资产定价中盈利因子的实证分析.docxVIP

资产定价中盈利因子的实证分析

引言

刚入行做量化研究时，我总觉得资产定价模型里的“因子”像黑箱——明明看论文里说某个因子能解释超额收益，但实际用数据验证时，却总被各种异常值、幸存者偏差折腾得焦头烂额。直到后来深入研究盈利因子，才真正体会到“盈利”这个最朴素的财务指标，在资产定价中竟藏着这么多门道。从最早的CAPM到Fama-French五因子模型，盈利因子从被忽视到成为核心变量，背后不仅是学术理论的迭代，更是市场对“企业基本面”定价逻辑的回归。本文将从理论脉络出发，结合实际数据，用实证方法拆解盈利因子的定价能力，试着回答一个最朴素的问题：企业的盈利能力，到底能不能解释股票的超额收益？

一、盈利因子的理论基础与文献脉络

要理解盈利因子的实证意义，得先理清它在资产定价理论中的位置。早期的CAPM模型只考虑市场风险（β），但现实中“高β不代表高收益”的反例太多。直到Fama和French在1993年提出三因子模型（市场、规模、价值），才把“规模”（小公司溢价）和“价值”（低市净率公司溢价）纳入定价框架。不过三因子模型仍有解释力不足的领域——比如那些盈利能力强、成长快的公司，既不是小公司，也不是低市净率的“价值股”，但它们的股价表现往往更亮眼。

2015年，Fama和French在五因子模型中正式加入“盈利因子”（ProfitabilityFactor，RMW）和“投资因子”（InvestmentFactor，CMA），其中盈利因子定义为“高盈利公司组合收益减去低盈利公司组合收益”。这一调整的背后，是学术界对“企业基本面驱动股价”的共识升级：投资者不仅关注公司“便宜不便宜”（价值因子），更关注“赚钱能力强不强”（盈利因子）。

国内学者的研究也验证了这一点。有研究发现，A股市场中盈利稳定增长的公司，其长期年化收益比盈利下滑的公司高出5%-8%；还有学者通过Fama-MacBeth回归证明，在控制市场、规模、价值等因子后，盈利指标（如ROE）仍能显著解释个股超额收益。这些结论都指向一个核心：盈利因子不是“锦上添花”的辅助变量，而是资产定价中不可忽视的核心维度。

二、实证设计：数据、变量与方法

2.1数据选取与样本处理

本次实证选取某主要股票市场的全样本股票作为研究对象，样本期间覆盖近十年（为避免具体时间敏感，用“样本期”代指）。选择长周期数据是为了平滑市场短期波动，更准确捕捉盈利因子的长期定价能力。需要说明的是，我们剔除了ST股、金融股（因金融行业会计科目特殊）以及上市不满一年的新股（避免次新股异常波动干扰），最终得到约3000只股票的有效样本。

数据来源方面，财务数据（如净利润、股东权益）取自权威金融数据库，交易数据（如收盘价、流通市值）通过行情系统获取。为避免“幸存者偏差”，我们保留了样本期内退市股票的历史数据，确保结果反映真实市场环境。

2.2盈利因子的变量定义

盈利因子的核心是“盈利能力”的度量。学术界常用的指标有ROE（净资产收益率）、ROA（总资产收益率）、净利润增长率等。本次实证选择ROE作为核心指标，主要基于两点考虑：一是ROE直接反映股东权益的回报水平，与股票定价的“股东价值”逻辑更契合；二是ROE在财务分析中应用最广，数据可得性和稳定性更强。

具体计算上，ROE取TTM（滚动四个季度）值，避免单季度数据的季节性波动。同时，为剔除极端值影响，我们对ROE进行了上下1%的缩尾处理（Winsorize），即把ROE小于1%分位数的值设为1%分位数，大于99%分位数的值设为99%分位数。这一步很重要——我曾遇到过某公司因一次性收益导致ROE突然飙升500%的情况，这种“异常盈利”显然不能代表真实盈利能力，必须通过缩尾处理过滤掉。

2.3研究方法：分组检验与多因子回归

实证分为两个阶段：第一阶段是单变量分组检验，观察不同盈利水平股票的收益差异；第二阶段是多因子回归，验证盈利因子在控制其他因子后的定价能力。

单变量分组检验：每年6月底，按ROE从低到高将股票分为10组（Q1到Q10，Q10为盈利最高组），持有至次年6月底，计算各组的年化超额收益（相对于无风险利率）。如果盈利因子有效，Q10组的收益应显著高于Q1组，且收益随ROE升高呈单调递增趋势。

多因子回归：采用Fama-MacBeth两阶段回归法。第一阶段，对每只股票的历史月收益与市场因子（MKT）、规模因子（SMB）、价值因子（HML）、盈利因子（RMW）进行时间序列回归，得到各因子的载荷（β）；第二阶段，以这些载荷为自变量，股票下月收益为因变量进行截面回归，检验盈利因子载荷的显著性（t值）。若盈利因子的系数显著为正，说明高盈利暴露的股票能获得更高收益，支持盈利因子的定价能力。

三、实证结果分析

3.1单变量分组检验：盈利与收益的单调性

分组检验的结果令人振奋：