CAPM模型在中国资本市场的有效性检验

中国资本市场CAPM有效性检验利用2003年1月至2014年11月上海证券交易所的100只股票月度交易数据，改进由Black、Jensen和Scholes在1772年提出的BJS模型，使用严谨的计量手段，采取修正后的BJS模型检验CAPM在中国资本市场的有效性。

结果表明：所有时间序列都通过平稳性检验且都成同方差性;资本资产定价模型中的平均超额收益率与贝塔系数之间的线性关系成立，斜率为正数，回归方程的拟合优度非常高;但是截距项小于零且不能显著得等于无风险利率，说明中国资本市场中投机性仍然很大。

标签：资本资产定价模型;实证检验;有效性F21 引言美国著名金融学家、诺贝尔经济学奖获得者Harry Markovltz在其1952年的Portfolio selection一文中，第一次从风险资产的收益率与风险的关系出发，运用均值-方差分析探讨了不确定性条件下资产组合的最优选择问题，从而爆发了华尔街第一次革命。

在此基础上，Willian Sharpe、John Lintner和Jan Mossin（1964）、Capital asset prices：a theory of market equilibrium under conditions of risk（1965）、the valuation of risk assets and the selection of risky investments in stock portfolios and capital（1965）、Equilibrium in a capital asset market（1966）提出资本资产定价模型，即CAPM。

资本资产定价模型被认为是金融市场现代价格理论的基石，被广泛地用于经验分析，使丰富的金融统计数据可以得到系统而有效的利用。

自1992年5月21日上海股票市场全面放开股价以来，中国资本市场经历诸多大事。

1998年经历亚洲金融风暴，2002年11月试点DFII，2007年次贷危机引起的金融危机，2014年11月开放沪港通，中国资本市场逐渐与国际接轨，开放度越来越高。

资本资产定价模型CAPM在中国资本市场中的实证检验摘要：资本资产定价模型（Capital Asset Pricing Model，简称CAPM）是衡量投资组合预期回报的重要工具之一。

本文旨在探讨CAPM模型在中国资本市场的实证检验，并评估其在该市场中的有效性和适用性。

通过分析中国市场的相关数据，包括股票市场指数和个别股票的历史数据，我们对CAPM模型进行实证检验，并考察其在预测投资组合回报方面的准确性和可靠性。

研究结果显示，尽管CAPM模型在中国资本市场中的适用性存在一定局限，但仍然可以作为一种有效的工具来衡量投资组合风险和预期收益。

1. 引言随着中国资本市场的日益发展和开放，投资者对于投资组合分析和风险管理的需求不断增加。

CAPM模型作为一个经典的投资分析工具，广泛应用于衡量投资组合回报的预期收益和风险。

然而，CAPM模型在中国资本市场中的适用性一直备受争议和质疑。

本文将通过实证检验的方法来评估CAPM模型在中国资本市场中的有效性。

2. CAPM模型简述CAPM模型是由Sharpe、Lintner和Mossin等学者在20世纪60年代提出的。

该模型基于以下假设：(1) 投资者只关注风险与回报之间存在正相关的有效投资机会；(2) 投资者是追求风险最小化的理性投资者；(3) 市场是完全有效的。

CAPM模型可以用以下公式表示：E(Ri) = Rf + βi(E(Rm) - Rf)其中，E(Ri)是股票或投资组合i的预期回报，Rf是无风险利率，βi是股票或投资组合i的系统风险系数，E(Rm)是市场的预期回报。

3. 数据来源和模型检验方法本研究选取中国股票市场作为研究对象，收集了市场指数和个别股票的历史收益率数据。

利用这些数据，我们计算了每个股票的系统风险系数β，并将其与市场的预期回报进行对比。

我们采用回归分析方法来检验CAPM模型在中国资本市场中的适用性和有效性。

4. 实证检验结果我们将CAPM模型应用于中国股票市场，并通过回归分析的方法进行实证检验。

证券投资分析CAPM模型有效性论证一.研究方法CAPM模型的形式为:Ri=Rf+i(Rm-Rf)(1)。

其中:Ri为第i种股票的收益率。

Rf 为无风险利率，Rm为市场组合的收益率,i是风险系数。

检验该模型是否有效，首先要估计个股的系数。

本文采用的方法是对单个股票的收益率Ri与市场指数的收益率Rm进行时间序列的回归确定系数之后，就可以将作为自变量对单个股票的收益率与系数再进行一次回归，进行检验。

二.样本选择1、股票品种本文随机选择股票，为以下十只1.浦发银行2.招商银行3.兴业银行4.南方航空5.同仁堂6.日照港7.万科A 8.大唐发电9.中国宝安10.盐田港2、市场指数本文选择上证综合指数作为市场组合指数3、无风险利率Rf=0.025三．所选股票数据的年份：2010.1.4-2010.12.31四．具体操作（一）回归求beta系数1、浦发银行Dependent Variable: YMethod: Least SquaresDate: 12/25/11 Time: 14:26Sample: 1/04/2010 12/31/2010Included observations: 242Variable Coefficient Std. Error t-Statistic Prob.C -0.027818 0.001058-26.30295 0.0000X 0.006186 0.000605 10.22709 0.0000R-squared 0.303527Mean dependentvar-0.027912Adjusted R-squared 0.300625S.D. dependentvar0.019673S.E. of regression 0.016452Akaike infocriterion-5.368507Sum squared resid 0.064961 Schwarz criterion-5.339673Log likelihood 651.5893 F-statistic104.5934Durbin-Watson stat 1.474769 Prob(F-statistic)0.0000002、招商银行Dependent Variable: Y Method: Least Squares Date: 12/25/11 Time: 14:33 Sample: 1/04/2010 12/31/2010 Included observations: 242Variable CoefficientStd.Error t-Statistic Prob.C -0.0260160.000969-26.83754 0.0000X 0.0060130.00055410.84521 0.0000R-squared 0.328894Mean dependentvar-0.026108Adjusted R-squared 0.326098S.D. dependentvar0.018370S.E. of regression 0.015080Akaike infocriterion-5.542689Sum squared resid 0.054576 Schwarz criterion-5.513854Log likelihood 672.6653 F-statistic117.6187Durbin-Watson stat 1.673752 Prob(F-statistic)0.0000003、兴业银行Dependent Variable: Y Method: Least Squares Date: 12/25/11 Time: 14:38Sample: 1/04/2010 12/31/2010 Included observations: 242Variable Coefficient Std. Error t-Statistic Prob.C -0.026554 0.001283-20.69085 0.0000X 0.007386 0.000734 10.06317 0.0000R-squared 0.296739Mean dependentvar-0.026666Adjusted R-squared 0.293809 S.D. dependent var0.023757S.E. of regression 0.019964Akaike infocriterion-4.981560Sum squared resid 0.095653 Schwarz criterion-4.952726Log likelihood 604.7688 F-statistic101.2675Durbin-Watson stat 1.759353 Prob(F-statistic)0.0000004、南方航空Dependent Variable: Y Method: Least Squares Date: 12/25/11 Time: 14:43 Sample: 1/04/2010 12/31/2010 Included observations: 242Variable Coefficient Std. Error t-Statistic Prob.C -0.022864 0.001472-15.53212 0.0000X 0.012131 0.000842 14.40960 0.0000R-squared 0.463851Mean dependentvar-0.023048Adjusted R-squared 0.461617 S.D. dependent var0.031208S.E. of regression 0.0228 Akaike info -4.707298 criterion 66Sum squared resid 0.125841 Schwarz criterion-4.678431Log likelihood 571.5791 F-statistic207.6365Durbin-Watson stat 1.815510 Prob(F-statistic)0.0000005、同仁堂Dependent Variable: YMethod: Least SquaresDate: 12/25/11 Time: 14:47Sample (adjusted): 1/04/2010 12/01/2010 Included observations: 220 after adjustmentsVariable Coefficient Std. Error t-Statistic Prob.C -0.022327 0.001612-13.84665 0.0000X 0.009307 0.000907 10.26638 0.0000R-squared 0.325909Mean dependentvar-0.022363Adjusted R-squared 0.322817 S.D. dependent var0.029063S.E. of regression 0.023916Akaike infocriterion-4.619471Sum squared resid 0.124693 Schwarz criterion-4.588620Log likelihood 510.1418 F-statistic105.3986Durbin-Watson stat 1.889725 Prob(F-statistic)0.0000006、日照港Dependent Variable: Y Method: Least Squares Date: 12/25/11 Time: 14:50 Sample: 1/04/2010 12/31/2010 Included observations: 242Variable Coefficient Std. Error t-Statistic Prob.C -0.025535 0.001064-23.99647 0.0000X 0.007823 0.000609 12.85477 0.0000R-squared 0.407766Mean dependentvar-0.025654Adjusted R-squared 0.405298S.D. dependentvar0.021465S.E. of regression 0.016553Akaike infocriterion-5.356220Sum squared resid 0.065764 Schwarz criterion-5.327385Log likelihood 650.1026 F-statistic165.2451Durbin-Watson stat 1.726877 Prob(F-statistic)0.0000007、万科ADependent Variable: Y Method: Least Squares Date: 12/25/11 Time: 15:07 Sample: 1/04/2010 12/31/2010 Included observations: 242Variable Coefficient Std. Error t-Statistic Prob.C -0.027602 0.002070-13.33167 0.0000X 0.006318 0.001184 5.335586 0.0000R-squared 0.106040Mean dependentvar-0.027698Adjusted R-squared 0.102315 S.D. dependent var0.033992S.E. of regression 0.032206Akaike infocriterion-4.025068Sum squared resid 0.248942 Schwarz criterion-3.996234Log likelihood 489.03 F-statistic 28.46833 48Durbin-Watson stat 1.235806 Prob(F-statistic)0.0000008、大唐发电Dependent Variable: Y Method: Least Squares Date: 12/25/11 Time: 15:10 Sample: 1/04/2010 12/31/2010 Included observations: 242Variable Coefficient Std. Error t-Statistic Prob.C -0.024475 0.002249-10.88155 0.0000X 0.005879 0.001286 4.570003 0.0000R-squared 0.080054Mean dependentvar-0.024564Adjusted R-squared 0.076221 S.D. dependent var0.036403S.E. of regression 0.034988Akaike infocriterion-3.859409Sum squared resid 0.293794 Schwarz criterion-3.830575Log likelihood 468.9885 F-statistic20.88493Durbin-Watson stat 1.183646 Prob(F-statistic)0.0000089、中国宝安Dependent Variable: Y Method: Least Squares Date: 12/25/11 Time: 15:13 Sample: 1/04/2010 12/31/2010 Included observations: 242Variable Coefficient Std. Error t-Statistic Prob.C -0.023052 0.001648-13.98931 0.0000X 0.013054 0.000942 13.85118 0.0000R-squared 0.444258Mean dependentvar-0.023250Adjusted R-squared 0.441943 S.D. dependent var0.034313S.E. of regression 0.025633Akaike infocriterion-4.481637Sum squared resid 0.157693 Schwarz criterion-4.452802Log likelihood 544.2780 F-statistic191.8552Durbin-Watson stat 2.148978 Prob(F-statistic)0.00000010、盐田港Dependent Variable: Y Method: Least Squares Date: 12/25/11 Time: 15:16 Sample: 1/04/2010 12/31/2010 Included observations: 242Variable Coefficient Std. Error t-Statistic Prob.C -0.026141 0.000816-32.03897 0.0000X 0.007693 0.000467 16.48540 0.0000R-squared 0.531038Mean dependentvar-0.026257Adjusted R-squared 0.529084 S.D. dependent var0.018495S.E. of regression 0.012692Akaike infocriterion-5.887472Sum squared resid 0.038660 Schwarz criterion-5.858638Log likelihood 714.3842 F-statistic271.7684Durbin-Watson stat 2.160507 Prob(F-statistic)0.000000●Beta系数：1.浦发银行：0.0061862.招商银行：0.0060133.兴业银行：0.0073864.南方航空：0.0121315.同仁堂：0.0093076.日照港：0.0078237.万科A：0.0063188.大唐发电：0.0058799.中国宝安：0.01305410.盐田港：0.007693●个股平均收益率：11.浦发银行：-0.0082812.招商银行：-0.0042913.兴业银行：-0.0163714.南方航空：0.00965715.同仁堂：-0.0208516.日照港：0.0049517.万科A：-0.0016718.大唐发电：-0.0017919.中国宝安：-0.0024720.盐田港：-0.00182（二）Beta系数和平均收益率的回归：Dependent Variable: YMethod: Least SquaresDate: 12/25/11 Time: 22:35 Sample: 1 10Included observations: 10Variable Coefficient Std. Error t-Statistic Prob.C -0.010900 0.010384-1.049698 0.3245X 0.807728 1.217043 0.663681 0.5256R-squared 0.052186Mean dependentvar-0.004294Adjusted R-squared -0.066291S.D. dependentvar0.009058S.E. of regression 0.009353Akaike infocriterion-6.329290Sum squared resid 0.000700 Schwarz criterion-6.268773Log likelihood 33.64645 F-statistic0.440473Durbin-Watson stat 3.293357 Prob(F-statistic)0.525555（三）结果：回归结果显示，R-squared=0.009058，数值很小，说明系统风险对股票预期收益率的解释能力很弱。

证券投资分析作业CAPM模型在中国资本市场的有效性检验1、数据选取此次实验主要考察CAPM模型在中国电力行业是否适用，因此随机抽取了电力行业的十只股票（时间段为2010年1月1日—2010年12月31日），分别为选取沪深300指数为综合指数，选取2010年的国债的利率作为无风险资产的收益率（0.025）。

2、β系数的确定CAPM模型中，β系数可以表述为：Ri – Rf =αi + βi( Rm - Rf) + εi，其中Ri为每一种证券的收益率，Rf为无风险收益率，Rm为市场收益率。

使用Eviews软件对每只股票每日风险溢价与市场组合风险溢价进行回归，得到每只股票的β值。

如下：（1）黔源电力Dependent Variable: YMethod: Least SquaresDate: 12/26/11 Time: 16:35Sample: 1 241Included observations: 241Variable Coefficient Std. Error t-Statistic Prob.C -0.008685 0.002294 -3.786006 0.0002X 0.616613 0.076324 8.078883 0.0000R-squared 0.214509 Mean dependent var -0.024413Adjusted R-squared 0.211223 S.D. dependent var 0.021210S.E. of regression 0.018838 Akaike info criterion -5.097652Sum squared resid 0.084811 Schwarz criterion -5.068732Log likelihood 616.2670 F-statistic 65.26835Durbin-Watson stat 1.914885 Prob(F-statistic) 0.000000（2）明星电力Dependent Variable: Y2Method: Least SquaresDate: 12/26/11 Time: 16:46Sample: 1 241Included observations: 241Variable Coefficient Std. Error t-Statistic Prob.C -0.032526 0.007661 -4.245595 0.0000X -0.215975 0.254892 -0.847320 0.3977R-squared 0.002995 Mean dependent var -0.027017 Adjusted R-squared -0.001177 S.D. dependent var 0.062873 S.E. of regression 0.062910 Akaike info criterion -2.685947 Sum squared resid 0.945894 Schwarz criterion -2.657027 Log likelihood 325.6566 F-statistic 0.717951 Durbin-Watson stat 1.196603 Prob(F-statistic) 0.397665（3）三峡水利Dependent Variable: Y3Method: Least SquaresDate: 12/26/11 Time: 16:48Sample: 1 241Included observations: 241Variable Coefficient Std. Error t-Statistic Prob.C -0.029398 0.004289 -6.853614 0.0000X -0.160104 0.142712 -1.121869 0.2630R-squared 0.005238 Mean dependent var -0.025314 Adjusted R-squared 0.001076 S.D. dependent var 0.035242 S.E. of regression 0.035223 Akaike info criterion -3.845971 Sum squared resid 0.296518 Schwarz criterion -3.817051 Log likelihood 465.4395 F-statistic 1.258591 Durbin-Watson stat 1.523152 Prob(F-statistic) 0.263044（4）九龙电力Dependent Variable: Y4Method: Least SquaresDate: 12/26/11 Time: 16:50Sample: 1 241Included observations: 241Variable Coefficient Std. Error t-Statistic Prob.C -0.023708 0.004362 -5.434675 0.0000X -0.003584 0.145136 -0.024693 0.9803R-squared 0.000003 Mean dependent var -0.023616 Adjusted R-squared -0.004182 S.D. dependent var 0.035747 S.E. of regression 0.035821 Akaike info criterion -3.812283 Sum squared resid 0.306677 Schwarz criterion -3.783363 Log likelihood 461.3801 F-statistic 0.000610 Durbin-Watson stat 1.598474 Prob(F-statistic) 0.980321（5）桂东电力Dependent Variable: Y5Method: Least SquaresDate: 12/26/11 Time: 16:52Sample: 1 241Included observations: 241Variable Coefficient Std. Error t-Statistic Prob.C -0.027401 0.003728 -7.351010 0.0000X -0.174539 0.124019 -1.407360 0.1606R-squared 0.008219 Mean dependent var -0.022949 Adjusted R-squared 0.004069 S.D. dependent var 0.030672 S.E. of regression 0.030609 Akaike info criterion -4.126758 Sum squared resid 0.223927 Schwarz criterion -4.097838 Log likelihood 499.2743 F-statistic 1.980662 Durbin-Watson stat 1.567083 Prob(F-statistic) 0.160620（6）涪陵电力Dependent Variable: Y6Method: Least SquaresDate: 12/26/11 Time: 16:53Sample: 1 241Included observations: 241Variable Coefficient Std. Error t-Statistic Prob.C -0.027569 0.009995 -2.758287 0.0063X 0.028673 0.332537 0.086226 0.9314R-squared 0.000031 Mean dependent var -0.028300 Adjusted R-squared -0.004153 S.D. dependent var 0.081904 S.E. of regression 0.082074 Akaike info criterion -2.154127Sum squared resid 1.609937 Schwarz criterion -2.125208 Log likelihood 261.5723 F-statistic 0.007435 Durbin-Watson stat 1.109620 Prob(F-statistic) 0.931359（7）西昌电力Dependent Variable: Y7Method: Least SquaresDate: 12/26/11 Time: 16:55Sample: 1 241Included observations: 241Variable Coefficient Std. Error t-Statistic Prob.C -0.026434 0.004241 -6.233043 0.0000X 0.016241 0.141098 0.115107 0.9085R-squared 0.000055 Mean dependent var -0.026848 Adjusted R-squared -0.004128 S.D. dependent var 0.034753 S.E. of regression 0.034825 Akaike info criterion -3.868717 Sum squared resid 0.289849 Schwarz criterion -3.839798 Log likelihood 468.1804 F-statistic 0.013250 Durbin-Watson stat 1.452457 Prob(F-statistic) 0.908457（8）乐山电力Dependent Variable: Y8Method: Least SquaresDate: 12/26/11 Time: 16:56Sample: 1 241Included observations: 241Variable Coefficient Std. Error t-Statistic Prob.C -0.028174 0.003964 -7.107256 0.0000X -0.171916 0.131888 -1.303503 0.1937R-squared 0.007059 Mean dependent var -0.023789 Adjusted R-squared 0.002905 S.D. dependent var 0.032599 S.E. of regression 0.032552 Akaike info criterion -4.003721 Sum squared resid 0.253245 Schwarz criterion -3.974802 Log likelihood 484.4484 F-statistic 1.699119 Durbin-Watson stat 1.733619 Prob(F-statistic) 0.193657（9）川投能源Dependent Variable: Y9Method: Least SquaresDate: 12/26/11 Time: 16:58Sample: 1 241Included observations: 241Variable Coefficient Std. Error t-Statistic Prob.C -0.028579 0.003039 -9.402725 0.0000X -0.144156 0.101126 -1.425514 0.1553R-squared 0.008431 Mean dependent var -0.024902 Adjusted R-squared 0.004282 S.D. dependent var 0.025013S.E. of regression 0.024959 Akaike info criterion -4.534903Sum squared resid 0.148885 Schwarz criterion -4.505984Log likelihood 548.4558 F-statistic 2.032090Durbin-Watson stat 1.710352 Prob(F-statistic) 0.155313（10）郴电国际Dependent Variable: Y10Method: Least SquaresDate: 12/26/11 Time: 16:59Sample: 1 241Included observations: 241Variable Coefficient Std. Error t-Statistic Prob.C -0.022969 0.003915 -5.866217 0.0000X 0.072408 0.130268 0.555835 0.5788R-squared 0.001291 Mean dependent var -0.024816 Adjusted R-squared -0.002888 S.D. dependent var 0.032105S.E. of regression 0.032152 Akaike info criterion -4.028440Sum squared resid 0.247062 Schwarz criterion -3.999520Log likelihood 487.4270 F-statistic 0.308952Durbin-Watson stat 1.756510 Prob(F-statistic) 0.5788443、用求出的10只股票的β值与十只股票的平均收益率进行回归，如下：Dependent Variable: YYMethod: Least SquaresDate: 12/26/11 Time: 17:27Sample: 1 10Included observations: 10Variable Coefficient Std. Error t-Statistic Prob.C -5.47E-05 0.000603 -0.090685 0.9300XX 1.30E-05 0.002598 0.005022 0.9961R-squared 0.000003 Mean dependent var -5.49E-05Adjusted R-squared -0.124996 S.D. dependent var 0.001796S.E. of regression 0.001905 Akaike info criterion -9.511885Sum squared resid 2.90E-05 Schwarz criterion -9.451368Log likelihood 49.55942 F-statistic 2.52E-05Durbin-Watson stat 2.042840 Prob(F-statistic) 0.996116即样本回归方程为Yt = -5.47 E-05 + 1.30 E-05 +εi4、统计检验r2 = 0.000003，说明仅有总离差平方和的0.003%被样本回归直线解释，回归直线对样本点的拟合优度非常低。

CAPM在中国股市的有效性检验摘要：资本资产定价模型（Capital Asset Pricing Model，简称CAPM）是衡量风险报酬关系的经典模型之一，对于投资组合的构建和资本市场的有效性有重要意义。

本文通过对中国股市的数据进行实证分析，检验了CAPM在中国股市的有效性，并探讨了可能的影响因素。

一、引言资本市场的有效性是指市场中的股票价格是否充分反映了其内在价值。

有效市场假设认为，价格已经包含了所有可获得的信息，因此投资者无法利用信息来获取超额收益。

而CAPM模型则是使用市场风险与预期收益之间的关系来解释股票市场是否有效。

二、资本资产定价模型CAPM模型是由Sharpe（1964）、Lintner（1965）和Mossin （1966）等学者提出的，它假设了一个理性的投资者，用市场组合作为风险的代表，以及对风险敏感的理性投资者都追求组合的效用最大化。

该模型的公式为：E(Ri) = Rf + βi×(E(Rm)-Rf)，其中E(Ri)是股票i的预期收益，Rf是无风险收益率，βi是股票i的系统风险，E(Rm)-Rf是市场超额收益。

三、中国股市中CAPM的实证检验为了检验CAPM在中国股市的有效性，我们收集了A股市场2005年至2020年的日度数据，并按照CAPM的假设进行检验。

实证结果显示，在中国股市中，市场风险与预期收益之间存在正向关系。

这表明了CAPM模型在中国股市中的应用有效性。

然而，我们也发现一些非理想的情况。

首先，中国股市中通常存在较高的波动性，这可能导致股票价格与CAPM模型的预测值出现较大的偏离。

其次，由于中国股市的特殊性，如政策风险、信息不对称等因素的存在，可能会使CAPM模型在中国股市的解释能力有所下降。

四、影响CAPM在中国股市有效性的因素1. 市场特征：中国股市相对较新，市场机制和规则尚不完善，市场参与者的理性程度有待提高。

这些因素都可能对CAPM模型的预测能力产生一定的影响。

基于行业数据的资本资产定价模型的有效性检验引言资本资产定价模型（Capital Asset Pricing Model, CAPM）是现代金融理论中的重要模型之一，它被广泛应用于风险投资、资产定价和组合构建等领域。

CAPM建立了资本市场均衡的干系，通过猜测资产的预期回报率与市场整体风险相关性，为投资者决策提供了重要的参考依据。

然而，CAPM模型的有效性一直备受争议，许多学者认为在实际应用中存在一定的局限性。

本文旨在通过利用行业数据，对基于行业的CAPM模型的有效性进行检验。

通过分析行业特征和市场风险之间的干系，我们可以评估CAPM模型在行业层面上的适用性，并探讨可能的改进方法。

一、CAPM模型基本原理CAPM模型是由Sharpe（1964）、Lintner（1965）和Mossin（1966）等学者独立提出的。

其基本原理是通过对个体资产收益与市场整体风险的线性回归，建立资产预期收益的计算模型。

CAPM模型表达式如下：E(Ri) = Rf + βi(E(Rm) - Rf)其中，E(Ri)表示股票i的预期收益率，Rf表示无风险利率，E(Rm)表示市场整体的预期回报率，βi表示资产i的系统风险。

CAPM模型认为资产的预期收益与无风险利率、市场回报率以及资产的系统风险有着一定的关联性。

二、行业特征对CAPM模型的影响1. 行业特征差异不同的行业具有不同的特征，包括不同的市场结构、竞争程度、生命周期阶段等。

这些特征会导致不同行业中资产的预期收益率存在显著的不同。

由于CAPM模型是基于整个市场的风险与回报之间的干系进行建模的，对于行业特定的影响因素并未进行充分思量。

因此，在不同的行业中，CAPM模型的适用性可能存在一定的差异。

2. 市场风险对行业的影响市场风险是CAPM模型中的关键观点，它代表了市场整体的风险水平。

然而，不同行业面临的市场风险程度存在差异。

一些行业可能更容易受到宏观经济政策、技术创新或竞争格局变化等因素的影响，其市场风险也可能更加波动。

资本资产定价模型(CAPM)在中国股市的有效性检验作者：刘佳珍来源：《时代金融》2011年第21期【摘要】本文利用2008年7月1日～2010年7月1日的数据对上海证券市场的有效性进行实证检验，结果表明CAPM并不适合上海证券市场，股票的收益率与系统风险之间并不存在显著的线性关系。

【关键词】CAPM 收益率风险20世纪60年代中期，美国经济学家威廉·夏普Wi1liam. Sharpe (1964) 、约翰·林特John Limner Limner (1965)和摩森Mossin(1966)等人在资产组合管理理论的基础上分别提出了资本资产定价模型(Capital Asset pricing Model, CAPM)理论，研究所有投资者在都投资相同的最佳风险资产组合的情况下会对资产价格产生的影响，也就是研究风险资产预期收益的预测方法，CAPM理论也开创了现代资产定价理论的先河。

该理论用模型中的β系数衡量不同证券风险属性的统一指标，反映资产对市场组合风险的影响，也解决了马柯威茨的资产组合理论无法统一计量不同资产在组合投资下的风险属性这一问题，。

鉴于CAPM模型具有简捷性和可操作性的特点，因此在股票的收益预测、资本成本估算和事件研究分析等方面都得到了广泛应用。

随着我国证券市场的建立，CAPM是否适合中国股市的问题引起了众多学者的关注。

但是我国证券市场起步较晚难以满足CAPM理论严格的基础假设条件，所以CAPM理论在我国证券市场中的有效性还值得进一步探讨。

多数学者对上海股票市场的实证检验表，CAPM尚不适合我国证券市场。

本文拟利用2008年7月1日～2010年7月1日的数据来对上海证券市场的有效性进行实证检验。

一、资本资产定价模型（CAPM）及其检验CAPM模型将假设证券市场中的所有投资人都视为初始偏好外都相同的个人，并且资本资产定价模型是在马柯威茨的均值方差模型的基础上发展而来，它继承了证券组合理论的基本假设。

资本资产定价（CAPM ）模型在中国证券市场的适用性研究金梦影摘要：本文首先阐述了在中国证券市场不断进行改革的背景下，对资本资产定价（CAPM ）模型在中国证券市场的适用性研究的意义，进而对资本资产定价（CAPM ）模型的缺陷以及在中国证券市场的实际应用中所存在的问题进行了实证分析，探讨了资本资产定价（CAPM ）模型在中国证券市场的适用性。

关键词：资本资产定价（CAPM ）模型；中国证券市场；适用性一、资本资产定价（CAPM ）模型在中国证券市场的适用性研究的意义（一）有助于分析预期收益与系统风险之间的关系资本资产定价（CAPM ）模型使得风险可以被量化，并通过考虑风险，为估计预期收益提供了一种广泛使用且相对客观的方法。

此外，财务决策者可以将CAPM 与其他有用的方法和合理的判断相结合，对权益资本的成本进行现实和有用的预测。

例如，许多财务经理使用CAPM 来决定股票的额外风险是否值得添加到投资组合中。

换句话说，CAPM 用于估计投资组合的总风险，并决定对投资组合的更改是否必要。

（二）有助于估算股权成本股权资本成本是投资者投资企业股权时所要求的收益率。

估计股权资本成本的方法很多，资本资产定价（CAPM ）模型是国际上最常用的方法之一。

作为一种单纯基于假设检验结果的简化方法，资本资产（CAPM ）模型虽然存在很多局限性，但却仍然可能是有用的。

换句话说，即使数据拒绝模型，模型在某些方面仍然可能对决策者有用。

例如，在392家美国公司中，73.5%的首席财务官在估算股权成本时使用资本资产定价机制。

在313家欧洲公司中，平均约有45%采用CAPM 来估算股权成本。

因此，虽然CAPM 并不完美，但在一定程度上它仍然是有用的。

二、资本资产定价（CAPM ）模型在中国证券市场的实证分析（一）样本和数据收集本研究选取上海证券交易所51只A 股股票的月度收盘价数据作为股票样本，样本编号为600000-600645，采样期间没有不连贯的观测，时间跨度为2018年1月-2019年6月，共18个月。