1. 资产定价的核心问题
资产定价理论试图回答一个根本问题：为什么不同资产有不同的预期收益？答案归结为两种解释范式：
- 风险补偿（Risk-based）：高收益是对承担系统性风险的补偿
- 行为偏差（Behavioral）：高收益源于投资者的非理性定价错误
2. 随机贴现因子（SDF）框架
现代资产定价的统一框架。所有资产定价模型都可以表示为：
E[M · R] = 1，其中 M 为随机贴现因子（定价核）
等价表述：E[Ri] - Rf = -Cov(M, Ri) / E[M]
含义：资产的风险溢价取决于其收益与定价核的协方差。与定价核负相关越强的资产（即在"坏时期"表现越差的资产），要求的风险溢价越高。
不同模型对应的SDF
- CAPM：M = a - b·Rm（定价核是市场收益的线性函数）
- 消费CAPM：M = β·(Ct+1/Ct)^(-γ)（定价核是消费增长的函数）
- 多因子模型：M = a - b₁F₁ - b₂F₂ - ...（定价核是多个因子的线性组合）
3. 横截面收益率分析方法
3.1 Fama-MacBeth 回归（1973）
两步法检验因子是否被定价：
- 时间序列回归：对每只股票，用因子收益率回归得到因子暴露（β）
- 横截面回归：每个月，用股票收益对β做横截面回归，得到因子风险价格（λ）
如果λ显著不为零，说明该因子被市场定价，承担该因子风险可获得补偿。
3.2 组合排序法
按因子值将股票分为5或10组，比较各组的平均收益差异。优点是直观、不依赖线性假设。
4. 主要异象（Anomalies）
截至2026年，学术文献中记录了超过400个预测横截面收益的变量。以下是最稳健的几个：
4.1 价值溢价
高B/M股票年化超额收益约4-6%（长期历史平均）。2020-2021年价值因子经历了历史性回撤，2022-2023年强势反弹，2024-2026年回归中性水平。
4.2 动量溢价
12-1个月动量策略年化超额收益约6-8%。当前（2026年5月）S&P 500处于强动量状态，但需注意动量崩溃风险。
4.3 盈利溢价
高盈利能力（ROE、毛利率）公司跑赢低盈利公司。在当前高利率环境下，盈利因子表现尤为突出——高质量公司的融资成本优势被放大。
4.4 投资溢价
保守投资（低资本支出增长率）的公司跑赢激进投资的公司。2026年4月CMA因子月度收益达5.07%，保守型公司显著跑赢。
5. 风险溢价分解
将资产的预期收益分解为各风险因子的贡献：
E[Ri] - Rf = β_MKT·λ_MKT + β_SMB·λ_SMB + β_HML·λ_HML + β_RMW·λ_RMW + β_CMA·λ_CMA + α
其中α代表模型无法解释的超额收益。如果α显著为零，说明模型完全解释了该资产的收益来源。
6. 前沿研究方向
- 机器学习定价：使用神经网络/树模型发现非线性定价关系
- 条件因子模型：因子溢价随宏观状态变化（如利率周期、经济周期）
- 异象动物园问题：400+异象中哪些是独立的？多重检验校正后还有多少存活？
- 气候风险定价：碳排放、转型风险是否被市场定价？
参考文献
- Cochrane, J. (2005). Asset Pricing. Princeton University Press.
- Fama, E. & French, K. (2015). A Five-Factor Asset Pricing Model.
- Gu, S., Kelly, B. & Xiu, D. (2020). Empirical Asset Pricing via Machine Learning. RFS.
- Harvey, C., Liu, Y. & Zhu, H. (2016). ...and the Cross-Section of Expected Returns. RFS.