资产定价模型与因子投资实战框架：从CAPM到Fama-French五因子的理论演进与实务应用
系统讲解资产定价理论的演进脉络与因子投资的实战应用，包括：资本资产定价模型CAPM（假设条件推导过程、证券市场线SML、贝塔系数的经济含义与计算方法、阿尔法收益与贝塔收益分离、CAPM的实证检验与局限性）、套利定价理论APT（多因子模型推导、无套利均衡条件、系统性风险因子识别、APT与CAPM的对比）、Fama-French三因子模型（规模因子SMB、价值因子HML、构建方法、实证检验）、Carhart四因子模型（动量因子MOM、 momentum效应的经济学解释）、Fama-French五因子模型（盈利因子RMW、投资因子CMA）、因子投资实务（因子择时vs因子配置、因子拥挤度监测、因子衰减分析、多因子组合构建）、Smart Beta策略（等权重、基本面加权、最小方差、风险平价）、因子投资在中国的适用性检验（A股市场特有因子、行业因子暴露、规模因子失效讨论）等，附Python因子回测代码框架。
一、资本资产定价模型（CAPM）
1.1 理论背景与假设条件
资本资产定价模型（Capital Asset Pricing Model, CAPM）由William Sharpe（1964）、John Lintner（1965）和Jan Mossin（1966）独立提出，是现代金融学的基石之一。
CAPM基于以下核心假设：
- 投资者理性：投资者是风险厌恶的，追求均值-方差最优化
- 同质预期：所有投资者对资产收益率的均值、方差和协方差有相同预期
- 单期模型：所有投资者具有相同的投资期限
- 无摩擦市场：无交易成本、无税收、资产无限可分
- 无风险借贷：投资者可以按无风险利率自由借贷
1.2 CAPM公式推导
在以上假设下，所有投资者持有相同的最优风险资产组合——市场组合M（切点组合）。均衡时，任意资产i的期望收益率满足：
E(Rᵢ) = Rᶠ + βᵢ × [E(Rₘ) - Rᶠ]
其中：
- E(Rᵢ) = 资产i的期望收益率
- Rᶠ = 无风险利率
- βᵢ = Cov(Rᵢ, Rₘ) / Var(Rₘ)，即资产i与市场组合的协方差除以市场组合的方差
- E(Rₘ) - Rᶠ = 市场风险溢价（Equity Risk Premium, ERP）
1.3 证券市场线（SML）
证券市场线（Security Market Line, SML）是CAPM的图形表达，横轴为β，纵轴为E(R)：
- SML上的点：资产定价正确，α = 0
- SML上方的点：资产被低估（实际收益 > 理论收益），α > 0，应买入
- SML下方的点：资产被高估（实际收益 < 理论收益），α < 0，应卖出
1.4 贝塔系数的实务计算
| 方法 | 公式/步骤 | 适用场景 |
|---|---|---|
| OLS回归法 | Rᵢ - Rᶠ = α + β × (Rₘ - Rᶠ) + ε，用最小二乘法估计α和β | 最常用，数据要求低 |
| 协方差法 | β = Cov(Rᵢ, Rₘ) / Var(Rₘ)，直接用样本协方差和方差计算 | 与OLS等价，理论推导用 |
| Blume调整法 | β_adjusted = 0.67 × β_OLS + 0.33 × 1.0，将β向1收缩 | 预测未来β，减少估计误差 |
| 行业β法 | 用行业平均β替代个股β | 数据不足或新股 |
| Bottom-up β | β_unlevered = β_levered / [1 + (1-t) × D/E]，再按目标资本结构重新leverage | 跨公司/跨行业比较 |
1.5 CAPM的局限性
- 假设过强：同质预期、无摩擦市场等假设与现实严重偏离
- 单因子局限：只用市场β一个因子解释收益，无法捕捉规模效应、价值效应等异象
- 实证检验失败：Fama和French（1992）发现β与收益率之间不存在显著正相关关系
- Roll批判：CAPM不可检验，因为市场组合不可观测
二、套利定价理论（APT）
2.1 APT模型推导
套利定价理论（Arbitrage Pricing Theory, APT）由Stephen Ross（1976）提出，放松了CAPM的严格假设，采用多因子框架：
Rᵢ = E(Rᵢ) + βᵢ₁F₁ + βᵢ₂F₂ + ... + βᵢₖFₖ + εᵢ
其中：
- F₁, F₂, ..., Fₖ = k个系统性风险因子（宏观因子）
- βᵢ₁, βᵢ₂, ..., βᵢₖ = 资产i对各因子的敏感度（因子载荷）
- εᵢ = 特质性风险（idiosyncratic risk），可通过分散化消除
2.2 无套利均衡条件
APT的核心逻辑是无套利原则：如果两个充分分散的组合具有相同的因子暴露但期望收益不同，则存在套利机会。均衡时：
E(Rᵢ) = Rᶠ + βᵢ₁λ₁ + βᵢ₂λ₂ + ... + βᵢₖλₖ
其中λⱼ为第j个因子的风险溢价（因子价格）。
2.3 APT与CAPM的对比
| 维度 | CAPM | APT |
|---|---|---|
| 因子数量 | 单因子（市场组合） | 多因子（不限定数量和具体因子） |
| 假设强度 | 强假设（同质预期、均值-方差有效） | 弱假设（无套利条件） |
| 因子识别 | 市场组合（理论上唯一） | 需要实证确定（宏观变量、统计因子） |
| 适用范围 | 均衡定价 | 均衡定价 + 因子组合管理 |
| 实证表现 | 解释力有限（R²较低） | 解释力更强（多因子拟合更好） |
三、Fama-French因子模型族
3.1 Fama-French三因子模型（1993）
Eugene Fama和Kenneth French（1993）在CAPM基础上增加了规模因子和价值因子：
Rᵢ - Rᶠ = αᵢ + βᵢ(Rₘ - Rᶠ) + sᵢ×SMB + hᵢ×HML + εᵢ
| 因子 | 名称 | 构造方法 | 经济含义 |
|---|---|---|---|
| Rₘ - Rᶠ | 市场因子（MKT） | 市场组合收益率 - 无风险利率 | 系统性市场风险补偿 |
| SMB | 规模因子（Small Minus Big） | 小市值组合收益 - 大市值组合收益 | 小公司溢价（规模效应） |
| HML | 价值因子（High Minus Low） | 高B/M组合收益 - 低B/M组合收益 | 价值溢价（价值效应） |
实证结果：三因子模型能解释美国股票收益横截面的90%以上变异，远超CAPM的约70%。
3.2 Carhart四因子模型（1997）
Mark Carhart（1997）在三因子基础上增加动量因子MOM：
Rᵢ - Rᶠ = αᵢ + βᵢ(Rₘ - Rᶠ) + sᵢ×SMB + hᵢ×HML + mᵢ×MOM + εᵢ
- MOM（Momentum）= 过去12个月赢家组合收益 - 输家组合收益（剔除最近1个月）
- 动量效应：Jegadeesh和Titman（1993）发现，过去3-12个月表现好的股票在未来3-12个月继续表现好
- 应用：四因子模型成为评估共同基金业绩的标准基准
3.3 Fama-French五因子模型（2015）
Fama和French（2015）进一步增加盈利因子和投资因子：
Rᵢ - Rᶠ = αᵢ + βᵢ(Rₘ - Rᶠ) + sᵢ×SMB + rᵢ×RMW + cᵢ×CMA + εᵢ
| 因子 | 名称 | 构造方法 | 经济逻辑 |
|---|---|---|---|
| RMW | 盈利因子（Robust Minus Weak） | 高盈利组合收益 - 低盈利组合收益 | 盈利强的公司未来现金流更高，估值应更高 |
| CMA | 投资因子（Conservative Minus Aggressive） | 低投资（保守扩张）组合收益 - 高投资（激进扩张）组合收益 | 激进扩张的公司往往过度投资，未来收益下降 |
五因子模型的改进：HML（价值因子）的 explanatory power 被RMW和CMA部分吸收，因此五因子模型中HML变得不显著——这是五因子相对于四因子的关键改进。
四、因子投资实务
4.1 因子择时 vs 因子配置
| 策略 | 核心思想 | 难度 | 适用场景 |
|---|---|---|---|
| 因子择时 | 根据宏观经济周期或市场状态动态调整因子暴露 | 极高（需预测因子表现） | 量化对冲基金 |
| 因子配置 | 长期持有多个因子的组合，定期再平衡 | 中等（需确定因子权重） | 养老金、保险资管 |
| 因子轮动 | 根据因子动量信号切换因子暴露 | 高（需识别因子趋势） | 主动管理基金 |
4.2 因子拥挤度监测
因子拥挤度（Factor Crowding）是指过多资金追逐同一因子导致因子溢价衰减甚至反转的现象：
- 监测指标：因子估值差（factor value spread）、因子动量（factor momentum）、因子波动率
- 拥挤信号：当因子估值差处于历史低位（如低于10%分位数），因子可能过度拥挤
- 应对策略：降低拥挤因子暴露、增加低拥挤因子暴露、设置因子止损线
4.3 Smart Beta策略分类
| 策略类型 | 核心方法 | 因子暴露 | 典型产品 |
|---|---|---|---|
| 等权重 | 成分股等权重配置 | 规模因子（偏向小盘） | RSP（美股等权重ETF） |
| 基本面加权 | 按营收/利润/分红等基本面指标加权 | 价值因子 | RAF系列（Research Affiliates） |
| 最小方差 | 优化组合使总方差最小化 | 低波动因子 | EFAV（iShares最小波动ETF） |
| 风险平价 | 各资产对组合风险贡献相等 | 多因子均衡 | RPAR（风险平价ETF） |
| 动量 | 买入过去12个月涨幅最大的股票 | 动量因子 | MTUM（iShares动量ETF） |
| 质量 | 选择ROE高、负债率低、盈利稳定的股票 | 质量因子 | QUAL（iShares质量因子ETF） |
4.4 因子投资在中国的适用性
- 规模因子：A股市场小盘股溢价长期存在，但2017年后有所减弱
- 价值因子：B/M因子在A股显著有效，但周期性较强
- 动量因子：A股存在反转效应（短期反转），与美股的动量效应方向相反
- 低波动因子：A股低波动异象显著，低波动组合长期跑赢高波动组合
- 质量因子：高ROE、低杠杆的公司长期表现优异
五、因子模型的应用场景
5.1 业绩归因分析
利用多因子模型对基金经理的超额收益进行归因：
- 因子暴露贡献：R_p - Rᶠ = Σ βᵢ × Fᵢ（因子暴露带来的收益）
- 选股能力：α = R_p - Rᶠ - Σ βᵢ × Fᵢ（超出因子解释的超额收益）
- 信息比率：IR = α / Tracking Error（衡量单位主动风险带来的超额收益）
5.2 风险预算与组合优化
因子模型在组合管理中的应用：
- 风险分解：将组合总风险分解为因子风险 + 特质风险
- 风险预算：根据因子风险贡献分配风险预算
- 组合优化：在因子约束下最大化预期收益或最小化风险