动态因子和资产定价：国际以及美国证据外文翻译资料

动态因子和资产定价：国际以及美国证据

关键词：国际股票市场 横截面回报 样本外可预测性 资产配置

1.引言

Fama和French的三因子模型假设了，预期收益率能够由市场因子，规模因子，和价值因子来解释。到目前为止，FF三因子模型已经成为了在资产定价理论文献中的一个重要基准，并且很多的研究都为SMB和HML因子提供了经济意义上的解释。但是，很少有研究证明FF三因子模型中的经验缺陷，挑战了它的权威性。其中相比其他的研究，最具有挑战性的研究包括Ferson和Harvey(1999)，Simin(2008)。Ferson和Harvey(1999)认为FF三因素因子作为定价模型被拒绝，而Simin(2008)发现，与简单的基准相比，现有的资产定价模型的一步预测较差。

对FF三因子模型中的经验缺陷的一个改进是，构建一个动态的FF三因子模型。He.等人(2010，HHL)认识到FF三因素模型本质上是静态的，缺乏动态特征。静态FF模型可能排除一些潜在的重要信息，以理解股票回报的行为。例如，需要考虑一下，一些同时且同等程度地提高FF投资组合回报的经济冲击，对静态FF因子会产生共生的影响。换句话说，静态FF因子并不包含关于这些随时间变化的冲击信息。然而，如果这些冲击是持续的，并与时变投资机会或时变风险规避有关，那么它们对于理解股票回报具有重要的经济意义。相比之下，动态因素可以捕捉到这些冲击的影响。直观解释是直接明了的：这些冲击对FF投资组合产生时变的、持续性的影响，因此投资组合回报的动态因子应该包含有关这些冲击的信息。本着这种精神，HHL开发了一个动态因素定价模型(DFPM)，该模型包含了跨资产和跨时间的价格动态特征。通过卡尔曼滤波器提取潜在的动态因子，HHL发现DFPM提高了FF三因子的解释和预测能力。

本文考察了国际股票回报动态变化。我们在两个方面对文献做出了贡献。首先，我们对DFPM在国际股票市场上的表现提供了证据。鉴于FF三因子模型在理解股票回报的实证有效性(见于，如Chan et al., 1991; Fama和French, 1998, 2012)，考察动态因子在国际市场上的实证有效性十分重要。其次，考虑到样本外预测练习中的统计意义并不意味着经济意义(例如，Campbell和Thompson，2008；Welch和Goyal，2008)，我们通过调查国际股票市场投资者累积的效用收益来评估DFPM的经济价值。此外，我们还评估了DFPM在美国市场的经济价值，这还没有被HHL检查过。

与Fama-French一致的，我们将DFPM应用到了四个地区的股票市场：亚太地区（不包括日本），欧洲，日本，以及北美。本着Hou(2011)等人和Fama-French(2012)的精神，数据中的一个重要的特征是涵盖了所有大小组的样本。这与之前在国际市场上关注的大多数关注大型股票的工作形成了鲜明对比。由于小型股通常会产生具有挑战性的结果，我们基于Fama-French（2012）数据的分析可以加深我们对股票回报行为的理解。我们使用的是区域数据（日本除外）数据，而不是直接使用国家层面的数据。在这样做的过程中，我们将经验性的资产定价模型应用于综合定价的最广泛的领域。因此，我们的实证检验很可能有很好的结果(例如，Fama-French，2012年)。

我们的分析将分为三个步骤进行。首先，使用每个国际样本的25个FF投资组合，使用Brennan等（2004），Cochrane(2005)和HHL采用的两遍回归程序进行样本内资产定价测试。我们比较了DFPM与其他模型的经验性能，包括CAPM、FF三因子模型(FF3)、Carhart（1997）四因子模型(Carhart4)和条件FF三因子模型(CFF3)。我们发现，DFPM在更显著的因素风险溢价、更高的解释力和更低的定价误差统计数据方面，比这些竞争模型更好地解释了横断面回报。我们的发现在最近各种研究中提出来的方法论中，如模型错误规范(Lewellen等人，2010年)，不显著的因素溢价(Harvey等人，2015年)和虚假推断（戈斯波迪诺夫等人，2014年），有很好的鲁棒性。

接下来，我们继续进行样本外的预测练习。具体来说，我们分别将DFPM与历史平均值、CAPM、FF3、Carhart4和CCF3进行了比较。我们发现，在国际股票市场上，DFPM在更高的样本外预测精度方面优于竞争模型。使用Diebold和Mariano（1995）检验和Clark和West（2007）调整MSPE检验，我们展示了，在传统的置信水平上，DFPM的总体更好表现始终显著。总的来说，这些结果表明，在FF因素的构建中考虑动态特征是重要的。

最后，本着弗莱明等（2001），Campbell和Thompson（2008），Welch和Goyal（2008），以及Della Corte等（2009）的精神，我们评估了DFPM在国际股票市场上的经济价值。具体来说，我们假设均值方差投资者在由风险股票和一个月无风险国债构成的投资组合中分配其资本。平均效用收益是两种竞争投资策略之间的差异：DFPM策略和基于其他竞争模型的确定性等效回报的策略。根据经验，我们的研究结果显示，DFPM在所有五个市场和美国市场的资产配置中都始终提供了更高的经济价值，这表明考虑到股票回报的动态特征是具有经济意义的。

本文的剩余部分组织如下。第2部分介绍了DFPM模型。第3部分讨论了数据。这一部分同时也报告了DFPM模型的估计结果。第4部分对资产定价模型进行样本内测试，并报告比较结果。第5部分进行了样本外的预测练习。在第6部分中，我们评估了DFPM的经济价值。第7部分是本论文的结尾部分。

2.动态因子模型

许多研究使用潜在因子来指定了回报产生过程和相关的资产定价模型。例如，Binsbergen和Koijen（2010）提出了一个带有潜在因素的现值模型。此外，Brandt和Kang（2004）、Pastor和Stambaugh（2009）和Rytchkov（2012）关注了使用过滤技术的回报可预测性。沿着这一文献思路，HHL开发了一个股票收益的多因子动态因子定价模型(DFPM)，每个因素都在一个预先指定的因素结构中被识别。

继Fama-French(1993,1996)和HHL之后，我们从6个大小规模和账面市值比的投资组合中提取潜在的动态因子。我们将6个大小规模和BTM的投资组合标注为SL、SM、SH、BL、BM和BH。令Rt=[Rsl,t Rsm,t Rsh,t Rbl,t Rbh,t]rsquo;表示6个资产的第t月去均值超额回报向量。另外，从Dt=[Dmkt,t Dsize,t Dbtm,t]rsquo;中收集3个状态变量或动态因子，命名为，market(MKT)，size(SIZE)，和book-to-market(BTM)因子。有了这些符号，在状态空间表达式中的6个观测值和测量方程由下面给出。

其中，beta;是状态变量上的因子负荷，wt=[wsl,t wsm,t wsh,t wbl,t wbm,t wbh,t]rsquo;，是一个6times;1的定价误差向量。值得注意的是，对因子加载矩阵施加一定的等式限制，使得潜在因子有了直观的解释。

市场因子由因子加载矩阵的第一列来识别。通过允许因子系数能够自由地在6个投资组合中交错变换，第一个因素被构建成一个能够捕捉全市场回报变化的综合性指数。第二个因子目的在于捕捉基于一个直观的识别限制的市值相关的回报变化：同一大小组内的资产应该对大小因素具有相同的敏感性，而不同大小组内的资产应该对大小因素具有不同的敏感性(beta;S和beta;B)。同样，通过对因子加载矩阵的第三列施加等式限制来确定BTM因子。这些限制反映了这样一个事实，即同一BTM组内的资产对BTM因子应具有相同的敏感性，而跨BTM组内的资产对BTM因子应具有不同的敏感性(beta;L、beta;M和beta;H)。

我们假设状态方程表达如下，其中phi;是3个因子的自回归系数。

状态空间模型等式1和2可以表达成更加简洁的形式：

其中B和phi;分别表示6times;3的带有识别限制的因子加载矩阵，和3times;3的自回归系数的对角矩阵，我们假设观测值扰动项wt和状态扰动项vt遵循联合正态分布，其协方差矩阵分别由Delta;和Omega;给出。另外，假设wt和vt相互不相关，且跨时间上也不相关。

3.数据和经验结果

3.1数据

我们的国际数据是从Kenneth French的数据库中获取。我们收集了通过对不同地区市场的规模和市场账面价值(BTM)比率进行分类而形成的6个投资组合的月回报。共有5个区域（包括全球投资组合）。亚太地区的投资组合包括澳大利亚、香港、新西兰和新加坡，但日本市场被排除在外，并被视为一个独立的地区。欧洲的投资组合包括16个市场，包括奥地利、比利时、丹麦、芬兰、法国、德国、希腊、爱尔兰、意大利、荷兰、挪威、葡萄牙、西班牙、瑞典、瑞士和英国。北美的投资组合包括加拿大和美国。全球的投资组合包括所有23个市场。所有的回报都以美元计算。继Fama和French（2012）之后，我们不考虑汇率风险对回报的影响。为了计算所有投资组合的超额收益，我们从投资组合的总收益中减去1个月的美国国库券利率。由于数据可用性的标准点，我们的论文中使用的样本周期范围为1990年7月至2013年12月，涵盖280个月（23.5年）。我们的资产配置分析的美国样本从1955年1月开始，如HHL，更新到2013年12月，覆盖708个月（59年）。虽然国际样本明显短于美国样本，但它仍然保持一个合理的长度来进行估计和预测测试。

样本内和样本外测试的测试资产是25个市值规模和BTM分类的投资组合，也从肯尼斯·弗兰奇的数据库下载。该网站为5个地区提供了25个规模、BTM分类的投资组合：亚太地区（不包括日本）、欧洲、日本、北美和全球。对于每个地区，这25个投资组合与用于提取区域动态因素的6个投资组合横跨相同的市场。月回报率为1990/07年至2013/12年的样本期间。所有回报均以美元计算。

3.2 估计方法

利用6个投资组合的超额收益，我们首先估计了方程式中的20个模型参数。（1）和（2）采用最大似然法。为此，我们运行HHL中描述的卡尔曼滤波，直到所有参数收敛到预先指定的精度。获得这些点估计参数后，我们再次运行卡尔曼过滤器递归提取先验（基于t-1月的预测）因子(Dmkt,t|tminus;1=，Dsize,t|tminus;1，Dbtm,t|tminus;1)rsquo;，和后验（在t月的更新）因子=(Dmkt,t|t，Dsize，t|t，Dbtm，t|t)，每个国际样例的t=1990/07到2013/12。

外文原文资料信息

[1] 外文原文作者：Zhongzhi (Lawrence) He、Jie Zhu、Xiaoneng Zhu

[2] 外文原文所在书名或论文题目：Dynamic factors and asset pricing: International and further U.S. evidence

[3] 外文原文来源：https://www.sciencedirect.com/

出版社或刊物名称、出版时间或刊号、译文部分所在页码：Pacifific-Basin Finance Journal 32 (2015) 21–39

网页地址：https://www.sciencedirect.com/science/article/pii/S0927538X15000244

二、外文原文资料：

Dynamic factors and asset pricing

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[595897]，资料为PDF文档或Word文档，PDF文档可免费转换为Word