金融资产定价模型

金融资产定价模型 (Financial Asset Pricing Models)

金融资产定价模型是金融经济学的核心理论框架，旨在确定金融资产（如股票、债券、衍生品）的合理价格或预期收益率。其根本思想在于：资产的当前价格应等于其未来现金流的折现值，而折现率则由该资产所承担的风险水平决定。自20世纪中叶以来，金融学家们发展了一系列从简到繁的定价模型，逐步深化了对风险与收益关系的理解。

资本资产定价模型 (CAPM)

资本资产定价模型 (Capital Asset Pricing Model, CAPM) 由威廉·夏普 (William Sharpe, 1964)、约翰·林特纳 (John Lintner, 1965) 和简·莫辛 (Jan Mossin, 1966) 分别独立提出，是现代金融学的奠基之作。CAPM 的核心公式为：

其中 $E(R_i)$ 为资产 $i$ 的预期收益率，$R_f$ 为无风险利率，$E(R_m)$ 为市场组合的预期收益率，$\beta_i$ 为资产 $i$ 的系统性风险度量。该模型的根本洞见在于：只有系统性风险（亦称市场风险）应获得风险溢价，而非系统性风险可通过分散化消除，故不获得补偿。CAPM 还推导出证券市场线 (Security Market Line, SML)，描述了单个资产预期收益率与 $\beta$ 之间的线性关系。尽管 CAPM 简洁优美，但其关于投资者理性、无摩擦市场、同质预期等强假设在现实中常被违背。大量实证研究发现，低 $\beta$ 股票的实际收益率高于模型预测（即低 beta 异象），而高 $\beta$ 股票则低于预测，导致该模型的实证解释力受到质疑。

套利定价理论 (APT)

套利定价理论 (Arbitrage Pricing Theory, APT) 由斯蒂芬·罗斯 (Stephen Ross, 1976) 提出，作为 CAPM 的多因子推广。APT 不再依赖于市场组合的存在性，而是假设资产收益率由多个宏观经济因子共同驱动：

其中 $\beta_{ij}$ 为资产 $i$ 对因子 $j$ 的敏感度（因子载荷），$\lambda_j$ 为该因子对应的风险溢价。APT 的理论基础是无套利原理：若资产定价错误，理性投资者可通过构建零成本套利组合获利，从而迅速将价格拉回均衡水平。APT 的优势在于：其一，它不要求识别市场组合——这在实证中几乎不可能精确做到；其二，它允许多维风险来源，更贴近现实。但 APT 本身并未指明哪些因子是相关的，这一"因子选择"问题留给了后续实证研究。陈-罗尔-罗斯 (Chen, Roll \& Ross, 1986) 识别出工业生产增长率、预期通胀率、未预期通胀率、期限利差和信用利差五个显著因子，为 APT 的实证应用奠定了基础。

法马-弗伦奇多因子模型

法马-弗伦奇三因子模型 (Fama-French Three-Factor Model, 1993) 在 CAPM 基础上增加了两个额外因子：规模因子 (SMB, Small Minus Big) 和价值因子 (HML, High Minus Low)：

该模型显著提升了对股票截面收益率的解释力，将 CAPM 无法解释的规模效应（小公司股票长期跑赢大公司）和价值效应（高账面市值比股票跑赢低账面市值比股票）纳入定价框架。此后，法马和弗伦奇又将模型扩展为五因子模型 (2015)，额外引入盈利因子 (RMW, Robust Minus Weak) 和投资因子 (CMA, Conservative Minus Aggressive)。多因子模型的兴起反映了金融学界对 CAPM 单因子框架的扬弃，也推动了因子投资 (Factor Investing) 策略在资产管理行业中的广泛实践——如今全球数以千亿美元的资产采用基于因子的投资策略。

衍生品定价模型

衍生品定价是金融资产定价模型的另一重要分支。布莱克-斯科尔斯模型 (Black-Scholes Model, 1973) 为欧式期权提供了封闭解，其核心洞察在于通过无套利 (Arbitrage-Free) 和动态对冲 (Dynamic Hedging) 构建一个复制组合，使得期权价格独立于投资者风险偏好。该模型的突破性在于证明了可以通过连续调整标的资产和无风险债券的头寸来完美复制期权收益，从而导出唯一价格。布莱克-斯科尔斯公式为：

其中 $d_1 = \frac{\ln(S_0/K) + (r + \sigma^2/2)T}{\sigma\sqrt{T}}$，$d_2 = d_1 - \sigma\sqrt{T}$。这里 $S_0$ 为标的资产当前价格，$K$ 为执行价格，$r$ 为无风险利率，$T$ 为到期时间，$\sigma$ 为波动率，$N(\cdot)$ 为标准正态分布累积函数。该模型的推广包括二叉树模型 (Cox-Ross-Rubinstein, 1979) 和蒙特卡洛模拟方法，它们放宽了连续时间、恒定波动率等假设，适用于美式期权和路径依赖型奇异期权的定价。二叉树模型通过离散时间、两步分支结构直观地展示了期权价格的递归计算方法，在教学中尤为常用。

模型评价与前沿发展

金融资产定价模型的发展呈现出从单因子到多因子、从均衡模型到无套利模型、从静态到动态的演变趋势。实证研究表明，没有任何单一模型能够完美解释所有资产的收益特征。21世纪以来，行为金融学对传统定价模型的理性假设发起挑战，提出了基于投资者非理性行为（如过度自信、损失厌恶、羊群效应）的定价解释。与此同时，机器学习方法（如随机森林、支持向量机、神经网络）被大量引入因子挖掘和资产定价中，形成了因子机器学习 (Factor ML) 这一新兴研究方向。此外，随机折现因子 (Stochastic Discount Factor, SDF) 框架——由拉尔斯·彼得·汉森和拉维·贾甘纳坦 (Hansen-Jagannathan, 1991) 系统发展——为统一理解各类定价模型提供了理论桥梁。无论理论如何演进，金融资产定价模型的核心使命始终未变：为风险定价，为不确定性提供量化标尺，为资源配置提供价格信号，为投资决策提供科学依据。金融资产定价模型的理论纵深与实践广度，使其成为连接抽象金融理论与现实市场操作的桥梁。