资产定价模型，特别是资本资产定价模型（CAPM）的建立和应用，基于一系列基本假设。这些假设是为了简化现实世界的复杂性，从而使模型能够在理论上工作。以下是六个关键假设，这些假设也普遍适用于其他资产定价模型的基础之上：

一、市场是完全竞争和效率的

假设所有投资者都面对相同的市场信息，并且这些信息立即反映在资产价格中。这意味着任何个体投资者都无法通过交易已知信息来获得超额回报。

市场的完全竞争和效率是理想状态下的经济假设，这两个概念在金融理论和经济学中占据着核心位置。完全竞争市场和效率市场假说（EMH）描述了一个理想的市场环境，其中价格能够完全反映所有可用信息，资源配置达到最优。

资产定价模型（Asset Pricing Models）是金融学中用于评估或预测金融资产价值的理论和模型。这些模型基于不同的假设，用于不同类型的资产，包括股票、债券、衍生品等，通过量化资产的预期收益与其所承担的风险之间的关系，帮助投资者评估投资机会并做出明智的投资决策。

以下是一些重要的资产定价模型：

1. **资本资产定价模型（Capital Asset Pricing Model, CAP

摘要

作者，石川，北京量信投资管理有限公司创始合伙人，清华大学学士、硕士，麻省理工学院博士。

一本大数据时代的实证资产定价方法前沿，请查收。

大数据时代，与资产预期收益率相关的协变量数量与日俱增。资产定价已然步入了协变量的高维数时代。在这个背景下，传统计量经济学方法在利用诸多协变量以及它们的非线性变换来预测预期收益率方面稍显逊色，而擅长处理这类问题的机器学习算法已悄然走进了实证研究和量化投资实践之中。

然而，面对收益率数据低信噪比、不满足平稳性等问题，在其他领域大放异彩的机器学习算法在资产定价中并非即插即用。大到算法选择，中到超参数调优，小到变量预处理，每一个决策都会影响机器学习

五因子模型是由Eugene Fama和Kenneth French提出的资产定价模型。

该模型在其先前的三因子模型的基础上，增加了两个新的因子：盈利能力和投资风格因子。

模型旨在更全面地解释股票回报，并在学术界和实务界都获得了广泛的关注。

1. 市场风险因子（Market Risk Factor）

资本资产定价模型（CAPM）中的核心因子，代表市场整体的风险溢价，通常用市场超额回报表示，计算公式为：

这一问题看起来非常简单，甚至略显傻瓜，资产定价的核心不就是分析影响资产预期收益的因素，而投资更是基于对收益的预期进行选择以获利。但真的仅仅如此吗?

让我们暂且回到大学一年级的微观经济学课堂。玫瑰花的价格在情人节的白天会非常贵，尤其是晚上六七点，但一旦过了晚上 9 点，价格就会暴跌，甚至低于进货成本。OK，我们当然可以说卖花的小男孩可以提前预测到玫瑰花价格的这一时间规律，从而针对性地制定进货量和销售价格策略，比如，在白天卖高价而在晚上 8 点后迅速降价力求在 9 点前卖完，以避免不必要的损失。但事实上，这一价格路径特征跟玫瑰花本身的特征没多大关系，也并非直接由时间决定，而是由时间背后的需求所决

记得大约十多年前，也就是我刚从大学毕业那会，有一次公司里一个同事热情的邀请我去参加他们教会里的一场周末活动。我当时恰好周末没啥事干，又被同事绘声绘色的宣传所吸引，于是就和另外两个朋友一起去了。

那个教会的规模非常大。它们租用了一个电影院，邀请了至少几百人。当天的活动安排的还挺丰富。首先是一个摇滚乐队，带领大家一起唱了几首欢乐颂之类的圣歌。然后是教徒个人经历分享。其中有一个教徒的经历分享让我印象深刻，这么多年以后还没有忘记。她说她自己在好几年前身患绝症，当时已经对生活放弃了希望。但是在某一时刻，她忽然感觉被上帝点拨，醍醐灌顶，从此发现了人生新的信仰和依靠。同时，她的癌症病情也开始奇迹般的好转。

投资“常识”：残差项是噪声，离得越远越好

近50年前，Fama提出石破天惊的有效市场假说(EMH)，市场有效这一理念随之深入人心。典型的资产定价模型(例如CAPM和Fama-French三因子模型)指出，一项资产或投资组合的收益由以下三个部分构成：

• 承担系统性风险获得的补偿(beta)；
• 卓越的超额收益，特别是选股能力(alpha)；
• 不可分散的异质性风险(均值为0，与系统性风险无关，且不同资产的异质性风险也相互无关)。

换言之，一项资产的收益，由系统性风险补偿，资产超额收益和随机残差项组成。无论从统计的角度，还是从金融逻辑的角度，随机残差部分都不包含任何有意义

前言

早在1993年，Fama和French两个人就已经发表了他们的三因子模型，认为股票的超额收益可以由市场风险、市值风险、账面市值比风险来共同解释。后来，这两个人发现了除了上述风险，还有盈利水平风险、投资水平风险也能带来个股的超额收益，并在2013年发表了五因子模型。本文旨在对五因子模型以及这几个因子进行简单的介绍，并给出一个简单而有效的五因子选股策略。

![{w:100}](https://bigquant.com/community/uploads/default/original/3X/3/7/3730d7aa29cb3ba0f446a4edb0de19fff37959

CAPM模型

资本资产定价模型（Capital Asset Pricing Model）于1964年提出，研究市场中资产的预期收益率和系统性风险之间的关系，其公式如下:

无风险利率可以理解为短期国债利率，任何资产的收益率应当高于该利率，市场风险溢价也应当大于0，否则不如投资稳定的国债。β衡量的是个别资产针对整个市场的波动情况，如果β>1说明该股波动大于市场平均水平，若β<1则波动比市场小。

CAPM模型指出了非常

导语：α 和 β 你肯定都听说过吧。那么 γ 呢？δ？ε？ζ，η，θ，ιι，... ω？？？那好！我们今天就来告诉你...... β 是什么。

阅读本文需要掌握 MPT 模型（level-1）和微积分（level-0）的知识。

本文是一系列文章中的第三篇。本系列从基础概念入手，推导出 CAPM 模型。系列中共有四篇：

1. 效用模型
2. [风险模型](https://www.joinquant.com/p

众所周知，Barra因子分析是目前行业内外最常用的因子分析体系。

然而在做Barra体系分析的时候常用的一个方式就是行业或市值中性化，今天主要用最易懂的语言介绍一下什么是barra因子分析体系，以及什么是因子中性化。在这里我会避开繁琐的数学公式，尽量深入浅出的让Barra体系以及市值中性化清晰易懂。

做因子分析之前首先我们需要有一个因子计算方式，在这里我们用一个动量因子来举例。

因子：

mean(close_0, 44) / close_0 - 1

这个因子是用过去（44天收盘价/当日收盘价）-1的方式获得，任何一只上市超过44天的股票都可以获取到这个因子。所以假如市场上有5

摘要

实证层面，我们也许永远找不到“最优”的 MVE 组合，但理论的突破和实证的推进对投资实务而言依然非常有益。

Any asset pricing model is the same as the statement that there is some return on the mean-variance frontier.

—— Cochrane (2005)

最近几年，机器学习在实证资产定价方面的应用愈加深入。学术界提出了很多利用机器学习方法构造的隐性多因子模型，例如 Kelly, Pruitt and Su (2019) 的 IPCA 模型、Chen, Pelge

摘要

资产定价理论保证了多因子模型和随机折现因子的等价性。实证研究应该在理论指引下展开。

1900 年，法国小伙 Louis Bachelier 在他的博士论文《投机理论》（Théorie de la spéculation）中首次使用布朗运动分析股票和期权的价格（Bachelier 1900）。然而由于他的观点在当时太前卫，并没有受到足够的重视。最终，Bachelier 没有获得优秀论文，而金融学的发端也没能提前半个世纪。这不禁让人感慨，Bachelier 的小失落，金融学的大遗憾。直到半个世纪之后，Bachelier 的成果才被 Paul Samuelson 发现。

时间终

报告摘要

主要观点

本篇是“学海拾珠”系列第四十八篇，本期推荐的海外文献研究了目标公司对其他公司公告和宏观公告的信息消化是否会带来回报溢价。作者用信息消化来代表投资者对这些公告的关注，并通过机构异常关注度（AIA）构建了预期信息消化指标（EIC），EIC=1的公司往往会受到其他公司或宏观公告的“信息溢出”，且获得回报溢价。在A股市场，我们可以用这种类似视角来研究信息消化与资产定价，筛选容易受到“信息溢出”的公司，在市场上其他公司发布公告或是宏观经济发生改变时，这些公司更容易获得回报溢价。

• 机构异常关注度和预期信息消化（EIC）

​ 机构异

摘要

来自：Finance Research Letters 48 (2022)

作者：Matthias X. Hanauera, Marina Kononovab, Marc Steffen Rappb

标题：Boosting agnostic fundamental analysis: Using machine learning to identify mispricing in European stock markets

股票基本面分析有效吗？分析师应该如何得出股票基本面价值?虽然理论文献已经开发了贴现现金流模型和其他高度程式化的基础估值模型，但BG（2

报告摘要

主要观点

本篇是“学海拾珠”系列第九篇，摘选自论文《Industry Rotation and Time-Varying Sensitivity by VIX》的核心结论。

在套利定价理论的框架下，过去的学者往往像Fama和French一样通过资产定价模型（CAPM）或者三因子模型来估计beta值。

本篇报告采用了一个基于实时股票指数构建的风险指标——芝加哥期权交易所（CBOE）波动率指数（VIX），它又被称为“投资者恐慌指数”。由于衍生品市场中所包含的丰富信息能够帮助人们确定定价核、市场风险溢价以及危机发生的概率，因而VIX作为衍生品市场的一个

摘要

文献来源：Blitz, David. Hanauer, Matthias. Settling the Size Matter: The Journal of Portfolio Management Quantitative Special Issue 2021, 47 (2) 99-112.

推荐原因：规模溢价自被发现已有近四十年，然而规模因子的alpha一直很微弱，但是当控制质量因子(quality-versus-junk)暴露时，因子似乎又恢复了活力。本文发现，在美国市场，规模因子对质量因子回归后呈现出非常显著的alpha，然而超额收益主要由质量因子的空头端驱动，

20200514-国盛证券-量化专题报告：利率债收益预测框架——大类资产定价

/wiki/static/upload/63/632174fd-6d0d-47e1-a63e-cb2799d0406f.pdf

\

摘要

因子选择的新指标本文将因子模型的最大夏普比平方作为资产定价模型的评价指标，在嵌套模型和非嵌套模型中分别进行深入研究。嵌套模型是资本资产定价模型，和French（1993）的三因子模型，和French（2015）的五因子扩展模型，以及增加动量因子的六因子模型。非嵌套模型考察了六因子模型中因子选择的三个问题：（1）构建盈利能力因子时应当选择现金盈利因子亦或是经营盈利因子；（2）多空溢价因子与单边超额收益因子的对比；（3）仅大（小）规模股票池与所有股票池中因子表现的对比。

如何设计目标日期基金？

目标日期基金是对DC计划中传统均衡配置型基金的补充，其主要设计思路是根据投资者的

问题

策略思想和因子哪个更重要

视频

https://www.bilibili.com/video/BV15b4y1s7w7/

策略源码

文档及源码：策略思想和因子哪个更重要

摘要

市值效应的事实与流言

在早期的金融研究中，“市值效应”这一开创性发现一方面对标准资产定价模型的权威性构成了一定的挑战，另一方面也引发了学术界对有效市场假说的长期争执。在长达几十年的时间里，人们坚定不移地将“小盘股的平均收益率要高于大盘股”这一理念作为事实。然而我们看到，即使“市值效应”在学术和实际应用中都拥有着深长的发展和坚实的群众基础，各界人士对于其疑虑和争论却从未停止。本文检视了多项关于“市值效应”的观点，并旨在用简单的检验手段和公开数据来澄清围绕在这些观点周围的误解。

时变的基金经理管理能力

本文提出一种新的选股和择时能力度量方法，为基金经理能力的研究提

书籍推荐

工具书籍

量化大类资产配置

为什么要大类资产配置

![{w:100}{w:100}{w:100}](/wiki/api/attachment

https://bigquant.com/experimentshare/b6bb3c84df0c4da5bb0b495bc52feb06

\

NBER工作论文第25398号，2018年12月，2019年9月修订

Shihao Gu 芝加哥大学布斯商学院

Bryan T. Kelly

耶鲁大学; AQR资本管理有限责任公司；美国国家经济研究局 (NBER)

Dacheng Xiu 芝加哥大学布斯商学院

摘要

我们对机器学习方法的典型问题进行了比较分析经验资产定价：衡量资产风险溢价。我们展示了巨大的经济收益投资者使用机器学习预测，在某些情况下将领先的业绩翻倍文献中基于回归的策略。我们确定性能最佳的方法（树和神经网络）并追踪它们的预测增益以允许非线性预测器其他方法错过的交互。所有方法都同意同一组显性预测信号，包括动量、流

摘要

本篇是“学海拾珠”系列第四篇，摘选自论文《AssetPricing: A tale of nightand day》的核心结论

作为资本资产定价的入门级公式，CAPM长久以来在实际市场中表现不佳，市场风险（beta）与经典的日度收益率（close-to-close）之间的相关性很弱，本文作者创造性地提出了一个观点：股票日内收益（open-to-close）和隔夜收益（close-to-open）对于beta的敏感度是完全不同的

为检验CAPM在每天不同时间段内的表现形式，本文以美股为样本，将股票收益拆分成日内收益和隔夜收益两部分，分别研究两者和beta的相关性，实证结