宏观多指标定价模型及其在中国A股市场实证研究

孟庆儒，王庆石

(1.东北财经大学 经济学院，辽宁 大连 116025；2.东北财经大学 统计学院，辽宁 大连 116025)

一、问题的提出

金融经济学领域中的一个重要研究问题是哪些变量决定了风险资产的价格？由此催生了大量的资本资产定价理论，包括Sharpe[1]和Lintner[2]提出的资本资产定价模型(CAPM);Merton[3]提出的跨期资本资产定价模型(ICAPM)；Ross[4]在无套利假设下提出的套利定价模型(Arbitrage Pricing Theory，APT)等。这些模型将资产的期望收益率与投资者对单个或多个系统性风险的暴露程度联系起来，并且强调两者之间呈线性关系。当风险因子为市场组合超额收益率时，证券资产的系统性风险由其对市场组合的超额收益率的β决定，任何资产相对于无风险资产的期望收益率都与该资产的系统性风险呈同比例变化。Roll[5]随后强调这部分CAPM的模型检验中的零假设是股票市场指数达到均值-方差有效，并提出了将股票市场组合作为经济人占有财富代理变量的不合理性。(1)单因子模型(CAPM)存在严重的测量问题:真实市场组合具有极强的不可观测性。在前期支持CAPM的实证检验中，学者们选取的市场组合实际上是在均值-方差最小化假设下的代理市场组合，这些代理市场组合并没有全面地描述整个市场的状态，例如债券的价格、房地产市场的影响、宏观经济的波动和投资者的消费行为等。因为股票市场指数只是一部分股票的市值加权，仅占投资者实际财富的一小部分，其他种类的资产(如人力资本)被忽视了。Roll对投资者实际财富测度方法的挑战在后续文献中被成为是“Roll批判”。

由于无法合理识别投资者的真实财富，后续的研究开始寻找其他方法来解释收益与风险之间的关系。以APT模型为理论基础，多因子模型应运而生。Roll和 Ross[6]认为，系统性风险并不应该被单一的市场风险所解释，应该存在多个风险因子共同作用。在市场无套利的假设条件下，APT模型认为资产的风险与收益之间呈线性关系。Ross[4]第一次提出APT模型时，即强调投资者信心、利率期限结构、通货膨胀和经济周期等宏观经济变量是风险因子最为直观的来源。选取能够反映宏观经济运行状况的变量作为定价因子是符合经济学直觉的，这是因为大量宏观指标的发布(例如国内生产总值、通货膨胀率和利率)能够影响所有投资者的跨期资产选择行为，进而影响资产价格，由于投资者在跨期消费选择中倾向于平滑他们的消费，尤其在意其所持有的资产组合在经济陷入萧条时的支付。为此，投资者愿意牺牲一部分期望收益率以换取其资产组合在萧条时期较高的收益。与此相反的是，当投资者持有的资产组合在宏观经济下行时价格下滑，带来更少的支付，承担这部分风险的长期投资者将向市场要求更高的收益率，即投资者需要一个额外的回报作为其承担系统性风险的补偿。因此，宏观经济变量的变动是市场中系统性风险的重要来源。

上述理论建立了宏观经济指标与资产收益率横截面差异之间的联系，赋予了风险因子丰富的经济学含义，提供了简洁明了的分析框架。与国外成熟股票市场类似，中国的A股市场中某些性质相近的资产也具有共同波动的特性。例如，同一板块或者行业的股票在某些期间内具有同涨同跌的特点。理论上，这些股票应该受到潜在的外生因素的共同影响，但究竟哪一种宏观经济变量可以作为这些外生因素的代理变量，国内相关的研究较为匮乏，而且目前仍未有明确的结论。本文的研究目的在于从众多国内宏观经济变量中筛选出能对资产价格变化产生显著影响的宏观经济指标，并依据经典的多因子资产定价模型建立实证模型，检验其解释能力，重点回答以下问题：宏观经济指标是否可以成为反映A股市场系统性风险的定价因子，究竟是哪些宏观经济指标可以成为解释股市收益率横截面变化的解释变量。

二、文献综述

Chen等[7]提出的经典宏观五因子定价模型是宏观多因子定价模型的发展开端。他们认为在选择因子时，应当重点考察那些可以解释贴现率变动或者期望现金流的状态变量。这个方向的研究试图用宏观经济和金融市场中可以从这两种渠道影响股价变动的经济变量来刻画系统性风险。除了少数因子可以通过资产定价模型给出的预测得到(CAPM中的随机贴现因子的估计可以通过快速消费品的消费增长率来代理)，大部分因子的选择依赖于经济学直觉：即除了市场因子，还有很多变量导致股票收益率的共同波动。基于股利贴现模型给出的股票定价公式，他们将大量的金融和宏观经济变量投影至收益率空间，认为APT模型中的共同因子与期望通货膨胀率、利率风险、期限结构风险以及工业产出相关。Chen等[7]认为，只有那些可以影响到经济体中的随机贴现因子或者上市公司现金流的变量才能决定股票市场收益率，他们选取七个可以影响预期现金流和折现率的宏观经济指标，分别是工业增加值同比 (IP)、非预期通货膨胀率 (UDI)、预期通货膨胀率 (DI)、信用价差 (高评级企业债与低评级企业债之间的利差) 、期限利差 (长短期利率差)、总消费(Cons)和油价 (Oil)。研究结果表明，除了油价和总消费增长率之外的五个宏观经济指标，可以通过未来现金流和折现率系统性地影响股票收益率。

国内部分文献以宏观经济指标和A股市场资产组合收益率为研究标的，使用Chen等[7]直接认定因子的方法，并考察风险因子在横截面上的定价含义。其中，王茵田和朱英姿[8]选取了市场收益率、账面市值比、盈利股价比、现金流股价比、投资资本比、工业增加值变化率、回购利率和期限利差八个变量构建了八因子模型，他们认为八因子模型的解释效力明显强于Fama-French三因子模型，并发现两个债市指标回购利率和期限利差对股市风险溢价的横截面数据有显著解释能力。万欣荣等[9]试图确定对A股市场中股票组合收益率有重要影响的变量，并使用GMM估计因子风险溢价，发现深市股指月度收益率、通货膨胀率、期限利差和沪指月度收益率四个因子能显著地解释A股市场的资产超额收益率在横截面上的差异。王茵田和朱英姿[8]与万欣荣等[9]都试图使用Chen等[7]文献中选取的宏观经济指标，但受限于评级债券过短的历史数据，学者们在研究中长期无法获取与Chen等[7]提出模型中完全一致的指标，缺失的指标由类似的宏观经济指标代替。例如王茵田和朱英姿[8]选取了7日国债回购利率作为AA级10年期公司债券收益率的替代变量。相比于原始模型中的宏观经济指标，替代指标可能会丢失一部分重要的宏观经济信息。事实上，由于存在一定的违约风险，AA级10年期公司债券收益率并不能等同于无风险的国债回购利率。

较之以往文献，本文的主要贡献在于提出了适用于中国A股市场的宏观多指标定价模型和分析框架：将投资组合收益率视为宏观经济指标和非股票资产收益率的函数，股票资产价格被视为是内生变量，只有那些可以影响到折现率或者上市公司现金流的宏观经济指标才能影响股票的市场收益率。同时，只要能充分地反映宏观经济运行状况，刻画投资机会集的变化且能够系统性地影响风险因子变化的宏观经济变量，都可以成为备择因子。本文提出的宏观多因子模型因子选取方法，以及风险因子背后所代表的经济学含义方面与其他因子模型有着重要的区别。

三、理论假设

宏观经济多因子模型的理论基础之一是股票价格的定价公式：股利贴现模型，股利贴现模型直观地刻画了宏观经济因子对资产价格的影响渠道。该公式将总市值等同于上市公司所有未来现金流的现值加总：

(1)

式(1)表示的是反应系统性风险的宏观因子在理论上可以通过三种渠道影响市场组合的总收益率：现金流、无风险资产收益率和风险溢价。折现率由无风险利率和风险溢价两部分组成，随利率水平和期限结构在不同期限之间的利差而变化。无风险利率的非预期变化会通过影响未来预期现金流的方式影响股票资产的定价，并影响着股票的收益率。另一方面，折现率也取决于风险溢价的变化，因此，风险溢价中的非预期变化也会影响股票收益率的变化。从投资者对权益资产的需求角度上看，实际财富的间接边际效用的变化(可以用实际消费变化来衡量)将影响股票的定价，这种影响也应该表现为风险溢价的非预期变化。其他对风险溢价产生系统性影响的因子都可以通过此渠道影响个体资产的价格。

预期现金流的变化包含着名义与实际两个方面：从名义角度来说，预期通货膨胀率的变化将影响名义预期现金流和名义利率。从实际角度来说，宏观经济变量中的产出变量，例如工业增加值同比的变化将影响现金流的当前价值。在估计风险溢价时，由于没有考虑到实际工业增加值同比的不确定性，工业增加值同比的非预期变化应该通过现金流渠道对股票收益产生影响。基于上述分析，笔者提出如下假设：

假设：工业增加值同比、居民消费指数、利率水平和消费均可通过影响上市公司未来预期现金流和折现率的方式影响股票价格的变动。

四、模型设定、数据来源和变量构造

(一)模型设定

为了检验宏观经济因子对股票收益率横截面的解释能力，本文采用了Fama和Macbeth[10]提出的两步法进行横截面检验。第一步，使用检验资产组合收益率与风险因子的时间序列，估计资产i对所有风险因子的贝塔系数。

(2)

(3)

(二)数据来源及变量构造

国内宏观经济指标普遍存在数据种类多，可观测时间序列较短问题。考虑到可供选取的宏观经济变量序列不等长，而最短的时间序列(AA级10年期公司债券收益率)从2007年5月开始，因此，本文选用了从2007年5月至2017年12月总计128个月的月度宏观经济指标，包括1年期存款基准利率、10年期国债收益率、AA级10年期企业债收益率、居民消费价格指数(CPI)同比数据、工业增加值当月同比、社会消费品零售总额当月同比增长率。上述数据均来源于国家统计局官方网站。

本部分使用的宏观因子总计10个，其构造方式如下：

工业增加值同比(IP)是一个体现工业部门生产水平变动情况的经济指标，它既能衡量国内总体经济状况的变化，也是反映整体经济周期变化的主要标准。通过分析经济现象和观察以往经验，基于工业增加值的变化会通过影响上市公司未来现金流进而影响上市公司的股票收益率这一原因，本文选用工业增加值同比这一指标作为股票收益率的解释变量之一。

消费者物价指数(CPI)作为衡量整体宏观经济中一般商品物价的代表性指标，反映消费支出的变化与社会大众对商品及服务价格所愿意购买的数量与支付能力，也隐含着名义与实际生产数量之间的差距。通货膨胀反映了消费物价指数的变化，进而影响期望现金流与折现率。考虑到这一影响，本文认为未预期通货膨胀率与预期通货膨胀率可以作为解释股票收益率的风险因子。

未预期通胀率定义如下，其中I(t)是对数化CPI的一阶差分。

UI(t)=I(t)-E[I(t)|t-1]

(4)

另一个关于通货膨胀率的变量是预期下个月通货膨胀率 E[I(t)|t-1]的一阶差分：

DEI(t)=E[I(t+1)|t]-E[I(t)|t-1]

(5)

该序列也是市场未预期的变量，刻画了通货膨胀率信息流中未被UI反映的部分，即预期通货膨胀率与非预期通货膨胀率之间的一阶残差。

本文使用三个变量刻画市场的风险溢价：违约价差(URP)、期限利差(UTS) 和市场组合收益率。违约价差和期限利差是反映宏观经济周期的重要宏观经济变量。

违约价差(URP)是AA级10年期公司债券收益率与10年期国债收益率之差：(2)Chen等将违约价差的变化定义为Baa级10年期公司债券收益率与10年期国债收益率之差。由于国内的债券评级标准与国际标准存在某些差异，我们将具备AA级评级的公司债券视同Baa级10年期公司债券。

URP(t)=AA(t)-LGB(t)

(6)

其中,AA级10年期公司债券收益率是非顶级评级并且不可转换的企业债组合的收益率。URP(t) 形式上并不是严格意义上的增长率，而是两条收益率序列的差。但由于URP(t) 高度序列不相关，本文仍然将其作为重要的宏观经济变量纳入考察范围。

期限利差(UTS)是1年期的国债收益率与10年期国债收益率之差：

UTS(t)=LGB(t)-TB(t-1)

(7)

其中，TB是1年期银行活期存款基准利率。同样的，在风险中性条件下E[UTS(t)|t-1]也必须严格等于零。该变量测量了长期国债的未到期收益率。消费是ICAPM模型中的重要状态变量，模型假设总消费的变化率反映了效用最大化的代表投资者面对的投资机会集的变化，因此，构成了股票市场中系统性风险的来源。本文也使用了实际消费增长率(CG)作为反映宏观经济运行状况的因子之一。除此之外，本文还引入了原油价格，原油价格是否影响股票市场收益率和资产定价是存在争议的。为了检验这一命题，以及评估使用大宗商品市场价格替换其他宏观经济变量的可行性，本文使用南华工业品价格指数(COM)作为反映生产过程中投入的变量。

在已有文献中，工业用电量月度同比增长率(Power)和企业中长期贷款同比增长率(Loans)作为工业总产出的替代变量，这么做的目的在于工业用电量数据真实可靠，测量误差较小，而银行贷款目前仍是中国企业最重要的融资方式，是反映企业投资行为的理想替代变量。房地产投融资指标在最近十年是影响中国家庭及个人投资行为的重要外生因素，也是反映经济运行景气程度的重要先行指标。因此，本文使用房地产开发投资额同比(HS)作为反映房地产投融资活跃程度的宏观经济变量。

本文的主要目标是检验宏观经济变量与股票收益率之间的关系，但由于大多数宏观经济变量在时间序列上具有平滑和高度平稳的特性，在较短的时期内，这些变量并不能够捕捉股票市场中的所有信息。与宏观经济变量相比，市场指数收益率(RMKT(t))带有很强的噪声，并且两者之间弱相关，那么市场指数收益率就可以弥补这一部分缺失的信息。但将市场指数收益率纳入变量集也会让我们更容易找到横截面上资产组合收益率与市场组合收益率序列之间的强关联，而不是其他宏观经济因子。

与Chen等[7]仅仅使用市值作为唯一排序标准不同，本文构造检验资产投资组合的过程依旧以Fama和French[11]为参考，使用A股上市公司的年报和收益率数据，对所有股票按照两种以上的公司特征双向排序，构造了96个待检验的资产投资组合。如在构造规模-账面市值比2×3组合时，我们将第t年6月末的公司市值定义为公司规模，账面市值比则为上一会计年度公司的股权账面价值除以上一年12月末的公司市值；将所有上市公司按规模从小到大进行排列，并取中位数，将所有上市公司分为两组。之后在每个组内的股票按照账面市值比由低到高分为3组，最终组成6个投资组合；以此分组依据，计算出每个投资组合内的平均收益率(按总市值加权)。需要注意的是，我们会在每年6月使用当年度新的年报数据重复上述过程，新一年度的6个投资组合并假设投资者持有一年。

为了与被解释变量的时间长度相匹配，横截面回归中的被解释变量由2007年5月到2017年12月沪深两市的全部A股按公司基本面特征排序得到的组合月度收益率数据构成。为了排除一些上市公司股票的异常波动影响，样本中剔除了ST公司。股票数据从锐思(RESSET)金融数据库中提取。

根据Lewellen等[12]对横截面上资产定价模型检验的建议，本文使用了尽可能多的资产组合作为检验资产，目的在于回归检验中制造更多噪音，同时加入了行业月度收益率，这样可以更全面地代表中国A股市场，保持整体性。这96个资产组合包括了按照公司特征双向交叉和三向交叉排序得到的组合，本文选择公司特征包括：公司规模、账面市值比、ROA(资产回报率)、动量和AG(资本增长率)，并对其按照二等分、三等分和四等分等操作，交叉得到若干个投资组合的月度收益率时间序列，分别为规模-账面市值比2×3组合、规模-ROA2×3组合、规模-动量2×2组合、规模-AG2×3组合、规模-动量-AG排序2×4×4组合、规模-动量-ROA排序2×3×3组合、规模-账面市值比-AG排序2×4×2组合，以及农林牧渔业、采矿业、制造业、电力、热力、燃气及水生产和供应业、建筑业、批发和零售业、交通运输、仓储和邮政业、住宿和餐饮业、信息传输、软件和信息技术服务业、金融业、房地产业、租赁和商务服务业、科学研究和技术服务业、水利、环境和公共设施管理业、文化、体育和娱乐业和综合行业的月度收益率。另外，居民服务、修理和其他服务业以及卫生和社会工作业由于观测区间过短而被剔除。

表1和表2分别介绍了各个宏观经济因子的描述性统计和相关系数。其中，除了未预期通货膨胀率与预期通货膨胀率之间相关系数较高之外，其他因子之间的相关系数均在一个可接受范围内，这与两个通货膨胀率因子之间的构造方式有关。

表1 宏观经济因子的描述性统计

表2 宏观经济指标之间的相关系数

五、实证结果与分析

由于篇幅所限，在第一步时间序列回归中，宏观经济指标的整体显著性较低，在96个投资组合中，期限利差因子在68个组合中通过了显著性检验，其余四个因子通过显著性检验的组数均未通过半数，出现这种现象可能的解释是工业增加值同比因子、预期通货膨胀因子、未预期通货膨胀因子以及违约价差因子均不能解释股票收益率在时间序列上的变化，或者说这四个因子在时间序列分析上对股票收益率的预测能力较弱。而期限利差因子对股票收益率的预测能力强于其他四个因子，这反映了利率水平对股票收益率变化的影响。因此, 我们需要进行第二步截面回归, 检查因子载荷的水平不同是否导致各股票组合平均收益率水平不同。 由于在第一步的时间序列回归中,所有的因子都或多或少表现出显著性，在第二步中，本文以每组收益率序列的平均值作为被解释变量, 采用第一步中得到的回归系数作为解释变量进行横截面回归检验。表3给出的是第二步横截面回归的结果，表3中的模型2是Fama-French三因子模型的估计结果，其中只有规模因子显著。在接下来的分析中，我们主要将其作为其他宏观经济多因子模型的参照。

根据表3的结果显示，模型3是包含全部宏观经济因子的中国A股市场的宏观多因子定价模型，具体表现形式如下，其中，除了南华工业品指数(COM)未通过显著性水平检验之外，其余的因子均在1%的显著性水平上通过了t检验，其中，未预期通货膨胀率(UI)的t值高达13.440。这与其他文献得到的结论相一致，Boons等[13]使用美国市场数据同样发现通货膨胀率因子在横截面上可以成为定价因子。在国内的股票市场，UI代理的通货膨胀率风险也是影响横截面上收益率差异的系统性风险。这一点具有普适性。

Rt=α-0.014FIP+0.021FUI-0.008FDEI-0.002FURP-0.006FUTS-0.068FCG-0.003FCOM+εt

(8)

从符号上看，只有未预期通货膨胀率(UI)的因子风险溢价是正的，其敏感系数的月度估计值是0.021，这说明未预期通货膨胀率是投资者需要规避的系统性风险。而工业增加值同比(IP)、违约价差(URP)、期限利差(UTS)、预期通货膨胀率(DEI)和总消费增长率(CG)等都为投资者提供了一定程度上的对冲，即投资者持有对这些因子具有高风险暴露程度的组合有利于其跨期消费平滑。其中，总消费增长率因子提供的对冲达到每月0.068。同时，大部分因子在横截面回归中显著，而且其定价误差在96个组合上显著为零，除了模型9之外的所有宏观因子模型在GRS检验中的表现要比Fama-French三因子模型(模型2)更优异。

表3 宏观经济多指标模型实证结果

注：小括号内是相应的 t 值，中括号内给出的GRS统计量的P值。*表示在 10% 的显著性水平上显著；**表示在 5% 的显著性水平上显著；***表示在 1% 显著性水平上显著。(表4同)

为了寻找更为精简的因子结构，模型3—模型9逐渐减少因子个数。比较模型3和模型4，当大宗商品指数收益率因子(COM)被剔除后，GRS统计量达到最高值2.330。模型6进一步将与非预期通货膨胀率(UI)高度负相关的预期通货膨胀率(DEI)剔除后，其在横截面上的表现并没有发生显著变化,其因子结构最为精简，并且符合经济学直觉：结合前文中贴现现金流模型，我们可以将未预期通货膨胀率(UI)和工业增加值同比(IP)的显著性归结于它们对期望现金流变化的影响。期望现金流对名义和实际的宏观经济变量的变动都比较敏感。例如，期望通货膨胀率的变动将会影响名义的期望现金流，以及名义利率。如果经济体中所有资产的定价都是名义的，那么价格水平的非预期变动将对所有资产的定价产生系统性的影响。只要贴现率或者风险溢价并不捕捉工业产出变动，期望的实际产出变动将影响现金流当下的价值，这也是通过影响资产在未来产生的现金流实现的。

另一方面，违约价差(URP)和期限利差(UTS)的变动通过影响折现率变动决定股票的价格。因而在A股市场，未预期通货膨胀率以及实际工业增加值都是投资者真正需要担心的系统性风险来源，但并不是唯一的风险来源。因为由违约价差(URP)和期限利差(UTS)代理的折现率风险也可以成为定价因子，将这两个因子剔除后的模型9在横截面上解释能力的大幅下降印证了这一点。

表4将市场因子与除总消费增长率(CG)和南华工业品指数(COM)之外的多个宏观因子与市场因子(mkt-rf)组成两(或者多)因子模型，并且加入了代表中国经济运行特点的三个变量：工业用电量月度同比(Power)、企业中长期贷款增长率(Loans)和房地产开发投资额同比(HS)，这类模型设置是基于Merton提出的ICAPM，假设资产收益率服从条件正态分布，得到一个多因子模型：市场因子构成其中一个因子，状态变量构成其他因子。后者可以满足投资者对冲未来的投资机会集变动风险的需要。

比较模型1和模型2，剔除了商品因子(南华工业品价格指数COM)显著提高了横截面的解释能力，模型2的GRS统计量从1.723提高到1.911，但是违约价差(URP)不再显著，自然地，在模型3中将违约价差(URP)剔除。由于预期通货膨胀率因子(DEI)与非预期通货膨胀率因子(UI)高度相关，在模型4中将预期通货膨胀率因子(DEI)删掉，宏观经济因子逐步减至4个，GRS统计量进一步提高至2.098。模型5将消费增长率因子(CG)剔除后，模型解释能力并没有发生显著变化。但如果将期限价差(UTS)这一反映期限结构斜率的因子排除后，模型6对横截面的解释能力锐减。因此，可以看出模型4的定价误差最小，代表着最精简的定价因子结构：

Rt=0.008FRm-0.028FYP+0.023FUI-0.007FUTS-0.051FCG+εt

(9)

模型7和模型8将模型4和模型5中的工业增加值同比(IP)替换成反映中国工业经济活跃程度的宏观经济因子：工业用电量月度同比(Power)、企业中长期贷款增长率(Loans)和房地产开发投资额当月同比 (HS)。模型7的表达式:

Rt=0.025FUI-0.007FUTS-0.042FPower+εt

(10)

模型8的表达式:

Rt=0.013FUI-0.004FUTS-0.051FCG-0.041FPower-0.042FLoans+0.035FHS+εt

(11)

模型7与模型8中加入了新的代表中国经济特点的新变量之后，虽然新加入的因子通过了显著性检验，但GRS统计量却比模型4和模型5的结果低，定价能力略差于最优的模型4和模型5。

表4 加入新指标后的宏观经济多指标模型实证结果

综合表3与表4给出的横截面回归结果，可以得到以下几个结论：第一，绝大部分的宏观经济因子可以作为系统性风险来源成为定价因子。其中，工业增加值同比(IP)、非预期通货膨胀率(UI)、预期通货膨胀率(DEI)、违约价差(URP)、期限利差(UTS)在两类模型中均保持稳健的显著性，工业增加值同比(IP)捕捉了整体市场预期现金流的变动，通货膨胀率因子既能影响预期现金流的变化也能影响实际折现率的变化，期限利差(UTS)代表的是无风险利率的期限结构，与违约价差(URP)共同通过折现率影响资产的价格。综上所述，宏观经济因子的风险溢价符合股利贴现模型给出的经济学直觉。第二，两类多因子定价模型中找到的最优因子结构的定价误差比Fama-French三因子模型更低，这说明了Fama-French三因子模型中的规模因子和价值因子可以被宏观经济多因子替代。第三，CAPM中的市场因子在所有的模型中均不显著，并且将其加入纯宏观经济因子模型中反而降低了对横截面差异的解释能力，因此，市场因子的解释效力也可以被其他宏观经济因子取代。第四，新加入的三个因子——工业用电量月度同比(Power)、企业中长期贷款增长率 (Loans)和房地产开发投资额当月同比 (HS)并没有显著提高对未来现金流变化的解释效力，但在模型中均通过了显著性检验，表明这三个因子也可以作为解释股票横截面差异的定价因子。

六、结 论

本文研究了国内主要宏观经济指标是否可以作为定价因子决定股票资产的期望收益率，参考了Chen等[7]提出的经典宏观五因子模型，构造了工业增加值同比、非预期通货膨胀率、预期通货膨胀率、信用价差、期限利差、总消费增长率和大宗商品指数收益率等七个宏观经济指标作为风险因子的宏观多因子定价模型。结果显示，除大宗商品指数收益率外的六个宏观经济因子在横截面回归中均通过了显著性检验。与Chen等[7]结论类似，除了大宗商品指数收益率之外的宏观经济因子都能系统地决定股票资产的期望收益率。其中，非预期通货膨胀率解释效力最为显著，且具有正向的风险价格。

以工业增加值同比、非预期通货膨胀率、信用价差、期限利差和总消费增长率为解释变量的多因子模型具有比Fama-French三因子模型更低的定价误差和对股票收益率横截面差异有更强的解释效力。引入可以反映国内经济活跃程度的三个特殊因子之后，结果显示工业用电量月度同比(Power)、企业中长期贷款增长率(Loans)和房地产开发投资额同比(HS)可以成为传统工业增加值的替代变量，但并没有显著改善模型的解释效力。这些因子决定股票资产的期望收益率的途径与股利贴现模型给出的模型预测是一致的。另外，经典的市场因子在所有多因子模型中都是统计不显著的，也不能改善模型对横截面差异的解释能力，因此，并没有提供比宏观经济因子模型更多的定价信息。综上所述，宏观经济因子构成的因子结构比Fama-French三因子所代表的基本面因子结构更好地解释了期望收益率在横截面上的差异，并具有更丰富的经济学含义。