六因素资产定价模型

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

英文标题：
《A six-factor asset pricing model》
---
作者：
Rahul Roy, Santhakumar Shijin
---
最新提交年份：
2018
---
英文摘要：
  The present study introduce the human capital component to the Fama and French five-factor model proposing an equilibrium six-factor asset pricing model. The study employs an aggregate of four sets of portfolios mimicking size and industry with varying dimensions. The first set consists of three set of six portfolios each sorted on size to B/M, size to investment, and size to momentum. The second set comprises of five index portfolios, third, a four-set of twenty-five portfolios each sorted on size to B/M, size to investment, size to profitability, and size to momentum, and the final set constitute thirty industry portfolios. To estimate the parameters of six-factor asset pricing model for the four sets of variant portfolios, we use OLS and Generalized method of moments based robust instrumental variables technique (IVGMM). The results obtained from the relevance, endogeneity, overidentifying restrictions, and the Hausman\'s specification, tests indicate that the parameter estimates of the six-factor model using IVGMM are robust and performs better than the OLS approach. The human capital component shares equally the predictive power alongside the factors in the framework in explaining the variations in return on portfolios. Furthermore, we assess the t-ratio of the human capital component of each IVGMM estimates of the six-factor asset pricing model for the four sets of variant portfolios. The t-ratio of the human capital of the eighty-three IVGMM estimates are more than 3.00 with reference to the standard proposed by Harvey et al. (2016). This indicates the empirical success of the six-factor asset-pricing model in explaining the variation in asset returns.
---
中文摘要：
本研究将人力资本成分引入Fama和French五因素模型，提出了均衡六因素资产定价模型。这项研究采用了四组组合，模拟了不同规模和行业的投资组合。第一组由三组六个投资组合组成，每个投资组合按规模与B/M、规模与投资、规模与动量排序。第二组由五个指数投资组合组成，第三组由四组二十五个投资组合组成，每个投资组合按规模与B/M、规模与投资、规模与盈利能力、规模与动量排序，最后一组由三十个行业投资组合组成。为了估计四组不同投资组合的六因素资产定价模型的参数，我们使用OLS和基于矩的稳健工具变量技术（IVGMM）的广义方法。从相关性、内生性、过度识别限制和豪斯曼规范测试中获得的结果表明，使用IVGMM的六因素模型的参数估计是稳健的，并且性能优于OLS方法。在解释投资组合回报变化时，人力资本部分与框架中的因素具有同等的预测能力。此外，我们评估了四组不同投资组合的六因素资产定价模型的每个IVGMM估计的人力资本组成部分的t比率。根据Harvey et al.（2016）提出的标准，83项IVGMM估计的人力资本t比率超过3.00。这表明六因素资产定价模型在解释资产回报变化方面取得了经验上的成功。
---
分类信息：

一级分类：Quantitative Finance        数量金融学
二级分类：Statistical Finance        统计金融
分类描述：Statistical, econometric and econophysics analyses with applications to financial markets and economic data
统计、计量经济学和经济物理学分析及其在金融市场和经济数据中的应用
--

---
PDF下载：
--> A_six-factor_asset_pricing_model.pdf (247.42 KB)

2022-6-10 22:12:06 上传

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：定价模型 资产定价 instrumental Econophysics Quantitative

全文Article A六因素资产定价模型Rahul Roy*，Santhakumar Shijin，本地治里大学管理学院商业系，本地治里，605014，印度，2017年11月27日接收；2018年2月8日修订；接受日期：2018年2月16日在线发布日期：2018年3月15日摘要本研究将人力资本部分引入Fama和法国五因素模型，提出了一个均衡的六因素资产定价模型。这项研究采用了四组组合，模拟了不同规模和行业的投资组合。第一组由三组六个投资组合组成，每个投资组合按规模与B/M、规模与投资、规模与动量排序。第二组由五个投资组合组成，第三组由四组共二十五个投资组合组成，每个投资组合按规模与B/M、规模与投资、规模与稳定性以及规模与未来进行排序，最后一组构成三十个行业投资组合。为了估计四组不同投资组合的六因素资产定价模型的参数，我们使用OLS和基于矩的稳健工具变量技术（IVGMM）的广义方法。从相关性、内生性、过度识别限制和豪斯曼规范中获得的结果表明，使用IVGMM的六因素模型的参数估计是稳健的，并且表现优于OLS方法。在解释投资组合回报变化时，人力资本部分通常与框架中的因素一起分享预测能力。此外，我们评估了四组不同投资组合的六因素资产定价模型的每个IVGMM估计的人力资本组成部分的t比率。参考Harveyet al.（2016）提出的标准，83项IVGMM估计的人力资本t比率超过3.00。

这表明六因素资产定价模型在解释资产回报变化方面取得了经验上的成功。版权所有(c)2018，Borsa\\u Istanbul Anonim S,irketi。Elsevier B.V.制作和托管。这是一篇基于CC by-NCND许可证的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/).JEL分类：G12；C36；J24关键词：FF组合；人力资本；IVGMM方法；回报可预测性；六因素资产定价模型1。简介Black、Jensen和Scholes（1972年）、Lintner（1965年）、Mossin（1966年）和Sharpe（1964年）在资本资产定价文献中的贡献是无可挑剔的，它们发展了对风险收益关系的理解。从那时起，资产定价文献的实证检验表明，资本资产定价模型（CAPM）能够对资产回报的变化进行定价。此后，在过去几十年中，资产定价文献已将CAPM转换为多因素模型，以对资产回报的变化进行定价。其中最著名的模型是Fama和French（1993），这是一个三因素模型，该模型将CAPM扩展为与账面市值和规模相关的两个因素。随后，Fama和French的三因素模型（FF）成为对横截面资产回报变化进行定价的基准模型。最近，Fama和French（2015）提出了一个五因素模型，通过在其三因素模型中计算投资和可操作性来捕捉资产回报的变化。五因素模型在解释资产回报变化方面表现出色，同时优于三因素模型。

此外，Chiah、Chai、Zhong和Li（2016）证明，在解释全球股票市场资产回报变化方面，五因素模型的表现优于一系列相互竞争的多因素模型。相比之下，Kubota和Takehara（2018）发现了五位通讯作者。电子邮件地址：rahulroy819@gmail.com，rroypu。res@pondiuni.edu.in（R.Roy），shijin。s@gmail.com，石津。com@pondiuni.edu.in（S.Shijin）。由Borsa\\u Istanbul Anonim S,irketi负责的同行评审。可在线访问www.sciencedirect。comBorsa\\u Istanbul ReviewBorsa\\u Istanbul Review 18-3（2018）205e217http://www.elsevier.com/journals/borsa-istanbul-review/2214-8450https://doi.org/10.1016/j.bir.2018.02.0012214-8450/版权所有(c)2018，Borsa\\u Istanbul Anonim S,irketi。Elsevier B.V.制作和托管。这是NC NDlicense CC下的一篇开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/).因子模型在解释资产回报率变化方面表现不佳。坎贝尔（1996）倾向于将价值和规模与人力资本部分相关联。有趣的是，Kim、Kim和Min（2011）发现，人均lcomponent分别包含价值和规模分类的预测能力。梅耶斯（1972）确定了人力资本成分在资产回报可预测性中的作用，其中大约75%的消费发生在劳动力收入上，其中人力资本是总财富的无效成分。Belo、Li、Lin和Zhao（2017）发现资产定价与劳动经济学文献之间存在着紧密联系，其中金融变量提供了有关劳动力市场动态重要性的丰富信息来源。实证结果表明，在资本资产定价中，劳动力成分的特征在很大程度上被忽视，决定了横截面收益的比例。

同样，Kuehn、Simutin和Wang（2017）研究了劳动力市场和金融市场之间的互动动力学，以确定横截面股本回报的决定因素。基于这一观点，Shijin、Gopalaswamy和Acharya（2012）发现，人力资本构成抓住了资产回报变化的重要部分。同样，Roy和Shijin（2018）的研究考察了资产定价中人力资本构成、共同因素和常用财务变量的动态。研究发现，国际数据中的经验证据表明，市场因素和人力资本构成反映了最大资产的资产回报可预测性的变化。进一步，提出人力资本构成要素包含了规模和价值策略对回报可预测性的解释力。人力资本组成部分分别代表了规模和价值战略的解释力，这一事实使得将该组成部分引入五因素模型很有意思。Fama和Frenc h（2015）表示，五因素模型是一个失败的模型，因为它无法捕捉小型股回报的变化。此外，Racicot&Rentz（2017）在FF数据集的面板数据框架中使用VGMM检验了五因素模型，发现市场投资组合是唯一重要的因素。考虑到总财富包括金融财富和人力财富这一事实，资产定价文献中有大量证据表明，由人力资本组成的框架产生的结果优于多因素模型。因此，基于人力资本部分占总财富的90%这一理论证明（Lustig、Van Nieuwerburgh和Verdelhan，2013），我们将人力资本部分引入Fama和French（2015）的五因素模型。

我们的目标是提出一个均衡的六因素资产定价模型，将人力资本l部分与五因素模型相加，分别由市场因素、规模、价值、可盈利性和投资组成。本研究首次提出六因素资产定价模型，以利用美国数据对回报可预测性的变化进行定价。继Fama和French（1993年、2015年）之后，我们采用了四组组合，包括三组六个组合，每个组合按规模-B/M、规模投资和规模动量的交叉点排序。第二，一组五个指数投资组合，第三，一组四组二十个投资组合，每个投资组合按规模、B/M、规模投资、规模稳定性和规模动量的区间排序，最后是一组三十个行业投资组合。为了估计四组不同投资组合的新六因素集定价模型的参数，我们使用普通最小二乘法（OLS）和IVGMM方法。同时，我们进行弱工具变量测试（Racicot&Rentz，2015）以检查工具的有效性，过度识别限制测试（Hansen，1982；Olea&P flueger，2013），以及Hausman测试（Hausman，1978），以检查规格和测量误差。这些稳健性测试进一步验证了实证结果的经济和统计意义。我们的方法得出以下结论：；首先，对于第一组18个FF portfol IO，使用OLS的13个portfol的人力资本效率显著，而使用IVGMM方法的8个portfol的人力资本效率显著。对于第二组指数投资组合，人力资本对于使用OLS的所有五个指数投资组合和使用VGMM方法的四个指数投资组合都是重要的。

其次，对于第三组100亿美元的投资组合，人力资本部分对于43个使用OLS的投资组合和87个使用IVGMMAP方法的投资组合来说是重要的。随后，在第四组30个行业投资组合中，人力资本部分对于使用OLS的三个行业投资组合来说是重要的，而对于使用IVGMMAP方法的17个行业投资组合来说是重要的。相关性、外生性、过度识别限制检验和豪斯曼规范检验结果表明，使用IVGMM方法的六因素资产定价模型的参数估计是稳健的，性能优于OLS。参数、人力资本、市场和规模因素包含计量误差，而对第一组和第二组变量投资组合使用最小二乘法。此外，这表明OLS可能夸大了回归的重要性。Harvey、Liu和Zhu（2016）认为，除非某个因素的t比率大于3.00，否则任何声称的某个因素的实证结果都可能是错误的。在本研究中，六因素资产定价模型的83个IVGMM估计值的人力资本t比率大于3.00。这表明新的六因素资产定价模型在经验上取得了成功，该模型旨在解释资产回报率的变化。总之，这些发现从几个方面对当代文学作出了贡献。首先，本研究通过提出一个新的六因素资产定价模型，对多因素资产定价模型的现有文献做出贡献，以期更好地理解风险和回报权衡。此外，本研究成功锁定了五因素资产定价模型失败的原因（Fama&French，2015a）。

其次，本研究在很大程度上加强了现有文献（Campbell，1996；Heaton&Lucas，2000；Lustig et al.，2013），这些文献主张人力资本成分在综合财富中占有更大的份额，并且在回报可预测性方面与金融财富相比也是一个重要的组成部分。此外，2006年R.Roy，S.Shijin/Borsa\\u Istanbul Review 18-3（2018）205E217经验证据表明，动态人力资本成分在解释资产回报方面与其他因素具有同等的预测能力。这表明，在多因素集定价框架中对资产回报进行建模时，人力资本构成是一个需要考虑的重要候选因素。最后，实证证据表明，使用IVGMM方法的六因素资产定价模型的参数估计优于常规的规范和计量误差估计。本文的其余部分结构如下。第2节描述了研究中使用的数据和变量。第3节简要讨论了该方法。第4节探讨了实证结果，第5节和第6节都提供了关于六因素资产定价模型绩效的信息。第7节描述了动态人力资本在回报可预测性方面的重要性，第8节介绍了总结和讨论，第9节报告了结论。2、数据和可变定义我们采用劳动收入增长率（LBR）来代表人力资本部分，这是纽约证券交易所、美国运通和纳斯达克上市公司收益报告中的季度工资和工资部分。工资数据来自汤森路透数据流。

假设每个季度的劳动收入增长率遵循相似的模式，则将季度工资和工资的总和转换为每月频率，以将频率与研究中使用的其他变量相匹配。RM-RF、SMB、HML、CMA和RMWmimicking市场因素、规模、价值、投资和稳定性，定义见表S1的面板A（见补充资料，在线提供）。继Fama和French（1993年、2016年）之后，我们采用了三组六个投资组合，分别按规模-资产/资产、规模投资和规模-动量的交叉点进行排序。由此产生的十八个投资组合的描述已在表1的B组中报告（见补充材料，在线提供）。表S1的面板C和D（见补充材料，在线可用）分别显示了30个行业投资组合和5个指数投资组合的说明。此外，我们采用了四组共二十五个投资组合，按规模B/M、规模投资、规模稳定性和规模动量的交叉点进行排序，从而形成了一百个不同类型的投资组合。组合形成的描述分别在表S4、S5、S6和S7中进行了讨论和说明。随后，有关FF投资组合形成的详细信息可在Kenneth R.French e数据库中获得。本研究所需的数据和变量是从French（2017）数据库中按月频率检索的，涵盖了1986年1月至2017年5月期间，并以美元货币单位表示。3、计量经济学方法OlogyFama和French（2015）声称，五因素模型是一个不完整的均衡模型，因为它无法捕捉收益可预测性的可变性。

此外，坎贝尔（1996）声称将人力资本构成与共同因素联系起来，以提高多因素资产定价模型的统计和经济绩效。基于这一思维过程，我们提出了一种新的六因素模型，将人类资本成分与五因素模型结合起来，以衡量回报可预测性的变化。因此，为了估计所提出的六因素资产定价模型的参数以对回报率变量投资组合进行定价，时间序列回归采用OLS、RPit 1/4 aithliLBRtthbidRM的形式 RFThtthsiSMBtthhiHMLtthriRMWtthciCMAttheitd1Th方程（1）RPitis t月投资组合i（FF、指数和行业投资组合）的回报率。LBRtis t月的劳动收入增长率。（RM-RF）t月的价值加权市场投资组合回报率减去无风险利率（91天国库券利率）。Smbis t月的规模策略，HMLTI是t月的价值策略，RMWT是t月的盈利策略，CMA是t月的投资策略，EIT是白噪声过程。3.1. 工具变量广义矩量法（IVGMM）标准IV估计量是GMM估计量的特例。工具Z是外生的假设可以表示为EdZiuiTh 1/4 0：L工具给出了一组L力矩，gibb型 1/4 Zibui 1/4 Zi易 Xibb公司d2:1Th其中GI为L 1、仪器的外生性意味着存在L力矩条件，满足EdgidbThTh 1/4 0的真实值；d2:2Th每个L力矩方程对应一个样本力矩，L样本力矩取bb型nXni 1/4 1gibb型nXni 1/4 1Zi易 Xibb公司nZbud2:3ThGMM背后的直觉是为B选择一个估计量，解出GdbbTh 1/4 0。如果要估计的方程是精确确定的，因此l 1/4 K，那么我们有许多方程。