KNOWECON WIKI

ARTICLE

随机折现因子

随机折现因子 (Stochastic Discount Factor) 随机折现因子（Stochastic Discount Factor，简称 SDF，通常记作 m_t+1）是资产定价理论中统一所有线性定价模型的核心概念。其基本定价方程极其简洁： 其中 p_t 是资产在 t 期的价格，x_t+1 是 t+1 期的 payoff（包括股息和资本利得），E_t

浏览 6 更新 2026-01-15

随机折现因子 (Stochastic Discount Factor)

随机折现因子（Stochastic Discount Factor，简称 SDF，通常记作 mt+1m_{t+1}）是资产定价理论中统一所有线性定价模型的核心概念。其基本定价方程极其简洁：

pt=Et[mt+1xt+1]p_t = E_t[m_{t+1} x_{t+1}]

其中 ptp_t 是资产在 tt 期的价格，xt+1x_{t+1} 是 t+1t+1 期的 payoff（包括股息和资本利得），Et[⋅]E_t[\cdot] 是基于 tt 期信息的条件期望。该方程断言：任何资产的当前价格等于其未来 payoff 与 SDF 乘积的条件期望。这一框架由 Cochrane（John Cochrane）在 Asset Pricing（2001）中系统阐述，将 CAPM、CCAPM、APT、Black-Scholes 等看似迥异的定价模型统一于同一语言之下。

SDF 的经济直觉

随机折现因子的名称揭示了其双重角色。"折现"表明它将未来 payoff 折算为现值——无风险情形下 mt+1=1/(1+rf)m_{t+1} = 1/(1+r_f)，即确定性折现因子。"随机"意味着在不同自然状态下 mt+1m_{t+1} 取值不同，且与 payoff 相关：在 payoff 低的状态（"坏时光"），SDF 取值更大（该状态下额外一单位消费的边际效用更高）；在 payoff 高的状态（"好时光"），SDF 取值更小。因此，SDF 不仅折现时间，还通过赋予坏状态更高权重来折现风险。

将基本方程展开为协方差形式可更直观地看到这一机制：

pt=Et[mt+1]Et[xt+1]+Cov⁡t(mt+1,xt+1)p_t = E_t[m_{t+1}]E_t[x_{t+1}] + \operatorname{Cov}_t(m_{t+1}, x_{t+1})

若 mt+1m_{t+1} 与 xt+1x_{t+1} 负相关（payoff 在坏状态低、好状态高），协方差项为负，价格低于按无风险利率折现的水平——投资者要求正的风险溢价；反之，若 payoff 在坏状态高（如黄金、保险），协方差为正，价格可高于无风险折现值，表现为负的风险溢价（对冲属性）。这一框架从根本上解释了为什么不同资产有不同的预期收益：不是波动率本身，而是 payoff 与 SDF 的协方差决定风险溢价。

消费基础与边际效用

SDF 的微观基础来自代表性代理人的跨期最优选择。考虑一个期望效用最大化问题：

max⁡Et[∑j=0∞βju(ct+j)]\max E_t\left[\sum_{j=0}^{\infty} \beta^j u(c_{t+j})\right]

一阶条件给出的欧拉方程为：

u′(ct)=βEt[u′(ct+1)(1+Rt+1)]u'(c_t) = \beta E_t\left[u'(c_{t+1})(1 + R_{t+1})\right]

其中 Rt+1R_{t+1} 是资产收益率。整理得：

1=Et[βu′(ct+1)u′(ct)(1+Rt+1)]1 = E_t\left[\beta \frac{u'(c_{t+1})}{u'(c_t)}(1 + R_{t+1})\right]

由此，SDF 可以表示为：

mt+1=βu′(ct+1)u′(ct)m_{t+1} = \beta \frac{u'(c_{t+1})}{u'(c_t)}

即 SDF 等于主观折现因子 β\beta 乘以跨期边际替代率（IMRS）。在坏状态下，消费 ct+1c_{t+1} 低，边际效用 u′(ct+1)u'(c_{t+1}) 高，mt+1m_{t+1} 大；在好状态下消费高、边际效用低，mt+1m_{t+1} 小——这与前文直觉完全一致。常用的 CRRA 效用函数 u(c)=c1−γ/(1−γ)u(c) = c^{1-\gamma}/(1-\gamma) 给出了具体的参数化形式：

mt+1=β(ct+1ct)−γm_{t+1} = \beta \left(\frac{c_{t+1}}{c_t}\right)^{-\gamma}

其中 γ\gamma 是相对风险厌恶系数，同时控制跨期替代弹性的倒数（在 CRRA 框架下）。消费增长与资产收益的关系由此被精确刻画。

SDF、风险中性定价与等价鞅测度

基本定价方程 pt=Et[mt+1xt+1]p_t = E_t[m_{t+1} x_{t+1}] 可重构为"风险中性"形式。定义无风险利率 RfR^f 满足 1=Et[mt+1(1+Rf)]=(1+Rf)Et[mt+1]1 = E_t[m_{t+1}(1+R^f)] = (1+R^f)E_t[m_{t+1}]，故 Et[mt+1]=1/(1+Rf)E_t[m_{t+1}] = 1/(1+R^f)。然后引入一个概率测度变换——定义 等价鞅测度（或风险中性测度）Q\mathbb{Q}：

dQdP=mt+1Et[mt+1]\frac{d\mathbb{Q}}{d\mathbb{P}} = \frac{m_{t+1}}{E_t[m_{t+1}]}

在该测度下：

pt=EtQ[xt+11+Rf]p_t = E_t^{\mathbb{Q}}\left[\frac{x_{t+1}}{1+R^f}\right]

即价格等于风险中性期望 payoff 按无风险利率折现。这使得衍生品定价（如 Black-Scholes-Merton 模型）在数学上极为便利——在 Q\mathbb{Q} 下所有资产的期望收益均为无风险利率，定价仅需计算折现后的期望 payoff，不再需要估计风险溢价。但 SDF 的视角提醒我们，Q\mathbb{Q} 的存在依赖于 SDF 为正的假设（无套利条件），且 Radon-Nikodym 导数正比于 SDF。

Hansen-Jagannathan 边界

Hansen 与 Jagannathan（1991）提出了一个著名结果：SDF 的波动率下限由可观测资产的最大夏普比率决定。对任意资产 ii，由基本方程和协方差分解可得：

Et[Ri]−Rf=−Cov⁡t(mt+1,Ri)⋅(1+Rf)E_t[R^i] - R^f = -\operatorname{Cov}_t(m_{t+1}, R^i) \cdot (1+R^f)

利用 ∣Cov⁡(m,R)∣≤σ(m)σ(R)|\operatorname{Cov}(m, R)| \leq \sigma(m)\sigma(R)，有：

σ(mt+1)Et[mt+1]≥∣Et[Ri]−Rf∣σ(Ri)\frac{\sigma(m_{t+1})}{E_t[m_{t+1}]} \geq \frac{|E_t[R^i] - R^f|}{\sigma(R^i)}

右侧即资产的夏普比率。所有资产中夏普比率最高者给出了 SDF 波动率的下界：

σ(m)E[m]≥max⁡i∣E[Ri]−Rf∣σ(Ri)\frac{\sigma(m)}{E[m]} \geq \max_i \frac{|E[R^i] - R^f|}{\sigma(R^i)}

这一不等式的实证含义深刻：给定历史数据中观测到的夏普比率（如美国股票市场约为 0.3-0.5），SDF 的波动率必须足够大。但若使用 CRRA 效用和合理的风险厌恶参数 γ\gamma（如 2-5），消费增长的波动率（约 1-2\%）无法产生足够波动的 SDF 来匹配观察到的风险溢价——这便是著名的 股权溢价之谜（Mehra \& Prescott, 1985）在 SDF 框架下的表述。HJ 边界因此成为评估资产定价模型的基本诊断工具：任何候选 SDF 的波动率必须位于 HJ 边界之上。

SDF 与因子模型

将 SDF 设定为某些因子 ft+1f_{t+1} 的线性函数是现代实证资产定价的标准做法：

mt+1=a+b′ft+1m_{t+1} = a + b' f_{t+1}

由 Et[mt+1]=1/(1+Rf)E_t[m_{t+1}] = 1/(1+R^f) 可确定截距 aa，进而导出线性因子定价模型：

Et[Ri]−Rf=−Cov⁡t(mt+1,Ri)⋅(1+Rf)=βi′λE_t[R^i] - R^f = -\operatorname{Cov}_t(m_{t+1}, R^i) \cdot (1+R^f) = \beta_i' \lambda

其中 βi\beta_i 是资产 ii 对各因子的暴露（因子载荷），λ\lambda 是因子的风险价格。当因子取市场超额收益时，上式退化为 CAPM；当因子取消费增长时，退化为 CCAPM；取 Fama-French 三因子（市场、规模、价值）时，即为对应的因子模型。Cochrane (2001) 强调：所有线性资产定价模型本质上是对 SDF 的不同代理选择——选择何种因子就是在猜测什么驱动了边际效用。

更一般地，SDF 框架揭示了定价核（pricing kernel）与经济基本面的桥梁：任何有助于预测边际效用增长的经济变量——消费、投资、劳动收入、通胀——都是 SDF 的候选因子。这一思路推动了从宏观金融到因子动物园（factor zoo）的庞大实证文献。

核心地位与前沿拓展

随机折现因子是现代资产定价理论的统一语法。它将不同定价模型从"公式竞争"升级为"对 SDF 形式的竞争"——模型优劣归结为谁提出的 mt+1m_{t+1} 更好地近似了真实的跨期边际替代率。近年的重要拓展包括：长期风险模型（Bansal \& Yaron, 2004）通过消费增长的小而持久的长期冲击增大了 SDF 波动，缓解了股权溢价之谜；罕见灾难模型（Rietz, 1988; Barro, 2006）用极小概率的极端消费下降解释大额风险溢价；中介定价理论（He \& Krishnamurthy, 2013）将 SDF 的来源从代表性家庭转移到金融中介的资本约束。机器学习方法也被引入用于从海量特征中估计高维 SDF。无论这些新进展如何迭代具体形式，pt=Et[mt+1xt+1]p_t = E_t[m_{t+1}x_{t+1}] 这个简洁到仅用四个符号表达的方程，将始终是连接一切资产定价思想的公理级起点。