高风险低收益?基于机器学习的动态CAPM模型解释_姜富伟

[1]姜富伟,马甜,张宏伟.高风险低收益?基于机器学习的动态CAPM模型解释[J].管理科学学报,2021,24(01):109-126.

研究问题

使用宏观经济和微观企业特征构建了六百多个变量的宏微观混合大数据集，并结合多种经典机器学习算法开发了基于大数据和机器学习的智能动态CAPM模型，检验时变系统性风险对我国股市收益解释能力

理论机制

股票市场系统性风险测度以及风险与收益之间的权衡关系是现代资产定价研究的核心问题．作为最为著名的均衡资产定价理论，资本资产定价模型用市场贝塔(β)来测度股票的系统性风险暴露，并预测高贝塔风险的股票应该获得较高收益．然而，随着资产定价研究的深入，学者们近年来发现实际情况并非如此．按照贝塔风险测度是否随时间动态变化，现有研究主要分为静态CAPM和动态CAPM两类．静态CAPM模型假设贝塔固定不变，采用股票收益数据和线性回归建模贝塔．而动态CAPM模型假设贝塔是动态时变的，并使用条件信息集改进贝塔测度．

基于时变β构建的动态CAPM模型相较静态模型理应可以更加准确测度股市系统性风险和股票收益的动态变化．

实证数据期间与来源

本文数据来源于国泰安和万得数据库，样本区间为2003年7月～2017年6月A股市场所有股票收益数据、财务数据和宏观数据，考虑机器学习算法需要一定时长的训练期，实证结果区间为2008年7月～2017年6月．股票收益频度为日度数据和月度数据，财务数据和宏观数据统一为月度指标．无风险收益采用月度化的一年期国债收益率，市场组合收益率使用A股市场所有股票收益流通市值加权平均得到．此外考虑到A股市场存在ST等特殊类股票，构建股票组合时剔除了20%市值最小股票，同时剔除了新发行股票前3个月的交易数据和金融类股票数据，组合收益为各股收益流通市值加权平均值．

结论

本文使用宏微观大数据和多种机器学习算法，开展了我国股市智能动态CAPM模型构建研究和时变系统性风险测度研究．研究发现，相比传统的静态CAPM模型，本文提出的智能动态CAPM模型能显著改善风险定价能力，减少定价偏误，更好地体现风险－收益的正相关关系，并从时变风险角度解释了我国股市存在的高风险低收益这一低风险定价异象．此外，时变市场风险水平是动态CAPM有效性的驱动因素，换手率和短期动量等市场类因子最重要，随机森林等非线性模型最有效．