六因素资产定价模型

这表明LBR包含测量误差，同时使用OLS估计六因素模型的参数，表明应首先使用IVGMM方法。在表3的C组中，对于按大小元素排序的六个投资组合，LBR系数对于同时使用OLS和IVGMM的两个投资组合来说是重要的。对于所有使用OLS的六个投资组合，风险管理RF系数都很重要，其中五个投资组合使用IVGMM很重要。对于使用OLS的四个港口组合和使用IVGMM的三个港口组合，SMB因素的效率非常重要。使用OLS（0.86）调整后的Rof六因素模型高于IVGMM（0.80）。表S3的C组（见补充材料，在线提供）报告了稳健性测试结果，这表明IVGMM中使用的仪器是稳健性的，并且所有投资组合的估计值都是一致的。此外，RM-RF和SMB因子的系数对于使用OLS的六个和四个投资组合以及使用IVGMM的五个和三个投资组合来说都是重要的。这表明RM-RM和SMB因子在使用OLS估计六因子模型参数时包含测量误差，同时表明IVGMM方法是稳健的估计器。结果与Racicot和Rentz（2015）一致，即SMBfactor可能包含测量误差。在表3的面板D中，对于五个指数（TRAN、CTRN、CINS、CUTL、CBNK）投资组合，LBR和SMB的系数对于五个使用OLS方法的投资组合和四个使用IVGMM方法的投资组合是显著的。对于使用OLS和IVGMM方法的两个投资组合，SM B的系数非常重要。使用INGOLS（0.14）方法调整后的六因素模型Rof相对高于IVGMM（0.09）方法。

同时，表S3的D组（见补充材料，在线提供）报告了稳健性测试结果，这表明IVGMM估计中使用的工具是有效的，并且对指数组合的估计是一致的。同时，LBR和RM-RF的系数对于使用OLS的六个指数投资组合中的五个和使用VGMM方法的四个投资组合来说都很重要。这表明LBR和RM-RF在使用OLS估计六因素模型参数时包含测量误差，并表明IVGMMAP方法是六因素模型的稳健估计量。结果与Racicot和Rentz（2015，2016b）一致，即SMB因子包含测量误差。综上所述，采用OLS和IVGMM方法，利用按规模B/M、规模投资、规模动量和指数组合排序的投资组合来估计新的六因素资产定价模型的参数。稳健性检验结果表明，采用OLS方法的六因子模型的参数估计含有测量误差，而IVGMM方法则是较好的估计方法。VGMM在估计多因素集合定价模式l的参数方面很稳健。OLS可能夸大了回归的重要性。六因素模型的人力资本部分一致地对本研究中使用的各种资产类别的回报变化进行了定价。此外，我们发现了有利的证据，确保市场因素对所有资产类别的回报变化进行一致定价。同时，很明显，在我们针对不同资产类别的新六因素模型中，规模因素能够很好地解释风险和回报关系。在接下来的部分中，我们将使用OLS和IVGMM方法进一步检查新六因素资产定价模型参数估计的稳健性。

我们使用了四组共二十五个投资组合，分别按规模B/M、规模投资、规模可行性、规模动量和三十个行业投资组合的交叉点进行分类。6、六因素模型的实证表现：OLS VSIVGMMTTable 4分别报告了25个投资组合的OLS和IVGMM对六因素模型的估计结果，分别为sortedon、A组的B/M规模、B组的投资规模、C组的规模稳定性和D组的规模动量，E组中有30个行业投资组合。A组中有45个投资组合按B/M大小排序，LBRCoefficient对于使用OLS的13个港口投资组合来说是重要的，而对于使用IVGMM方法的23个投资组合来说是重要的。对于使用OLS的19个投资组合而言，RM-RF的效率非常重要，而使用VGMM方法的所有投资组合都非常重要。然而，对于所有使用OLS的投资组合和22个使用VGMM的投资组合，SMB系数都很重要。使用OLSis 0.91对六因素模型进行调整后的RFR。表S4（见补充材料，在线可用）显示了OLS和IVGMM估计的综合结果，表明IVGMM中使用的工具有效，并且所有投资组合的估计都是稳健的。面板A表4和表S4（见在线提供的补充材料）显示，对于使用OLS按B/M大小排序的所有投资组合，SMB因子的系数非常重要，而对于使用IVGMM的25个投资组合中的22个投资组合，SMB因子的系数非常重要。这表明SMB因子包含显著的测量误差。结果与Racicot andRentz（2015）一致。表4的B组报告了按投资规模排序的25个投资组合的结果。LBR系数对于使用OLS的10个投资组合而言非常重要，而对于使用IVGMM方法的20个投资组合而言则非常重要。

使用OLS的23个投资组合的RM-RF系数显著，而使用IVGMM方法的所有投资组合的RM-RF系数显著。同时，使用OLS的二十四个投资组合的SMB因子系数显著，而使用IVGMM的所有投资组合的SMB因子系数显著。使用OLS的六因素模型的调整后RFR为0.92。表S5（见在线提供的补充材料）报告了OLS和IVGMM估计的综合结果，这表明IVGMM中使用的工具是稳健的，并且所有投资组合的IVGMM估计都是一致的。表4的C组报告了根据规模可行性排序的二十五个投资组合的结果，其中十四个投资组合使用OLS的LBR系数不显著，二十个使用212 R.Roy，S.Shijin/Borsa\\u Istanbul Review 18-3（2018）205e217IVGMM的LBR系数不显著。对于使用OLS和IVGMM的所有投资组合，RM-RF和SMB因子的系数都是显著的。使用OLS的六因素模型的调整后RFR为0.96。表S6（见在线提供的补充材料）显示了OLS和IVGMM估计的综合结果，这表明IVGMMAR中使用的仪器有效，并且估计对所有投资组合都是稳健的。表4的D组报告了25个投资组合按规模动量排序的结果，其中LBR系数对于使用OLS的3个投资组合和使用VGMM的24个投资组合是显著的。RM-RF系数对于使用OLS的24个投资组合而言非常重要，尽管所有投资组合都使用VGMM方法非常重要。其次，使用OLS和IVGMM的23个投资组合中，SMB系数显著。使用OLS对六因素模型进行调整后的RFR为0.83。

表S7中的测试结果（见补充材料，在线可用）表明，IVGMM中使用的工具是有效的，并且所有投资组合的估计都是稳健的。表4的E组报告了30个行业投资组合的结果，其中LBR系数对于使用OLS的三个行业投资组合和使用IVGMMAP方法的17个行业投资组合而言是显著的。RM-RF的系数对于使用OLS和IVGMM的所有第三十个指数组合都很重要。接下来，SMB系数对于20个使用OLS的行业投资组合和19个使用IVGMM的行业投资组合来说是重要的。使用OLS对六因素模型进行调整后的RFR为0.62。六因素模型（FF（5））的表4OLS与IVGMM估计方法 5类）和行业投资组合）。面板A：5 5个已分类尺寸-B/M组合。投资组合a LBR RM-RF SMB HML RMW CMARDWtwtwenty五个OLS 1.64 0.08 1.02 0.52 0.23 0.04 0.03 0.912 1.70t-平均值2.131.79 47.57 17.25 5.00 1.33 0.76t-min 0.523.68 32.17 11.5214.3411.735.48t-最大4.430.25 74.14 36.10 20.96 7.96 3.77号。的签名。投资组合14 13 19 25 23 16 9IVGMM 0.02 0.98 0.48z-平均值3.25 30.86 13.20z-最小值4.22 0.03 7.83z-最大6.50 61.79 56.23个。的签名。投资组合23 25 22面板B：5 5分类大小投资组合25 OLS 1.550.07 1.01 0.53 0.09 0.01 0.09 0.924 1.75号。的签名。投资组合12 10 23 24 14 18 19 IVGMM 0.02 1.01 0.24否。的签名。投资组合20 25 25面板C：5 5分类大小支持组合25 OLS 1.560.07 1.02 0.52 0.11 0.03 0.01 0.96 1.64个。的签名。投资组合14 25 25 19 21 14 IVGMM 0.08 0.94 0.49否。的签名。投资组合20 25 25面板D：5 5分类大小动量组合25 OLS 1.150.06 1.04 0.49 0.25 0.05 0.11 0.838 1.67个。的签名。投资组合6 24 23 19 9 IVGMM 0.03 0.97 0.47否。的签名。投资组合24 25 23面板E：行业投资组合Thirty OLS 1.600.08 1.07 0.17 0.13 0.29 0.13 0.626 1.83号。

的签名。投资组合3 30 20 22 21 11IVGMM 0.02 1.01 0.073否。的签名。投资组合17 30 19此表中显示的结果是25个投资组合的平均值，分别按A组中的B/M规模、B组中的投资规模、C组中的动量规模和D组中30个行业投资组合的平均值的交点排序。t-统计数据用斜体字表示，并根据IVGMM对HAC（Newey&West，1987）进行了更正。5%级别的重要投资组合的数量被标记为重要数量。投资组合。Durbin-Watson统计数据由调整后的R平方DWandRis表示。当使用IVGMM估计具有规格误差的六因素模型参数时，SMB作为内生变量，HML、RMW、CMA作为工具，而RM-RF和LBR被视为外生变量。表S4、S5、S6、S7和S8分别报告了面板A、B、C、D和E的综合结果。213R。Roy，S.Shijin/Borsa\\u Istanbul Review 18-3（2018）205E217表S8中的稳健性测试结果（见补充材料，在线提供）表明，IVGMM估计值对于所有指数组合都是一致和稳健的。简言之，四组共二十五个投资组合（每个分类为“B/M规模”、“B/M规模投资”、“规模稳定性”和“SizeMementum”）以及三十个行业投资组合用于解释回报可预测性的变化。OLS和IVGMM方法用于估计六因素集定价模型的参数。稳健性测试结果表明，利用OLS对六因素模型的参数估计考虑了测量误差。

此外，IVGMM估计增强了新六因素模型的性能，因此IVGMM是估计多因素资产定价模式ls参数的稳健工具方法。此外，OLS可能夸大了回归的重要性。此外，六因素模型的人力资本部分始终对研究中使用的各种资产类别的回报变化进行定价。Harvey et al.（2016）认为，除非因子的t比率超过3.00，否则任何声称的因子实证结果都很可能是错误的，是数据挖掘的结果。此外，Cochrane（2011）对这些因素的重要性提出了质疑。基于这一论点，我们使用t比率标准检验了六因素资产定价模型中人力资本组成部分的绩效和持续性。该测试将进一步支持我们的论点，即六因素资产定价模型的动态人力资本部分被确定为资产回报率的独立预测因子。结果将在后续章节中讨论。7、动态人力资本我们评估了研究中使用的不同资产类别的六因素资产定价模型的每个IVGMM估计值的人力资本组成部分（LBR）的t比率。我们声称，如果使用IVGMM估计的各回归中人力资本成分的t比率超过3.00的标准限值，则动态人力资本成分是六因素资产定价模型中的独立预测因子，这将进一步证明和加强。表5显示了使用VGMM方法对不同投资组合的人力资本系数进行的tratio近似值。表5报告了人力资本系数的t比率，该比率清除了t比率大于3.00的临界值。

稳健性检验结果表明，IVGMM中使用的工具是有效的，估计值对所有投资组合都是稳健性的。表5显示了人力资本部分对83个不同投资组合的总回报变化进行连续定价。可变投资组合包括三组六个投资组合，每个组合按规模-资产/负债、规模投资和规模-动量的交叉点排序。五个指数投资组合和四组共二十五个投资组合，每个投资组合按B/M规模、投资规模、规模稳定性和规模元素以及三十个行业投资组合的交叉点排序。表5中报告的人力资本组成部分（LBR系数）的敏感性超过了3.00的t比率，在所有常规水平上都具有统计意义和经济意义。因此，表5t为六因素模型中人力资本（LBR）部分的比率近似值。Sl.编号。