本文是一篇金融学论文，笔者认为在实证资产定价的研究中，最为典型的系统风险的度量办法就是构建一个因子模型。众所周知，最普遍、最通用的计量模型设定是 Fama and Macbeth(1973)的单因子模型以及 FamaandFrench(1993)的三因子模型。因此，在中国的股票市场上，有不少的实证研究对 Fama-French 三因子模型进行检验与验证。研究结果也的确表明，Fama-French 三因子模型是一个很有普适性的基准模型。而本文引入了一个带有成分结构的单因子资产定价模型去刻画系统性风险，在中国的股票市场上对其定价效果进行实证检验。
1 三成分 Beta 资产定价模型
1.1 理论和实证动机
本文的主要实证动机是 Tolga 和 Jonathan(2018)用三成分 Beta 资产定价模型在美国证券市场上进行了研究，结果表明这样的模型用来解释期望收益的横截面变动与 Fama-French 的三因子模型一样好，并且他们还发现高频的数据对于衡量系统性风险是很重要的，在高频数据可以获得情况下，一定要将其考虑到资产定价的应用中去。除此之外，他们的结果也显示，用高频数据估计出来的短期的 Beta系数可以很好的捕捉到一些即时的风险时变，而用相对低频的数据估计出来的中长期的 Beta 系数可以捕捉到相对缓慢的风险时变。在前面的内容我们已经阐述过，中国证券市场虽然相较于美国证券市场起步较晚，发展还不够成熟，但是近些年发展也十分迅猛。国内诸多研究也已经表明，基于中国证券市场的数据所估计出来的 Beta 系数也是具有时变性的，那这样的成分分解是否在中国市场上也有显著地效果就很值得我们去研究了。经过这样的研究，可以帮助我们更加清晰的认识 Beta 系数的时变性，也能够更加清楚的知道即时的风险时变与相对缓慢的风险时变对于资产期望收益的影响及其异同。
本文所引入的三成分 Beta 资产定价模型类似于金融市场波动率和相关性的分量模型。因为本文所引入的模型与很多文献里所使用的模型都相关，这些文献都使用了混合频率的数据来对金融证券市场进行建模。Rangel and Engle (2012)和 Engle and Rangel(2010)所提供的实证证据表明，一个模型在捕捉股票市场收益的动态变化时，如果模型中的波动性和相关性包含了低频、高频两个组成成分的话，其刻画效果要比只有单个成分的模型更好。类似的研究还有，Corsi(2009)的研究表明一个基于不同的窗口长度的数据所估计出来的三成分模型在捕捉刻画波动性的动态变化的效果上比单成分模型更好。这些研究都指出了，金融市场的波动率和相关性都具有一定的成分结构，这反过来提示我们 Beta 系数也应该具有一定的成分结构。等式⑶将时变的 Beta 系数设定为基于不同的数据窗口长度和数据频率所估计得到的短期、中期和长期成分的加权平均值，从而以一种简洁且非参数的方法对 Beta 系数的成分结构进行了建模。
..........................
1.2基准模型
我们将 Fama-French 三因子定价模型作为我们的基准模型。当然，基于研究和论述的完整性我们也会将无条件资产资本定价模型的实证结果展示出来。我们会通过 Fama-MacBeth 的方法来对这些基准模型来进行估计。然而，众所周知的是，基于Fama-MacBeth方法所估计出来的标准误存在潜在的计量问题，例如时间序列回归的异方差性以及由于 Beta 系数未知而只能通过估计测算得到所带来的在横截面回归中会出现的一系列问题。我们选择基于 GMM 模型对基准模型进行估计，这样就可以得到修正后的标准误。但这对于我们的三成分 Beta 资产定价模型来说就不太可行，为了解决这一问题，我们可以比较经过不同修正方法修正后的基准模型的标准误。具体来说，我们会列示出三种标准误：未修正的标准误、通过 Newey-West 修正自相关问题后的标准误以及基于 GMM 方法估计之后的标准误。如果这些标准误并没有显著差别的话，那说明潜在的计量问题可能对三成分 Beta 资产定价模型的标准误没有太大影响。
..............................
2 基准模型、评价指标和数据
2.1数据
本文的数据类型可分为两种，第一种是用来计算解释变量的，包括市场指数的交易数据、上市公司的市值以及账面市值比等；第二种是用来计算被解释变量的，包括日频和月频的上市公司股票交易数据、无风险收益率等样本数据。本文所有的实证数据来自 CSMAR 国泰安数据库。处理软件为 python、Stata15。
从研究对象来看，本文所选取的是沪深 A 股上市公司的股票交易数据和公司数据，剔除了财务状况不佳的上市公司的数据。
从研究时段来看，本文所选取的是 2005 年 5 月 1 日至 2019 年 12 月 31 日的时间区间。数据时间起点之所有选择 2005 年 5 月 1 日，是因为我国在 2005 年6 月为了消除双轨制，实行了股权分置改革，一定程度上引起了股票市场的非正常变动，但由于研究方法的特殊性，为了有足够的样本进行研究，因此选择 2005年 5 月作为时间起点。
从交易数据来看，本文选取了沪深 A 股上市公司的日度和月度交易数据，为了数据的精确性，本文并未直接使用 CSMAR 数据库中的股票收益率数据，而是通过每个交易日的收盘价来进行计算，从而得到股票的日度收益率和月度收益率数据。为了口径的统一，无风险收益率同样选用了日度数据和月度数据，以便计算出股票的日度超额收益率和月度超额收益率。本文采用的无风险收益率数据为 CSMAR 数据库中股票市场的无风险收益率文件。
从分组指标来看，本文根据沪深 A 股上市公司在研究时段内每个月的市值与账面市值比进行分组，数据来自于 CSMAR 数据库中的相对价值指标，保证了市值与账面市值比的口径统一。由于本文采用了 Fama-Macbeth 滚动回归的方法，因此需要在每个月对上市公司进行分组处理，从而计算出每个月的 SMB、HML两个因子的数据。
...........................
2.2 三成分 Beta 资产定价模型的定价表现
我们现在开始分析不同的模型在解释 6 个资产组合的月度收益率的横截面变化时的效果。首先我们看三成分 Beta 资产定价模型、Fama-French 三因子模型以及静态的 CAPM 模型基于沪深 A 股上市公司 2005 年至 2019 年的数据进行回归的结果。然后我们会将目光聚集到其中一至两个表现较好的三成分 Beta 资产定价模型，以便于后续的比较。作者之所以选取 2005 年至 2019 年的数据，是出于对数据的可得性以及数据质量的考虑，因为如我们所知，相对来说，灵活性较高以及流动性较强的市场会有更加精确的日频的交易数据。陈闻锴(2018)在其发表的论文中就国内外学者对中国金融市场的自由化程度和市场化程度的判定的差异进行述评，发现虽然国内外学者判定的标准有所差异，但是可以看到的是，中国金融的自由化程度在 2005 之前呈现曲折上升的态势，2005 年之后趋于稳定。而中国金融的市场化程度 2005 年以前处于缓慢上升的态势，2005 年之后迅速上升并在2010年之后趋于稳定。与此同时，中国利率的市场化程度同样也是在 2005年以前处于缓慢上升的态势，2005 年之后迅速上升并在 2010 年之后趋于稳定。并且中国股票市场在 2005 年实行了股权分置改革，一定程度上引起了股票市场的非正常变动，为了有足够的样本进行研究，因此选择 2005 年 5 月作为时间起点。
.............................
3 基准模型、评价指标和数据.............................8
3.1 基准模型 ......................... 8
3.2 定价效果评价指标 ......................... 8
4 资产定价效果评估....................... 10
4.1 三成分 Beta 资产定价模型的定价表现 ........................ 10
4.2 Beta 成分的动态变化.................... 16
5 稳健性检验.............................. 23
5.1 基于行业分类的资产组合分析.................... 23
5.2 基于日收益率和月收益率估计的长期 Beta 的比较 .............. 24
5 稳健性检验
5.1 基于行业分类的资产组合分析
本章节主要是对三成分 Beta 资产定价模型进行稳健型检验。首先，我们通过改变资产组合的方法来进行检验，分析三成分 Beta 资产定价模型以及其他两个基准模型在解释其他的资产组合的收益率的横截面变化时的表现。本文选择的是 6 个行业资产组合，行业分组的依据是 CSMAR 国泰安数据库中的行业代码A，标准为《2012 版证监会行业分类代码》，但是由于担心某些行业的样本量过小，会影响回归结果，因此将行业分成了 6 大类，从而形成 6 个资产组合。基于2005 年至 2019 年的数据，三成分 Beta 资产定价模型、Fama-French 三因子模型和静态 CAPM 模型对于这 6 个行业资产组合的回归结果已经列示在表 5.1 中。
...................
6 结论
在实证资产定价的研究中，最为典型的系统风险的度量办法就是构建一个因子模型。众所周知，最普遍、最通用的计量模型设定是 Fama and Macbeth(1973)的
