析提供坚实基础。股票数据主要来源于[具体股票交易数据库名称]，该数据库是专业的金融数据提供商，其数据覆盖范围广泛，涵盖了我国股票市场的众多上市公司。在该数据库中，能够获取到每只股票的每日开盘价、收盘价、最高价、最低价以及成交量等详细交易数据。这些数据对于计算股票的收益率至关重要，通过这些价格数据，可以准确计算出股票在不同时间段内的收益率，进而分析股票的收益特征和风险状况。例如，利用收盘价计算股票的日收益率，公式为R_{i,t}=\frac{P_{i,t}-P_{i,t-1}}{P_{i,t-1}}，其中R_{i,t}表示股票i在t日的收益率，P_{i,t}和P_{i,t-1}分别表示股票i在t日和t-1日的收盘价。市场数据方面，市场指数收益率数据来源于[具体市场指数数据提供商名称]，如常见的沪深300指数收益率。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，综合反映了中国A股市场上市股票价格的整体表现，具有广泛的市场代表性。通过获取沪深300指数的每日收盘价等数据，按照与股票收益率类似的计算方法，可以得到市场指数收益率，作为衡量市场整体收益水平的重要指标。宏观经济数据则来自多个权威机构。国内生产总值（GDP）增长率、通货膨胀率等数据来源于国家统计局官网，这些数据是国家统计部门通过严谨的统计调查和核算方法得出，具有高度的权威性和准确性。国家统计局对国内经济活动进行全面监测和统计，其发布的GDP增长率数据能够准确反映我国经济的增长态势；通货膨胀率数据通过对居民消费价格指数（CPI）等指标的计算得出，反映了物价水平的变化情况。利率数据取自中国人民银行官方网站，央行作为我国的货币政策制定和执行机构，其发布的利率数据是金融市场的重要参考指标，包括基准利率、市场利率等，这些利率数据的变化会对股票市场产生重要影响。此外，行业数据来自[具体行业数据提供商名称]，该机构专注于收集和整理各行业的相关数据，提供了详细的行业分类数据、行业财务指标数据等。例如，行业平均利润率、行业资产负债率等数据，对于分析不同行业股票的特征和风险具有重要参考价值，有助于研究行业因素对条件Beta定价模型的影响。3.2.2样本选择标准为了确保研究结果的可靠性和有效性，本研究在选取股票样本时遵循了严格的标准。首先，考虑股票的上市时间。选取上市时间超过[X]年的股票作为样本，这是因为新上市的股票在初期可能会受到市场关注度高、投资者情绪波动大等因素的影响，其价格和收益率波动可能较为异常，不稳定的表现会对研究结果产生干扰。经过[X]年的市场运行，股票的价格和收益率逐渐趋于稳定，能够更真实地反映其内在价值和市场风险特征，从而提高研究的准确性。其次，对股票的流动性有一定要求。选择日均成交量排名在前[X]%的股票，成交量是衡量股票流动性的重要指标，日均成交量较高的股票，表明其在市场上的交易活跃程度高，买卖较为容易，市场参与者能够以较为合理的价格进行交易。这样的股票在市场上的定价相对更为合理，其收益率数据也更能反映市场的真实情况，避免了因流动性不足导致的价格扭曲和交易成本增加对研究结果的影响。再者，为了排除异常值对研究结果的干扰，对股票的财务状况进行筛选。剔除ST（SpecialTreatment）和ST（退市风险警示）股票，ST和ST股票通常表示公司财务状况出现异常，如连续亏损、净资产为负等情况。这些公司的股票价格和收益率往往受到公司特殊财务状况的影响，与正常经营的公司股票存在较大差异，将其纳入样本会影响对整体股票市场风险和收益特征的分析。另外，考虑到行业的代表性，样本股票涵盖了多个行业，包括金融、能源、制造业、信息技术、消费、医药等主要行业。在每个行业中，按照一定的比例选取具有代表性的公司股票，以确保研究结果能够反映不同行业股票的风险特征和定价规律。例如，在金融行业选取工商银行、建设银行等大型银行股，以及中信证券等知名券商股；在信息技术行业选取腾讯控股（在港股上市，其业务在我国信息技术领域具有重要影响力）、阿里巴巴（在美股上市，同样在我国互联网行业占据重要地位）等互联网科技巨头在国内相关上市公司的股票作为研究样本。通过以上样本选择标准，共选取了[X]只股票作为研究样本，这些样本股票在上市时间、流动性、财务状况和行业代表性等方面都满足研究要求，能够较为全面地代表我国股票市场的整体情况，为后续的实证分析提供了高质量的样本数据。3.2.3数据预处理步骤在获取原始数据后，为了保证数据质量，提高实证分析的准确性，需要对数据进行一系列预处理步骤。首先是数据清洗，仔细检查数据集中是否存在错误、不完整或不一致的数据。在股票数据中，可能会出现价格数据异常的情况，如开盘价高于收盘价，或者成交量为负数等明显错误的数据。对于这类错误数据，通过与其他可靠数据源进行比对，或者根据市场交易规则进行判断和修正。对于不完整的数据，如某只股票某一天的收盘价缺失，若缺失数据较少，可以采用插值法进行填充，如线性插值法，根据该股票前后交易日的收盘价来估计缺失的收盘价；若缺失数据较多，则考虑剔除该数据记录。处理缺失值是数据预处理的重要环节。除了上述提到的使用插值法处理少量缺失值外，对于一些关键变量，如宏观经济变量中的GDP增长率，如果存在缺失值，还可以采用时间序列预测方法进行填补。例如，利用ARIMA（自回归积分滑动平均）模型对GDP增长率的时间序列数据进行建模，根据历史数据的趋势和规律来预测缺失的GDP增长率值。对于缺失值比例过高的样本，若超过一定阈值（如30%），则考虑将该样本剔除，以避免缺失值对整体数据的影响。异常值检测和处理也是必不可少的步骤。采用基于统计方法的异常值检测，如3σ准则，对于股票收益率数据，如果某个数据点与均值的偏差超过3倍标准差，则将其视为异常值。例如，对于股票i的收益率序列R_{i,t}，计算其均值\overline{R_i}和标准差\sigma_i，若|R_{i,t}-\overline{R_i}|>3\sigma_i，则认为R_{i,t}是异常值。对于检测出的异常值，可以根据具体情况进行处理，若异常值是由于数据录入错误导致的，则进行修正；若异常值是由于市场突发事件等原因导致的真实异常情况，可以采用稳健统计方法，如使用中位数代替均值等，以减少异常值对分析结果的影响。数据标准化是为了消除不同变量之间量纲和数量级的差异，使数据具有可比性。对于股票收益率和宏观经济变量等数据，采用Z-score标准化方法，将数据转化为均值为0，方差为1的标准正态分布数据。转化公式为X_{scale}=\frac{X-\mu}{\sigma}，其中X_{scale}是标准化后的数据，X是原始数据，\mu是原始数据的均值，\sigma是原始数据的标准差。通过标准化处理，能够使不同变量在同一尺度下进行分析，提高模型估计的准确性和稳定性。在数据预处理过程中，还对数据进行了整合和整理。将来自不同数据源的股票数据、市场数据和宏观经济数据按照时间和股票代码等关键信息进行匹配和整合，确保数据的一致性和完整性。建立统一的数据格式和数据库结构，方便后续的数据查询、分析和模型构建。通过以上数据预处理步骤，有效提高了数据的质量和可用性，为后续基于非参数方法的条件Beta定价模型实证分析奠定了坚实的数据基础，确保了研究结果的可靠性和准确性。四、实证研究设计4.1研究假设提出4.1.1条件Beta定价模型与传统模型对比假设传统的资本资产定价模型（CAPM）假设Beta系数固定不变，然而在实际的股票市场中，市场环境、宏观经济状况等因素处于动态变化中，股票的风险特征也随之不断改变。条件Beta定价模型充分考虑了这些时变因素，能够更准确地描述股票收益率与市场风险之间的关系。基于此，提出假设H1：条件Beta定价模型在解释我国股票市场收益率方面优于传统的线性Beta模型。在我国股票市场，宏观经济数据的波动、政策的调整以及行业竞争格局的变化等因素，都会对股票的风险和收益产生显著影响。例如，当宏观经济数据向好时，企业的盈利预期增加，股票的风险相对降低，Beta系数也会相应变化；而传统的线性Beta模型无法及时反映这种动态变化，导致对股票收益率的解释能力不足。条件Beta定价模型通过纳入这些时变因素，能够更灵活地调整Beta系数，从而更准确地解释股票收益率的变化。若条件Beta定价模型在解释股票收益率上表现更优，对于投资者而言，在构建投资组合时，基于条件Beta定价模型可以更准确地评估股票的风险和收益，合理调整投资组合中各股票的权重，实现更有效的风险分散和收益最大化。对于金融机构，如基金公司在进行基金产品设计和业绩评估时，采用条件Beta定价模型能够更准确地衡量基金的风险调整后收益，为投资者提供更有价值的投资建议。4.1.2非参数方法对模型性能影响假设股票市场的数据具有复杂性和多样性，呈现出非线性、非正态分布等特征。传统的参数方法在估计条件Beta定价模型时，往往需要对数据分布做出严格假设，这可能导致模型估计出现偏差。非参数方法不依赖于数据的具体分布形式，能够更好地适应股票市场数据的特点，更准确地挖掘数据中的潜在信息，从而提升条件Beta定价模型的性能。由此提出假设H2：非参数方法能够提升条件Beta定价模型在我国股票市场的性能。以股票收益率与宏观经济变量之间的关系为例，传统的参数方法假设它们之间为线性关系，然而实际情况中，这种关系可能是非线性的。非参数方法，如核回归、局部多项式回归等，能够灵活地捕捉这种非线性关系，避免因模型设定错误而导致的估计偏差。在处理含有异常值的数据时，非参数方法也具有更好的稳健性，能够减少异常值对模型估计的影响，使模型性能更加稳定。如果非参数方法能够提升条件Beta定价模型的性能，在金融风险管理领域，金融机构可以利用基于非参数方法估计的条件Beta定价模型更准确地评估风险，制定更合理的风险控制策略。在投资决策方面，投资者可以根据更准确的模型估计结果，更精准地判断股票的投资价值，做出更明智的投资决策。4.1.3市场因素对模型表现影响假设我国股票市场受多种市场因素的影响，市场流动性反映了市场交易的活跃程度和资产的变现能力，风险溢价则体现了投资者因承担风险而要求的额外回报。当市场流动性较低时，股票的交易难度增加，价格波动可能加剧，这会影响股票的风险特征，进而影响条件Beta定价模型中Beta系数的估计和模型对股票收益率的解释能力。风险溢价的变化也会对模型表现产生影响，较高的风险溢价意味着投资者对股票的预期收益要求更高，股票价格和收益率的波动也会相应改变，从而影响模型的解释能力。基于此，提出假设H3：市场流动性、风险溢价等市场因素会显著影响条件Beta定价模型在我国股票市场的表现。在市场流动性较低的时期，如市场恐慌情绪蔓延时，投资者的交易意愿降低，股票的买卖价差增大，此时股票的风险增加，条件Beta定价模型需要更准确地捕捉这种风险变化，以合理解释股票收益率。若模型不能有效考虑市场流动性的影响，可能会低估或高估股票的风险，导致对股票收益率的解释出现偏差。风险溢价方面，当经济形势不稳定时，风险溢价通常会上升，投资者对股票的风险感知增强，股票价格和收益率的波动加大，条件Beta定价模型需要根据风险溢价的变化调整对股票收益率的解释。若市场因素对模型表现有显著影响，投资者在运用条件Beta定价模型进行投资决策时，需要密切关注市场流动性和风险溢价等因素的变化，及时调整投资策略。金融机构在运用模型进行风险评估和产品定价时，也需要充分考虑市场因素的影响，提高模型的准确性和可靠性。4.2变量定义与度量4.2.1被解释变量本研究的被解释变量为股票收益率，它是衡量股票投资收益的关键指标。在金融市场中，投资者最为关注的就是股票的收益率，它反映了投资者在一定时期内持有股票所获得的收益情况。股票收益率的计算方法采用常见的对数收益率公式，即：R_{i,t}=\ln\left(\frac{P_{i,t}}{P_{i,t-1}}\right)其中，R_{i,t}表示股票i在t时期的对数收益率；P_{i,t}为股票i在t时期的收盘价，收盘价是股票在一个交易日结束时的成交价格，它综合反映了当天市场对该股票的供求关系和投资者的整体预期；P_{i,t-1}则是股票i在t-1时期的收盘价。选择对数收益率而非简单收益率，主要是基于对数收益率具有更好的数学性质。对数收益率满足可加性，在多期投资分析中，对数收益率的累加可以直接反映整个投资期间的总收益率，便于进行长期投资收益的分析和比较。对数收益率能够更好地处理价格波动较大的情况，对于股票市场中价格的大幅涨跌具有更强的适应性，能更准确地反映股票投资的实际收益变化。在实际计算过程中，利用从[具体股票交易数据库名称]获取的每只股票的每日收盘价数据，按照上述公式计算出股票的日对数收益率。通过对这些日对数收益率数据的分析，可以深入了解股票收益率的波动特征、分布情况以及与其他变量之间的关系，为后续的条件Beta定价模型实证研究提供基础数据支持。4.2.2解释变量条件Beta系数：条件Beta系数是条件Beta定价模型的核心解释变量，它衡量了股票收益率对市场组合收益率变动的敏感程度，且随市场环境和其他因素的变化而动态调整。在本研究中，采用基于非参数方法的局部多项式回归来估计条件Beta系数。局部多项式回归能够充分考虑数据的局部特征，灵活地捕捉条件Beta系数与其他解释变量之间的非线性关系。具体估计过程如下：首先，确定影响条件Beta系数的相关变量，如宏观经济变量（利率、通货膨胀率等）、市场微观结构变量（市场流动性指标等）；然后，以这些变量为解释变量，股票收益率与市场组合收益率的协方差和市场组合收益率的方差之比为被解释变量，运用局部多项式回归方法进行估计，得到每个时期的条件Beta系数估计值。市场风险溢价：市场风险溢价是指市场组合收益率与无风险利率之间的差值，它反映了投资者因承担市场风险而要求获得的额外回报。市场风险溢价的计算公式为：MRP_{t}=R_{m,t}-R_{f,t}，其中MRP_{t}表示t时期的市场风险溢价，R_{m,t}是t时期的市场组合收益率，本研究采用沪深300指数收益率来近似代表市场组合收益率，沪深300指数由沪深市场中规模大、流动性好的300只股票组成，能较好地反映市场整体走势；R_{f,t}为t时期的无风险利率，通常以国债利率作为无风险利率的近似，本研究选取1年期国债收益率作为无风险利率，国债以国家信用为保障，被认为是几乎无风险的投资工具，其收益率可作为无风险利率的合理代表。市场风险溢价的大小会影响投资者对股票的预期收益，进而影响股票价格和条件Beta定价模型的表现。4.2.3控制变量公司规模：公司规模是一个重要的控制变量，通常用股票的流通市值来衡量，即Size_{i,t}=P_{i,t}\timesS_{i,t}，其中Size_{i,t}表示股票i在t时期的流通市值，P_{i,t}为股票i在t时期的收盘价，S_{i,t}是股票i在t时期的流通股数量。公司规模对股票收益率和风险特征有显著影响，一般来说，大型公司由于其资源丰富、市场份额稳定、抗风险能力强等优势，股票的风险相对较低，收益率也可能相对稳定；而小型公司可能具有更高的成长性，但同时也伴随着更大的风险和不确定性，股票收益率的波动可能较大。在条件Beta定价模型中控制公司规模变量，可以更准确地分析其他解释变量对股票收益率的影响。账面市值比：账面市值比（BM_{i,t}）是指公司的账面价值与市场价值之比，即BM_{i,t}=\frac{Book_{i,t}}{Market_{i,t}}，其中Book_{i,t}表示股票i在t时期的账面价值，可通过公司的财务报表获取；Market_{i,t}为股票i在t时期的市场价值，即股票的流通市值。账面市值比反映了公司的价值被市场低估或高估的程度，具有较高账面市值比的公司，通常被认为是价值型公司，其股票可能具有较高的潜在收益和较低的风险；而账面市值比低的公司可能被视为成长型公司，股票风险相对较高。控制账面市值比变量，可以进一步控制公司的价值特征对股票收益率的影响，提高条件Beta定价模型的解释能力。市场流动性：市场流动性用换手率（Turnover_{i,t}）来衡量，换手率的计算公式为Turnover_{i,t}=\frac{V_{i,t}}{S_{i,t}}，其中V_{i,t}表示股票i在t时期的成交量，S_{i,t}是股票i在t时期的流通股数量。换手率反映了股票在市场上的交易活跃程度，市场流动性越高，股票的换手率通常也越高，交易成本相对较低，投资者更容易买卖股票，股票的风险可能相对较低；反之，市场流动性较低时，股票的交易难度增加，风险上升。在研究中控制市场流动性变量，有助于分析其对条件Beta定价模型表现的影响，以及在不同市场流动性条件下模型对股票收益率的解释能力。4.3模型构建4.3.1基于非参数方法的条件Beta定价模型设定在传统的条件Beta定价模型基础上，结合非参数方法进行模型设定。传统条件Beta定价模型表达式为R_{i,t}=R_{f,t}+\beta_{i,t}[R_{m,t}-R_{f,t}]+\epsilon_{i,t}，然而传统模型在估计\beta_{i,t}时，往往采用参数方法，对数据分布做出严格假设，这在复杂多变的股票市场中可能导致偏差。本研究采用非参数方法中的局部多项式回归来估计条件Beta系数\beta_{i,t}。假设条件Beta系数\beta_{i,t}是关于一系列解释变量X_{t}（包括宏观经济变量如利率r_{t}、通货膨胀率\pi_{t}，市场微观结构变量如市场流动性指标L_{t}等）的函数，即\beta_{i,t}=g(X_{t})，其中g(\cdot)为未知的函数形式。局部多项式回归的基本思想是在每个观测点t的局部邻域内，通过拟合多项式来逼近未知函数g(X_{t})。对于给定的观测点t，定义其局部邻域，在该邻域内，通过最小化以下目标函数来估计多项式的系数：\min_{\beta_{0},\beta_{1},\cdots,\beta_{p}}\sum_{s=1}^{n}K_{h}(X_{t}-X_{s})\left[\frac{\text{Cov}(R_{i,s},R_{m,s})}{\text{Var}(R_{m,s})}-\beta_{0}-\beta_{1}(X_{s1}-X_{t1})-\cdots-\beta_{p}(X_{sp}-X_{tp})\right]^{2}其中，K_{h}(\cdot)是核函数，起到对邻域内数据点加权的作用，h为带宽参数，决定了邻域的大小；n为样本数量；p为多项式的阶数；X_{sj}表示第s个观测点的第j个解释变量，X_{tj}表示第t个观测点的第j个解释变量；\frac{\text{Cov}(R_{i,s},R_{m,s})}{\text{Var}(R_{m,s})}为股票i与市场组合在s时期的收益率协方差与市场组合收益率方差之比，作为被解释变量用于估计条件Beta系数。通过上述局部多项式回归方法得到条件Beta系数\beta_{i,t}的估计值后，基于非参数方法的条件Beta定价模型为：R_{i,t}=R_{f,t}+\hat{\beta}_{i,t}[R_{m,t}-R_{f,t}]+\epsilon_{i,t}其中，\hat{\beta}_{i,t}为通过局部多项式回归估计得到的条件Beta系数。这种基于非参数方法的模型设定，能够更灵活地捕捉条件Beta系数与解释变量之间复杂的非线性关系，避免了传统参数方法对数据分布假设的依赖，提高了模型对股票市场数据的适应性和解释能力。4.3.2对比模型选择选择传统的资本资产定价模型（CAPM）作为对比模型，主要原因在于CAPM是现代金融理论中最经典的资产定价模型之一，具有广泛的应用和深厚的理论基础。CAPM模型假设投资者具有同质预期、市场无摩擦、资产无限可分等条件，认为资产的预期收益率与市场风险溢价和固定的Beta系数呈线性关系，即E(R_i)=R_f+\beta_i[E(R_m)-R_f]。尽管CAPM模型存在一定的局限性，但其简单直观的线性框架为资产定价提供了重要的基准，许多后续的资产定价模型都是在CAPM的基础上发展而来。在我国股票市场的研究中，将条件Beta定价模型与CAPM进行对比，可以清晰地展示考虑市场动态因素和时变Beta系数的条件Beta定价模型在解释股票收益率方面的优势。CAPM模型假设Beta系数固定不变，无法反映股票风险特征随市场环境变化而产生的动态调整。而我国股票市场受宏观经济波动、政策调整、投资者情绪等多种因素影响，股票的风险特征变化较为频繁。通过对比，能够明确条件Beta定价模型在捕捉这些动态变化、更准确解释股票收益率方面的改进之处，为投资者和金融机构在选择定价模型时提供参考。此外，还选择传统的线性Beta模型作为对比模型。传统线性Beta模型在估计Beta系数时，通常采用简单的线性回归方法，假设Beta系数在整个样本期内保持不变，且与其他因素之间为线性关系。这种模型在处理股票市场复杂多变的数据时，往往无法准确捕捉Beta系数的动态变化和变量之间的非线性关系。与基于非参数方法的条件Beta定价模型相比，传统线性Beta模型的局限性更加明显。通过对比，能够突出非参数方法在提升条件Beta定价模型性能方面的作用，验证非参数方法在处理股票市场数据时的优势，如更好地适应数据的非正态性、非线性特征，减少模型设定误差，从而更准确地解释股票收益率的变化。4.3.3模型估计方法选择本研究选择局部多项式回归作为基于非参数方法的条件Beta定价模型的估计方法，主要基于以下依据和优势。从数据适应性角度来看，股票市场数据具有复杂性和多样性，呈现出非线性、非正态分布等特征。局部多项式回归不依赖于数据的具体分布形式，对数据的分布假设要求极低，能够很好地适应股票市场数据的这些特点。例如，在估计条件Beta系数时，数据中可能存在异常值或者变量之间存在复杂的非线性关系，传统的参数估计方法可能会受到这些因素的干扰，导致估计偏差。而局部多项式回归通过在局部邻域内进行多项式拟合，能够有效减少异常值的影响，灵活地捕捉变量之间的非线性关系，更准确地估计条件Beta系数。在估计精度方面，局部多项式回归在局部邻域内进行估计，能够充分利用数据的局部特征。通过合理选择带宽参数和核函数，可以控制邻域的大小和数据点的权重，使得估计结果更加贴近数据的真实情况。与其他非参数估计方法如核估计相比，局部多项式回归不仅考虑了观测点与待估计点的距离，还考虑了数据的局部趋势，能够提供更精确的估计。在分析股票收益率与宏观经济变量之间的关系时，局部多项式回归可以根据不同时期数据的局部特征，更准确地刻画变量之间的关系，从而提高条件Beta定价模型的估计精度。局部多项式回归还具有良好的稳健性。在面对数据中的噪声和干扰时，局部多项式回归能够保持相对稳定的估计性能。在股票市场中，数据可能会受到各种突发事件、市场异常波动等因素的影响，产生噪声和干扰。局部多项式回归通过在局部邻域内进行拟合和加权平均，能够有效地平滑噪声，减少干扰对估计结果的影响，使模型的估计结果更加可靠，为后续的实证分析和投资决策提供坚实的基础。五、实证结果与分析5.1描述性统计分析5.1.1变量基本统计特征展示对选取的股票收益率、条件Beta系数、市场风险溢价以及控制变量（公司规模、账面市值比、市场流动性）等进行描述性统计分析，结果如表1所示：变量观测值均值标准差最小值最大值股票收益率（R_{i,t}）[具体观测值数量][具体均值][具体标准差][具体最小值][具体最大值]条件Beta系数（\beta_{i,t}）[具体观测值数量][具体均值][具体标准差][具体最小值][具体最大值]市场风险溢价（MRP_{t}）[具体观测值数量][具体均值][具体标准差][具体最小值][具体最大值]公司规模（Size_{i,t}）[具体观测值数量][具体均值][具体标准差][具体最小值][具体最大值]账面市值比（BM_{i,t}）[具体观测值数量][具体均值][具体标准差][具体最小值][具体最大值]市场流动性（Turnover_{i,t}）[具体观测值数量][具体均值][具体标准差][具体最小值][具体最大值]从股票收益率来看，其均值[具体均值]反映了样本股票在观测期内的平均收益水平。标准差[具体标准差]衡量了股票收益率围绕均值的波动程度，标准差越大，说明股票收益率的波动越大，投资风险相对越高。最小值[具体最小值]和最大值[具体最大值]展示了股票收益率在观测期内的极端值情况，这些极端值可能是由于市场突发事件、公司重大消息等因素导致的。条件Beta系数的均值[具体均值]表示样本股票对市场组合收益率变动的平均敏感程度。若均值大于1，说明整体样本股票的波动大于市场平均波动；若小于1，则波动小于市场平均波动。标准差[具体标准差]体现了条件Beta系数的离散程度，离散程度越大，说明不同股票的条件Beta系数差异越大，即不同股票对市场波动的敏感程度差异较大。市场风险溢价的均值[具体均值]反映了投资者在观测期内承担市场风险所获得的平均额外回报。标准差[具体标准差]显示了市场风险溢价的波动情况，其波动可能与宏观经济形势、市场情绪等因素有关。最小值[具体最小值]和最大值[具体最大值]展示了市场风险溢价在不同市场环境下的极端取值。公司规模的均值[具体均值]和标准差[具体标准差]分别反映了样本公司的平均规模大小和规模的离散程度。规模较大的公司通常在市场上具有更强的竞争力和稳定性，而规模较小的公司可能具有更高的成长性，但也伴随着更大的风险。账面市值比的均值[具体均值]和标准差[具体标准差]体现了样本公司价值被市场低估或高估的平均程度以及这种程度的离散情况。较高的账面市值比可能意味着公司被市场低估，具有潜在的投资价值；较低的账面市值比则可能表示公司被市场高估。市场流动性（以换手率衡量）的均值[具体均值]和标准差[具体标准差]反映了样本股票在市场上的平均交易活跃程度以及交易活跃程度的离散情况。较高的换手率通常表示市场流动性较好，股票交易容易达成；较低的换手率则可能意味着市场流动性较差，交易难度增加。5.1.2数据分布特征分析为了深入了解数据的分布特征，绘制各变量的直方图和核密度估计图，以直观展示数据的分布形态，并运用统计检验方法判断数据是否符合正态分布等常见分布假设。从股票收益率的直方图和核密度估计图可以看出，其分布呈现出尖峰厚尾的特征，与正态分布存在明显差异。通过Jarque-Bera检验进一步验证，该检验统计量的值为[具体检验统计量值]，对应的p值远小于0.05，拒绝数据服从正态分布的原假设，说明股票收益率不服从正态分布。这种尖峰厚尾的分布特征表明股票市场中存在较多的极端值，即股票价格可能会出现较大幅度的波动，这与股票市场的实际情况相符，市场中各种突发事件、投资者情绪波动等因素都可能导致股票价格的大幅涨跌。条件Beta系数的分布也不呈现正态分布。从其直方图和核密度估计图可以观察到，分布存在一定的偏态，说明不同股票的条件Beta系数分布不均匀，部分股票的条件Beta系数可能集中在某个区间，而另一部分股票的条件Beta系数则偏离该区间较远。这种分布特征反映了不同股票对市场波动的敏感程度存在较大差异，且受到多种因素的影响，如公司所处行业、公司规模、市场环境等。市场风险溢价的数据分布同样不满足正态分布假设。其分布受到宏观经济因素、市场供求关系等多种因素的影响，呈现出复杂的分布形态。在经济繁荣时期，市场风险溢价可能相对较低且波动较小；而在经济衰退或市场不确定性增加时，市场风险溢价可能会升高且波动加剧，导致其分布出现偏离正态分布的情况。公司规模、账面市值比和市场流动性等变量的分布也各自呈现出独特的特征，均不服从正态分布。公司规模受到行业特点、企业发展阶段等因素的影响，不同行业和不同发展阶段的公司规模差异较大，导致其分布呈现出非正态特征。账面市值比反映了公司价值与市场价值的关系，由于市场对不同公司的估值存在差异，且受到公司财务状况、市场预期等因素的影响，其分布也表现出非正态性。市场流动性受到市场参与者行为、市场交易规则等因素的影响，不同股票的流动性差异较大，导致其分布不符合正态分布。数据不服从正态分布等常见分布假设，这进一步说明了在研究我国股票市场时，采用非参数方法的必要性。非参数方法不依赖于数据的具体分布形式，能够更好地处理这些非正态分布的数据，更准确地挖掘数据中的潜在信息，从而为条件Beta定价模型的估计和分析提供更可靠的支持。5.2相关性分析5.2.1变量间相关性检验结果为了深入了解各变量之间的关系，对股票收益率、条件Beta系数、市场风险溢价以及控制变量（公司规模、账面市值比、市场流动性）进行相关性检验，采用皮尔逊相关系数来衡量变量之间的线性相关程度，检验结果如表2所示：变量股票收益率条件Beta系数市场风险溢价公司规模账面市值比市场流动性股票收益率1[具体相关系数1][具体相关系数2][具体相关系数3][具体相关系数4][具体相关系数5]条件Beta系数[具体相关系数1]1[具体相关系数6][具体相关系数7][具体相关系数8][具体相关系数9]市场风险溢价[具体相关系数2][具体相关系数6]1[具体相关系数10][具体相关系数11][具体相关系数12]公司规模[具体相关系数3][具体相关系数7][具体相关系数10]1[具体相关系数13][具体相关系数14]账面市值比[具体相关系数4][具体相关系数8][具体相关系数11][具体相关系数13]1[具体相关系数15]市场流动性[具体相关系数5][具体相关系数9][具体相关系数12][具体相关系数14][具体相关系数15]1从表中可以看出，股票收益率与条件Beta系数呈现出[具体相关方向及程度，如显著正相关，相关系数为具体数值]的关系，这表明股票收益率会随着条件Beta系数的变化而相应变动，条件Beta系数越大，股票收益率对市场组合收益率变动的敏感程度越高，股票收益率也可能越高。股票收益率与市场风险溢价的相关系数为[具体相关系数2]，呈现出[具体相关方向及程度]的关系，说明市场风险溢价的变化会对股票收益率产生影响，当市场风险溢价增加时，投资者对股票的预期收益要求提高，股票收益率也可能随之上升。公司规模与股票收益率的相关系数为[具体相关系数3]，二者呈现[具体相关方向及程度]的关系。一般来说，大型公司由于其资源丰富、抗风险能力强等优势，股票收益率可能相对较为稳定，但也可能因为市场对其增长预期较低，导致收益率相对较低；小型公司则可能具有更高的成长性，股票收益率的波动较大。账面市值比与股票收益率的相关系数为[具体相关系数4]，表现出[具体相关方向及程度]的关系。较高的账面市值比通常意味着公司的价值被市场低估，可能具有较高的潜在收益；较低的账面市值比则可能表示公司被市场高估，股票收益率可能受到影响。市场流动性与股票收益率的相关系数为[具体相关系数5]，呈现出[具体相关方向及程度]的关系。市场流动性越高，股票交易越活跃，交易成本相对较低，投资者更容易买卖股票，股票收益率可能会受到积极影响；反之，市场流动性较低时，股票交易难度增加，收益率可能受到抑制。在控制变量之间，公司规模与账面市值比的相关系数为[具体相关系数13]，表明两者之间存在一定的关联，规模较大的公司可能具有不同的账面市值比特征，这与公司的行业特点、发展阶段等因素有关。公司规模与市场流动性的相关系数为[具体相关系数14]，说明公司规模可能会影响股票的市场流动性，大型公司的股票通常交易更为活跃，市场流动性较高。账面市值比与市场流动性的相关系数为[具体相关系数15]，体现了两者之间的某种联系，账面市值比的变化可能会影响投资者对股票的交易意愿，进而影响市场流动性。5.2.2结果解读与分析上述相关性结果对研究假设具有初步的验证作用。对于假设H1，条件Beta定价模型在解释我国股票市场收益率方面优于传统的线性Beta模型。从相关性分析结果来看，股票收益率与条件Beta系数之间存在显著的相关性，且条件Beta系数能够动态反映市场因素对股票风险特征的影响，这表明条件Beta定价模型考虑了更多影响股票收益率的动态因素，相比传统线性Beta模型中固定的Beta系数，更能准确地描述股票收益率与市场风险之间的关系，初步验证了假设H1。对于假设H2，非参数方法能够提升条件Beta定价模型在我国股票市场的性能。由于非参数方法能够更好地处理股票市场数据的非线性、非正态分布等复杂特征，通过局部多项式回归等非参数方法估计得到的条件Beta系数与股票收益率之间呈现出显著的相关性，这说明非参数方法能够更准确地挖掘数据中的潜在信息，捕捉变量之间的真实关系，从而提升条件Beta定价模型对股票收益率的解释