4、资本资产定价模型（CAPM）与多因子模型：Beta、Alpha、Fama-French三因子/五因子在配置中的应用
资本资产定价模型（CAPM）是现代金融学的基石，它首次将资产收益与其系统性风险（Beta）建立了线性关系。然而，大量实证研究表明，单一Beta因子无法完全解释资产收益的横截面差异。Fama-French三因子/五因子模型在此基础上引入了规模、价值、盈利和投资等因子，形成了更完备的多因子定价框架。在资产配置实战中，理解从CAPM到多因子模型的演进，不仅是识别收益来源（Alpha与Beta剥离）的关键，更是构建风险因子预算、实现真正分散化投资的起点。本章将深入解析这些模型的核心逻辑，并重点探讨其在组合构建与风险管理中的具体应用。
4.1 核心原理：从Beta到多因子收益来源的拆解
CAPM的核心洞见在于，在有效市场中，资产的预期收益仅由其系统性风险（Beta）决定，非系统性风险可以通过分散化消除，因此不获得风险补偿。其数学表达式为：E(Ri) = Rf + βi × [E(Rm) - Rf]。其中，Beta衡量的是资产收益对市场组合收益的敏感程度，是资产与市场协方差除以市场方差的结果。在资产配置中，Beta决定了组合在牛市或熊市中的整体涨跌弹性，是组合“市场方向性”风险的核心度量。
然而，CAPM的假设在现实中往往不成立。Fama和French（1993）发现，除了市场因子（MKT）外，规模因子（SMB，小盘股收益减大盘股收益）和价值因子（HML，高账面市值比股票收益减低账面市值比股票收益）能显著解释股票收益的差异。2015年，他们进一步提出五因子模型，增加了盈利因子（RMW，高盈利股票收益减低盈利股票收益）和投资因子（CMA，保守投资股票收益减激进投资股票收益）。这些因子的存在，反映了不同公司特征所承载的独特风险溢价，例如小公司流动性风险、财务困境风险等。
从配置视角看，多因子模型的价值在于将组合收益分解为：组合收益 = Rf + Σ(因子暴露 × 因子溢价) + Alpha。这意味着，组合管理者可以清晰地识别收益来自何处——是承担了市场风险（Beta）、承担了风格风险（如价值/成长），还是真正的选股能力（Alpha）。这种分解是进行风险预算、业绩归因和风格轮动判断的基础。
4.2 判断方法与操作流程：如何计算与使用Beta和因子暴露
在实战中，计算Beta和因子暴露通常采用时间序列回归。对于单个资产或组合，我们将其超额收益（Ri - Rf）对因子收益率进行回归。以Fama-French三因子模型为例，回归方程如下：
Ri - Rf = α + β_mkt × (Rm - Rf) + β_smb × SMB + β_hml × HML + ε回归得到的系数（β_mkt, β_smb, β_hml）即为该资产在各因子上的暴露度。截距项α即为在控制因子风险后的超额收益，也就是我们常说的Alpha。操作流程通常包括以下步骤：
- 数据准备：收集资产（或组合）的月度收益率、无风险利率（如国债收益率）、市场组合收益率（如沪深300指数）、SMB和HML因子收益率（可从专业数据库如RESSET、Wind获取）。
- 回归分析：使用统计软件（如Python的statsmodels、R语言）进行多元线性回归，得到各因子系数及t统计量。
- 显著性检验：关注各因子系数的t值，通常要求|t| > 2（对应95%置信水平），以确认该因子暴露是统计上显著的。
- Alpha评估：观察截距项α的估计值及其t值。若α显著为正，说明资产具有正的选股Alpha；若α不显著，则说明收益完全可由因子风险解释。
- 滚动窗口分析：为避免参数不稳定，建议使用36个月或60个月的滚动窗口进行回归，观察因子暴露的时变特征，用于动态调整配置。
| 指标 | 计算方法 | 配置含义 |
|---|---|---|
| Beta (市场暴露) | 资产与市场收益的协方差 / 市场方差 | 决定组合的进攻/防守属性，高Beta适合牛市，低Beta适合熊市 |
| SMB暴露 | 回归系数β_smb | 正暴露表示偏向小盘股，负暴露表示偏向大盘股 |
| HML暴露 | 回归系数β_hml | 正暴露表示偏向价值股，负暴露表示偏向成长股 |
| Alpha (截距) | 回归截距项α | 衡量超越因子模型的超额收益，是主动管理能力的体现 |
| R² | 回归拟合优度 | 反映因子模型对收益变异的解释程度，R²越高，Alpha可信度越低 |
4.3 案例拆解：利用多因子模型优化一个混合型组合
假设我们管理一个规模为10亿元的混合型公募基金，契约规定股票仓位为60%-95%。当前组合的业绩基准为“沪深300指数×80% + 中债总财富指数×20%”。过去一年，组合跑赢基准3.2个百分点，但基金经理无法确定超额收益是来自风格押注还是真正的选股能力。我们决定使用Fama-French五因子模型进行归因分析。
背景与约束：组合持仓以大盘蓝筹为主，但近期因看好小盘成长股，基金经理将约15%的仓位调整至中证1000成分股。同时，组合重仓了新能源、半导体等高盈利、高成长行业。我们获取了组合过去36个月的月度收益数据，以及对应的五因子数据。
分析过程：将组合超额收益对五因子进行回归，结果如下：
回归结果（月度数据，36个月）：
α = 0.15% (t=1.2, p=0.24) → 不显著
β_mkt = 0.95 (t=18.5) → 显著
β_smb = 0.25 (t=2.8) → 显著
β_hml = -0.30 (t=-3.1) → 显著
β_rmw = 0.40 (t=3.5) → 显著
β_cma = -0.10 (t=-0.8) → 不显著
R² = 0.92判断与操作：回归结果显示，Alpha仅为0.15%且不显著，说明组合的超额收益并非来自选股能力，而是来自因子暴露。具体来看：β_smb为正0.25，说明组合暴露于小盘风格；β_hml为负0.30，说明组合偏向成长风格；β_rmw为正0.40，说明组合偏向高盈利股票。这些因子暴露恰好解释了组合跑赢基准的原因——过去一年小盘、成长、高盈利风格占优。基于此，我们进行了以下操作：
- 风格归因确认：将超额收益分解，发现约2.8个百分点来自SMB和HML因子贡献，0.5个百分点来自RMW因子贡献，Alpha贡献仅为-0.1个百分点。
- 配置调整：鉴于Alpha不显著，我们决定降低主动选股权重，将组合向基准指数靠拢，减少小盘成长风格的过度暴露。具体操作是减持中证1000成分股，增配沪深300成分股，使β_smb降至0.1附近，β_hml调整至-0.1附近。
- 风险控制：设定因子暴露的容忍区间，例如|β_smb|≤0.2，|β_hml|≤0.2，防止风格漂移带来的额外风险。
结果与复盘：调整后三个月，市场风格发生切换，大盘价值风格开始占优。由于我们提前降低了小盘成长暴露，组合回撤小于未调整前的模拟组合。这次案例的教训是：当Alpha不显著时，组合收益本质上是因子Beta的体现，此时应主动管理因子暴露，而非盲目相信“选股能力”。同时，因子暴露的调整需要结合对宏观风格周期的判断，不能机械地回归基准。
4.4 常见误区与总结复盘
在应用CAPM与多因子模型时，投资者常陷入以下误区：
- 误区一：将高Alpha等同于高能力。许多时候，显著的Alpha只是未包含已知因子（如动量因子、流动性因子）的“残余”。在加入更多因子后，Alpha往往会消失。因此，应使用尽可能完整的因子模型来评估真实Alpha。
- 误区二：忽视因子暴露的时变性。资产的因子暴露并非恒定不变。例如，一家公司可能从小盘成长股变为大盘价值股。使用长期静态回归会得到“平均化”的暴露度，掩盖了关键的风格切换信息。建议使用滚动窗口或状态空间模型进行动态估计。
- 误区三：过度拟合历史数据。Fama-French因子是基于美国市场数据发现的，在A股市场应用时，因子有效性存在差异。例如，A股的SMB因子在部分时期并不显著，而动量因子（UMD）反而有较强的解释力。直接套用五因子模型可能导致错误归因。
- 误区四：混淆因子收益与因子暴露。因子收益（如SMB的收益率）是历史的、已实现的；而因子暴露是组合当前的特征。配置决策应基于对未来因子溢价的预期，而非简单复制历史高收益因子。
总结复盘：在资产配置实战中，CAPM与多因子模型是两把标尺。CAPM提供了衡量市场风险（Beta）的基准，而多因子模型则进一步拆解了风格风险。正确的做法是：第一，利用多因子回归对现有组合进行“体检”，明确收益来源与风险暴露；第二，根据宏观环境与市场风格周期，设定目标因子暴露区间；第三，通过配置指数基金、ETF或衍生品来调整因子暴露，而非仅依赖个股选择；第四，定期复盘因子暴露的贡献，检验配置逻辑是否有效。最终，资产配置的终极目标不是消除Beta，而是通过科学管理Beta和因子暴露，在风险可控的前提下获取稳健的风险溢价。