条件资产定价模型及其检验.doc

1、条件资产定价模型及其检验肖俊喜 1 王庆石 2（辽宁大连 东北财经大学，1 数量经济系，2 国际商学院，116025）摘要：本文在随机贴现因子框架下论述了条件资产定价理论模型及其检验方法，并证明了条件资产定价模型随机贴现因子表示法与贝塔表示法的等价性。条件资产定价模型检验关键是如何使用条件变量和工具变量将条件资产定价模型转化为无条件资产定价模型进行参数估计（GMM 和 Hansen-Jagannathan 距离法）和非参数估计。关键词：条件资产定价模型 随机贴现因子 （非）参数估计一、引言风险与收益之间关系一直是金融经济学家和投资界研究的热点和难点，经过他们不懈地努力已建立了大量资产定价模型，

2、但至今仍旧未能完全解决这个难题。尽管夏普(Sharpe)(1964)、林特纳(Lintner)（ 1965）与莫辛(Mossin)(1965)形式的静态资本资产定价模型（CAPM）是战后金融经济学三个重要理论贡献之一，已成为金融经济学理论支柱，但是近来经验证据表明了 CAPM 模型并不能解释股票组合期望收益截面变化（Fama 与 French，1992） 。对静态 CAPM 模型一个重要批判就是它的静态设定在计算资产风险时没有考虑到时变的投资机会集的作用。为此，金融经济学家提出了具有时变的贝塔和风险溢价的条件资产定价模型。本文在论述条件资产定价模型理论和检验方法基础上还展望了条件资产定价模型在

3、我国股市应用前景。本文余下部分组织如下：在第二部分，在随机贴现因子框架下给出了条件资产定价理论。在第三部分，论述了估计和检验条件资产定价模型的方法参数估计和非参数估计。在第四部分，展望了条件资产定价模型在我国股市应用前景。二、条件资产定价理论(一) 条件资产定价与无条件资产定价1. 条件资产定价模型与无条件资产定价模型Lucas(1978)与 Breeden(1979)在具有同质的消费者的纯交换经济下推导出具有代表性投资者或消费者在跨期非线性预算约束下追求个人消费效用最大化的一阶条件或欧拉方程是(1)()( 11tititttit DPCuEP其中， 与 分别是资产或组合 在时刻 与 的价格；

4、 是资产或组合itit1i it1从时刻 到 的红利； 是代表性投资者或消费者在时刻 的消费；可加的it1tCt时间可分离的效用函数 是消费 连续的严格递增的二次可微凹函数；)(ut是效用函数 关于消费 的一阶倒数，即 ； ()(tCu t ttt Cu/)()()是时间贴现因子，较小的 意味着代表性投资者或消费者给予未来消0费效用较小的权重； 表示该投资者或消费者在时刻 所获得的信息集。t欧拉方程(1)表示了最优化问题充要条件：方程左边意味着如果代表性投资者在时刻 放弃单位消费投资于资产或组合 ，那么该投资者边际消费效用损失t i为 ；方程右边意味着代表性投资者在时刻 消费其所获得的总收益C

5、u 1t，那么该投资者边际消费效用增加为 。代表性)(1itR )(1ttitCuRE投资者或消费者买或卖资产直到边际消费效用增加等于边际消费效用损失。由方程(1)，便有(2)(11itittit DPM和(3)ittRE其中， 是在时刻 所获得的信息 的条件期望算子；)(tEt被称为随机贴现因子、或市场定价核、或状态价格缩减因)/11tt CuM子、或跨期消费替代率； 是资产或组合在时刻 的总收itititit PR/)(111t益。在金融经济学中，方程(2)和(3)被称为条件资产定价基本方程，因为由方程(2)和(3)在一定假设条件下可推导出任何资产（包括股票、债券、期权、期货及其其他衍生工

6、具等）的定价公式(Cochrane，2001)。实际上，条件资产定价理论是根据条件矩描述资产价格的。如果将累期望法则作用于方程(2)和(3)，那么便得到无条件资产定价基本方程，即(4)(11itittit DPME和(5)itR条件资产定价模型与无条件资产定价模型根本区别在于投资者使用时刻 的t信息集 形成预期的设定。无条件资产定价模型假定价格是根据未来收益联合t分布无条件估价而设置的，简单地取历史收益平均值估计期望收益。相反，条件资产定价模型意味着投资者具有关于未来收益联合概率分布的时变预期，使用时刻 的可获得的信息集 ，构造在时刻 的已实现的收益条件估计值。当这t tt两个方法都用来解释期

7、望收益截面变化时，只有条件资产定价模型才能捕捉到期望收益的时间序列特征。无条件资产定价模型提出不同资产平均收益之差可用平均风险进行解释，假设期望收益不变，没有时间序列特征。条件资产定价模型预测条件风险之差决定了条件期望收益之差，但隐含着期望收益随条件风险以及时变的风险溢价而变化。2. 均值-方差（有效）边界条件均值-方差（有效）边界被定义为给定 使 最小的收益)(1itRE)(1itVar的集合；无条件均值-方差（有效）边界被定义为给定 使 最小ititR的收益（包括管理组合的收益）的集合。如果收益 在无条件均值-方差（有it效）边界上，那么它也在条件均值-方差（有效）边界上；但是如果收益 在

8、it1条件均值- 方差（有效）边界上，那么它未必在无条件均值-方差（有效）边界上。由此可知，条件均值-方差有效收益（条件资产定价模型）不必无条件地定价固定加权组合。经验上，检验无条件资产定价模型（例如，静态 CAPM 模型）就是检验无条件期望收益和贝塔敏感性；也就是说，无条件资产定价模型的经验检验是检验特定的组合是否是无条件均值-方差有效的。而条件资产定价模型的经验检验是检验条件期望收益、时变的风险溢价和时变的贝塔敏感性；也就是说，条件资产定价模型的经验检验是检验特定的组合是否是条件均值-方差有效的。（二） 随机贴现因子模型和多贝塔条件资产定价模型Cochrane(2001)已证明了随机贴现因

9、子模型和贝塔定价模型是两个从不同角度表述同样一件事的模型。但现在许多学者喜欢在随机贴现因子框架下研究资产定价，这是因为随机贴现因子模型更一般，它（在一定假设条件下）包括了所有其他常见的资产定价公式。下文简单地研究随机贴现因子模型和多贝塔条件资产定价模型两者之间关系。多贝塔条件资产定价模型(6)KjjtititRE101其中，系数 是资产 在时刻 相对于第 ( )个风险因子 的贝塔。ijti , 1,tjF这些贝塔是资产期望收益对因子 ( )多元条件回归系数。 (1,tjF, )是第 ( )个风险因子 的风险溢价，其表示单位第 类Kj,1K,11,tj j型贝塔期望收益增量。这些风险溢价并不依赖

10、于特定的资产 。 是零贝塔组it0合条件期望收益，它是与模型中每个因子都不相关的任意资产期望收益。如果存在无风险资产，那么 就是无风险资产收益。t0当因子捕捉了相关的系统风险时，将多贝塔条件资产定价模型作为随机贴现因子表示特例进行推导。这意味着收益对因子回归中扰动项 未被定价；itu1也就是说，扰动项 与随机贴现因子 条件无关，即 。itu11tM0),(tMCov假设 是零贝塔组合在时刻 收益， 是该组合条件期ztR1 /0ttE望收益。由方程(3)，可得(7)/),( 1101 tittttit RCovRE将回归模型(8)11,01tKjtjitit uF代入方程(7)右边，并假设 ，则

11、有),(titMuov(9) Kj ttjttittit MEFCovRE1 11,01 /)(于是，单位第 类型贝塔风险溢价 。在这j ,ttjttjt个特例中，如果因子 是可交易的资产收益，那么方程(9)隐含着1,tjF；期望风险溢价等于因子投资组合期望超额收益。ttjtjt 01,假设随机贴现因子 是因子 ( )线性组合，即tM1,tj K,，那么可由方程(9)逆推导到方程(6)。因此，存1,01 tKttt bbM在这样的系数 ( )，使得方程(6) 成立。因而，实际上条件资产定j ,价模型随机贴现因子表示与多贝塔表示是等价的。所以，我们可得到这样的一个定理：定理 1 随机贴现因子模型

12、方程(3)与多贝塔条件资产定价模型方程(6)等价，这里，(10)Kjtjtt FbM1,01(11)tKj tjttjtt VarEb 01,0 /)(/， (12)(/1,0tjtjtjt K综述上文论述不难给出此命题证明，为了节省篇幅，详细的证明过程省略了。为了更简洁地表示随机贴现因子模型和贝塔条件资产定价模型，我们使用向量形式表示。随机贴现因子方程(10) 向量表示形式为(13)11tttaMFb多贝塔条件定价模型方程(6)向量表示形式为(14)0ttitRE这里， 是个 维列向量； 是资产 条件期望) , (1Ktttb ),(,1itKit i收益 对因子 的多元回归系数的 维列向量

13、。iRE ) ,(11, tKtF由方程(13)、 (14)以及定理 1 不难得到风险溢价 为t(15)/ 111 ttttttt MEMF这里， 是个 维列向量。) ,(Kt（三） 条件非线性资产定价模型方程(10)与(13)中所设定的随机贴现因子 是因子组合1t的线性函数，因此方程(2)与(3)就是条件线性资产定价模) ,(11, tKtt FF型。如果随机贴现因子 是因子组合 的非线性函数tM) ,(1, tKtt FF（但相对于待估计的参数而言是线性的） ，那么方程(2)与(3)就是条件非线性资产定价模型。假如非线性的随机贴现因子 精确的设定形式是未知的，那么1t参数估计时必须要进行近

14、似。由维尔斯特拉斯定理（Weierstrass Theorem ）而知，任何连续函数在其定义域内都能被多项式无限逼近。假如因子组合中各个因子相互是正交的（即使不是正交的，也无关紧) ,(11,1tKtt FF要，可进行施密特正交化，生成相互正交的因子组合） ，那么非线性的随机贴现因子 的 阶近似为tMq(16)11tttaMHb这里， ， 是个) , , ,(1,1 qKqttt FH ),(,1tqKttb维的列向量。K于是，我们可以获得类似于上文中的结论，在此就不一一赘述了。有兴趣的读者，可自行推导。三、条件资产定价模型估计方法和检验理论上，我们得到了在时刻 的信息集 上的条件矩模型。如果

15、收入与随tt机贴现因子是独立同分布的，那么条件资产定价模型方程(2)和(3)就是无条件资产定价模型方程(4)和(5) 。于是，我们没有必要担心条件资产定价模型与无条件资产定价模型两者之间区别。实际上，收入与随机贴现因子并不是独立同分布的。因此，从经验分析的角度来看，不能将检验无条件资产定价模型的经济计量学方法直接应用于条件资产定价模型。因而，如何刻画条件信息建立条件矩模型是我们必须要解决的首要问题。(一) 刻画条件信息 标度收益1. HGT 方法非参数方法一般地，投资者信息集 是不可观察的。这种不可观察性构成了检验条件t资产定价模型最重要的实际障碍：经济计量学家信息集 至多是投资者信息集tI的

16、子集，即 。于是，在经济计量学家眼里，条件资产定价模型方程(3)应tttI为(17)11titIRMEHansen，Gallant 与 Tauchen(1990)引入非参数方法刻画方程(17)中的条件信息。他们设工具变量 （ 是工具变量个数） ，存在可ttQtttZ) ,(测函数 ，使得下列方程)(tfZ(18)(1ttitt fEfZ成立。这样，可将条件资产定价模型方程(3)或(17) 转化为无条件资产定价模型方程(18)。通常，将方程 (18)中 称为管理组合总收益或动态组合总收益。)(1ttfR方程(18)表明投资者根据所观察到信息 进行积极动态投资，而不是采取“买t而持有”消极投资策略

17、。为了更准确地诠释方程(18)经济含义，将方程(18)等价地写为(19)()(11 tittititt fPEfDPMEZ方程(19)表明了投资者遵守线性规则：如果在时刻 投资 单位资本，)(titf那么在时刻 可获得 单位收入。t tititfHansen，Gallant 与 Tauchen 的非参数方法要求经济计量学家设定和估计资产收益 与随机贴现因子 的联合条件分布的显性统计模型。但这种方法1tR1tM的缺陷就是假定知道真实的条件模型以及条件分布中待估计的参数个数。显然，这假设条件是比较严格的。2. Cochrane 方法Cochrane(1996)提出了另一种更简单的方法刻画方程(17

18、)中的条件信息。本文此处将此方法称为 Cochrane 方法。Cochrane 采用克罗内克积（Kronecker Product）将工具变量 直接作用于方程(17)和(2) 两边并取无条件期望，便有tZ(20)1)(1ttitt ERMEZ和(21)1 tittititt PDP这里， “ ”表示克罗内克积算子（Kronecker Product Operator） 。于是，同样可将方程(20)中 称为管理组合总收益或动态组合总收益。方程(20)与(21)经)(1titRZ济含义和方程(18) 与(19) 类似。与 HGT 方法相比，Cochrane 方法简单又适用，得到了国外学者广泛认可和

19、应用。Hansen，Gallant 与 Tauchen 的非参数方法和 Cochrane 方法给出了如何刻画条件信息非常简单的视角。正如 Cochrane（2001，第 136 页）所指出：“增添管理组合收入（或管理组合总收益） ，使用无条件矩进行处理，仿佛不存在条件信息” 。(二) 标度因子由随机贴现因子公式(10) 、(13) 以及(16)可知，随机贴现因子 具有时变1tM性。如何刻画随机贴现因子 中条件信息也是我们必须要解决的问题。类似1tM于刻画条件矩模型中条件信息用工具变量标度总收益一样，Cochrane(1996)给出了刻画随机贴现因子 中条件信息的一种简单方法用当前信息集t中能够

20、概述条件信息的条件变量 标度因子。本文此处以条件线性资产定价t模型为例说明如何使用条件变量标度因子。维初始因子组合 经 维条件变量K) ,(11,1tKtt FFL标度可获得) ,(,1tLttcc。这里 是 维新 , ,() ,(, tttt cF 1t)(LK的因子组合；“ ”表示克罗内克积算子（Kronecker Product Operator） 。于是，公式(10)可写为(22) LiKjtjiKjtjt FcbFbM11,1,01 )(新增加的因子是初始因子标度形式，例如，因子 （ ，,tji Li） 。具有时变系数的随机贴现因子公式(10)变为不变系数的随机贴现因Kj1 这里用术

21、语条件变量而不用工具变量，为了避免与前文中工具变量在概念上混淆。子公式(22)。尤其，用一维条件变量标度单因子条件线性资产定价模型（例如，条件 CAPM 模型） ，那么可将单因子条件线性资产定价模型转化为二因子无条件资产定价模型。但这个多因子无条件资产定价模型与 Ross(1976)所给出的多因子资产定价模型存在两个重要区别：第一，没有假设收益具有（非）线性因子资产定价模型所假定的（非）线性因子结构；第二，初始因子标度形式以及因子风险溢价都是先决变量，并不是通常意义下所理解的因子。(三) 估计第二部分设定随机贴现因子 是因子组合 或1tM) ,(11,1tKtt FF的线性函数，并且假定了其具

22、体的函数) , , ,111,1 qKtqttt FFH形式，因而可以进行参数估计。如果不知道随机贴现因子 具体的函数形式，tM那么可以进行非参数估计，避免随机贴现因子 关于因子组合1t或 的函数形式误) ,(11,1tKttF ) , , ,( 11,1 qtKqttt H定。1. 参数估计(1) 广义矩法(GMM)将随机贴现因子 用向量的形式表示为 ，这里1tM),1();(1tttMb或 。将累期望法则作用于方程(3)，可得到) ,1ttt cF ) ,(ttc无条件资产定价模型(23);11 ttttt EEZRb其中， 是 个资产或组合收益组合列向量； ,11Ntt R是在时刻 投资

23、者已知的 个工具变量的列向量，即 ； ,1QtZ Qtt是个每个元素都为 1 的 维列向量。如果对所有的工具变量 ，方程t(23)都成立，那么方程 (3)也成立。由方程(23)可知，方程 (23)两边都是无条件一阶矩形式，自然而然让人想起用 Hansen(1982)的 GMM 估计和检验无条件资产定价模型方程(23)。设表示样本均值， 是样本观察期数。定义组合定价误差 维列TtTE1T 1NQ向量样本矩 为g(24)(;);,( 11 tTttttT EMEZ1RbbZR GMM 估计的目的是选择 使定价误差加权平方和达到最小。设 表示W阶加权矩阵。GMM 样本目标函数可写为NQ(25);,(

24、);,() bWgZgTTJ于是，方程(25) 最小化的一阶条件为(26)0);,(;, RbTT这里， 是 的估计值。为了简化符号，定义定价误差关于参数 的样本矩的梯b b度 为);,(ZRDT(27)();,();,( 11ttTTT EZRbZgRD将方程(24)和 (27)代入方程 (26)，可得到参数估计值的解析解：(28)(1tTTWDb的估计值 渐近服从正态分布(Hansen ，1982)，其方差为b(29)11 )() TTVar DS其中， 是模型定价误差协方差阵一致估计值。TS于是，定价误差 的协方差阵为Tg(30)()()( 111 WII TTTTar 其中， 是个 阶

25、的单位阵。INQ由上文可知，在用 GMM 估计无条件资产定价模型方程 (23)的整个过程中，加权矩阵 起了至关重要作用，因而，如何设定加权矩阵 是经济计量学家W面临的新问题。如果 ，那么方程(28)中的系数估计是最优的（具有最小1TS的渐近协方差） ，其协方差阵变为(31)11)()(TOWVarDSb这里， 表示最优加权。O(2)Hansen-Jagannathan 距离法(HJD)尽管使用定价误差的协方差矩阵的逆 作为加权矩阵，得到了有效的参数1TS估计，但由于不同模型设定中的加权矩阵 都是不相同的，因此不能够使用二次型(25)的值比较不同模型定价误差相对大小。如果某个模型包含的噪声越多，

26、即定价误差方差越大，那么二次型(25)的值越小。在这种情形下，会得到这样让人误解的结论：模型噪声越大，该模型就表现得越好。因而，无法拒绝某个定价模型不是由于定价能力的改善，而是定价模型噪声增加的缘故。Hansen 与 Jagannathan(1997)提出使用收益 样本二阶矩 的逆1tR1tTER作为加权矩阵。对本文此处所使用的 GMM 而言，应该使用工具变量所标度的总收益 样本二阶矩 的逆作为加权矩阵，即ttZR1 )(1ttttTEZ(32)11RW于是，总收益加权的参数估计值的解析解为(33)(1tTRWTEDb总收益加权的定价误差 的协方差阵为RTg )()( 11 RWTRWTWRW

27、TVar DISDIg (34)在工具变量所标度的总收益样本二阶矩的逆 作为加权矩阵下，HansenR与 Jagannathan 证明了二次型 (25)的值就是既定模型的候选随机贴现因子与所有正确定价资产的随机贴现因子集距离的平方。在金融经济学中，一般地称此情形下所计算的二次型值的平方根为 Hansen-Jagannathan 距离。于是，将此方法称为 Hansen-Jagannathan 距离法，简称为 HJD。利用模型定价误差协方差阵 的逆 和工具变量所标度的总收益样本二TS1阶矩的逆 分别作为加权矩阵，检验所有定价误差都等于零的零假设所对应RW的统计量为(35)1()()()( 21 K

28、LqNQJOWTOTOT bgb(36)VarRRRWRg其中， 表示收益加权的定价误差 的协方差矩阵 广义逆；HVar HJT(HJTVarg定价误差正交方程的个数是 ，待估计的参数的个数是 ，于是，NQ)统计量 的自由度是 。)(TJ 1)(KLq虽然 GMM 估计量是有效的，Hansen-Jagannathan 距离法的估计量通常并不是有效的，但是估计无条件资产定价模型方程(23)一般都使用 Hansen-Jagannathan 距离法，而不使用 GMM。主要基于以下两点：第一，Hansen-Jagannathan 距离法避免了过于波动的定价误差所引起的无法拒绝定价模型的缺陷。加权矩阵是

29、工具变量所标度的总收益样本二阶矩的逆，而不是模型定价误差二阶矩的逆。因此，只要到可接受的定价核的最小平方距离减少，那么 Hansen-Jagannathan 距离就会下降，但是如果随机贴现因子生成了波动的定价误差，那么 Hansen-Jagannathan 距离就不会下降。因此，使用Hansen-Jagannathan 距离法无法拒绝资产定价模型，是由于模型定价能力改善，而不是定价模型噪声增加的缘故。第二，Hansen-Jagannathan 距离法的结果比 GMM 更稳健。因为收益加权矩阵 工具变量所标度的总收益样本二阶矩的逆不是待估计的参数的函数。RW2. 非参数估计为了简便起见，本文根据

30、 Wang(2003)思想以条件 CAPM 模型为例说明如何使用非参数估计方法估计和检验条件资产定价模型方程(3)。由于方程(3)对一切资产都成立，将其作用于无风险资产并进行整理，可得(37)0)(11tftittRME其中， 是无风险资产在时刻 总收益。ftR1条件 CAPM 模型假定市场组合是条件均值- 方差有效的，当且仅当(38)(,)()( 1111 tftmt tffittftmttftit RVarCovE 由方程(38)，可得(39)( 21111 tftmt tffittftmttftit ERER设 维条件变量 ，使得LttLttc) ,(,1c(40)1tff Rc(41)

31、(22tttmt如果方程(40) 和(41) 都成立，那么条件 CAPM 模型定价误差能被表示为 )()( 1121111 tftitttftmt tffittftmttftit RMERERERE (42)其中，随机贴现因子 ，这里 ，)(11ftttbMc )(/)(tmttybcc， 。这样方程(38)和方程(37)是)(1ftmttmycc )21tmtmy等价的，在此又一次以条件 CAPM 模型证明了第二部分中的定理 1。因此，能够非参数估计随机贴现因子 ，即tM(43)(11ftt Rbc其中， ，)(/)()(tmttybc(44)TsstLt hKf1)(45) Ts fsms

32、ttLtm Rfhy111 )()()( ccc(46)Ts fssttLt hKfT1 211 )()()(这里，估计量 是具有核函数为 和窗宽为 的 Rosenblatt-Parzen 核密度tfc估计量； 是条件变量 的维数； 和 是 Nadaraya-Watson 核回归Lt )(tmyc)(t函数估计量。正如 GMM 中过度识别检验一样，下面研究非参数估计中定价误差统计推断。设 ，于是方程(37)变为itftitt eRM11)(47)0titE方程(47)意味着 不能被 中已知的 维列向量 （ 中包括常数 1）进itIQtZt行预测。于是，进行这样回归， (48)itiite11Z

33、N,以检验 维回归系数 是否等于 维零向量。这里 具有条QN) ,(N it1件零均值，且独立同分布的； ( )是 维列向量。 ,iQii ,Q用方程(43)中所定义的非参数随机贴现因子 代替方程(37)中随机贴现因1tM子 ，得到回归系数 的估计值 ，即1tM) ,(1 , N(49)( 1TtitTtti ewwZZ其中， ； 是权重函数， 渐近服从于正)(11ftittit Re)tmttyfc态分布（Wang，2003） 。(四) 结构稳定性检验尽管使用 GMM 进行过度识别检验，无法拒绝模型设定，但是这种检验并不能诊断模型是否给出了收益和条件变量之间稳定的时间不变关系。也就是说，可能

34、出现这样一种情形：方程(35)中的统计量 以及方程(36)中的统计量)(OWTJb都无法拒绝模型过度识别约束条件，但式(28)和(33)中的估计值 却可)(RWTJb b能随时间而发生变化。Ghysels(1998) 提出使用 Andrews(1993)的上确界拉氏乘数（Supremum Lagrange Multiplier，简写为 ）统计量检验 GMM 和 HJD 所LMsup估计的系数 是否发生结构性突变。为了避免与方程(13) 和(16)中的 混淆，重新设定 GMM 和 HJD 所估计的tb系数 为 。假设 GMM 和 HJD 所估计的系数 在时刻 发生结构性突变，b T这里 是 最大

35、的整数部分，且 是未知的。这样，就可以得到检验T)1 ,0(在未知时点 是否发生结构性突变的零假设 和备择假设 ： 0H1： ，对 ；0H0t Tt ,1：1tt ,),( 21对 对其中， ， 和 是具有相同维数的常数向量。如果 是开区间0 中某个确定的数值，那么上述检验就是邹检验。) ,(在常数 是未知的情形下，拉氏乘数统计量 为 )(TLM(50)()(1() 1bgWDbgTTTTLM这里, ，当加权矩阵 时， 1);)(t tttttT ZRbg 1TS；当加权矩阵 时， 。OW)(11 ttttTERWb上确界拉氏乘数统计量 为supL(51)(max)(1,0TTLM这里， 。上

36、确界拉氏乘数统计量 的 5显著性水平的临0.5 ,sup界值可参见 Andrews(1993)的表 1。四、条件资产定价模型在我国股市应用展望条件资产定价模型在发达的资本市场得以成功应用归因于条件变量和工具变量的选择。正因为用工具变量标度总收益和用条件变量标度因子组合，使得条件资产定价模型转化为无条件资产定价模型，使得将已有的经济计量理论更便于应用于条件资产定价模型。所选择的条件变量必须对股票收益具有很强的预测能力以及对股票期望收益截面变化具有很好的解释能力。根据现有的国外文献，经验上发现对数消费-总财富比（ 对数消费和对数资产财富与对cay数人力资本适当的加权平均之差） （Lettau 与

37、Ludvigson，2001）和期限价差（10 年期债券收益率与 1 年期国库券收益率之差） （Burke，2001）这TERM两个变量具备这两个能力，它们都是有用的条件变量。工具变量将矩条件扩展包括了基于工具变量预测信息的管理组合定价误差，从而使过度识别约束检验 统计量自由度增加。这增强了模型的检验能力。所2选择的工具变量不仅对宏观经济增长具有一定的预测能力，而且对股票收益和固定收益债券收益也有一定的预测能力。根据现有的国外文献，一般地，选择信用价差（ 穆迪投资服务公司所构造的 BAA 级债券收益率和 AAADEF级债券收益率之差） 、S9 Lettau, M. and Ludvigson,

38、 S., 2001, Consumption, Aggregate Wealth, and Expected Stock Returns, Journal of Finance, 56, 815-849；10 Ravi Jagannathan and Zhenyu Wang, 1996, The Conditional CAPM and the Cross-Section of Expected Returns, Journal of Finance, 51, 3-53；11 Stephen D. Burke, 2001, Conditional Nonlinear Asset Pricing

39、 Kernels and the Size and Book-to-Market Effects, The University of British Columbia Faculty of Commerce and Business Administration, Working paper.作者简介：肖俊喜，男，1975 年生，安徽无为人，东北财经大学数量经济学专业博士生。王庆石，男，1961 年生，辽宁辽阳人，东北财经大学国际商学院院长，教授，经济学博士，博士生导师。联系方式：通信地址：辽宁大连东北财经大学国际商学院，王庆石邮编：116025E-mail： ，wqingshidufe.e

40、d 电话：0411-4712988，4712852Conditional Asset Pricing Models and TestsJunxi Xiao 1 Qingshi Wang 2(1 Department of Quantitative Economics, 2 School of International Business, DongBei University of Finance & Economics, Dalian, LiaoNing, 116025)Abstract: In the stochastic discount factor framework, this p

41、aper discusses the conditional asset pricing models and the methods of tests, and documents that the stochastic discount factor representation of the conditional asset pricing models is equivalent to the multi-beta representation. The key to test the conditional asset pricing models is how to use th

42、e known conditioning variables and instrument variables to convert the conditional asset pricing models to the unconditional asset pricing models. Thus, the unconditional asset pricing models is estimated by the parametric methods-the generalized method of moments (GMM) and the method of Hansen-Jagannathan distance (HJD), and estimated by the nonparametric methods.Keywords: Conditional Asset Pricing Models Stochastic Discount Factor (Non)parametric Estimation