作者：石川

摘要：本文從學術界、專業(yè)管理人和普通投資者三個視角梳理因子投資。

1 引言

如今的（量化）投資界開口必談因子投資。然而，隨著所處的角色不同（學術界 vs 業(yè)界），人們對因子投資的關注點不盡相同。2018 年，Joseph Cerniglia 和 Frank Fabozzi 在 The Journal of Portfolio Management 上發(fā)表了一篇題為 Academic, Practitioner, and Investor Perspectives on Factor Investing 的文章（Cerniglia and Fabozzi 2018），從學術界、（專業(yè)）管理人和（普通）投資者三個視角梳理了因子投資，給人很大啟發(fā)。面對著海量關于因子投資的文獻和資料，搞清楚不同視角對因子投資理解的區(qū)別和聯(lián)系十分必要；它可以幫助我們更有效的甄別和獲取知識，指導因子投資實踐。

本文以介紹 Cerniglia and Fabozzi (2018) 為契機，從上面三個角度闡述因子投資。除了提煉該文精華之外，行文中也會加入大量相關材料供讀者參考。此外，由于我之前寫過不少因子投資的文章，因此也將借此機會把相關內(nèi)容串聯(lián)起來、做一個整理。（如果你把此文視作公眾號之前所創(chuàng)作的主要因子投資文章的合集，那也是極好的。）最后需要說明的是，本文談及的因子投資針對的是股票市場的風格因子，而非更廣義的使用因子進行大類資產(chǎn)配置。

2 學術界視角

一般來說，因子描述了一攬子股票所共同承擔（或者暴露于的）的某種（可以是未知的）系統(tǒng)性風險。相應的，因子收益率是圍繞該因子構(gòu)建的投資組合中股票的共性收益（即系統(tǒng)性風險溢價）。根據(jù)這個定義，因子（收益）又被稱為 style premiums。

2.1 因子投資研究的起源

學術界對于因子的研究可以追溯到 20 世紀 30 年代。Graham and Dodd (1934) 提出了價值溢價，而這本證券分析也早已成為業(yè)界的圣經(jīng)。之后的 60 年代和 70 年代，CAPM 和 Arbitrage Pricing Theory（Ross 1976）相繼被提出，它們?yōu)檠芯恳蜃犹峁┝硕康姆治龉ぞ?。自上世紀 70 年代以來，學者們逐漸發(fā)現(xiàn)按照某種風格“打包”的股票能夠戰(zhàn)勝市場。這其中最值得一提的是 Basu (1977) 發(fā)現(xiàn)的便宜股效應和 Banz (1981) 發(fā)現(xiàn)的小市值效應。由于它們和當時主流的有效市場假說相違背，因此被稱為異象（anomalies）。也正是從那個時期開始，學術界開始了轟轟烈烈的挖異象大潮。

2.2 Empirical Asset Pricing

對于學術界而言，研究因子的最主要目標是提出更好的 empirical asset pricing model（實證資產(chǎn)定價模型）。一個潛在的基本面或技術面風格，要想實現(xiàn)從成為異象、到因子再最終被加入一個多因子模型的三步走，需要經(jīng)過一系列嚴格的計量經(jīng)濟學分析（《Anomalies, Factors, and Multi-Factor Models》）。在比較不同的多因子模型時，主流的統(tǒng)計手段包括 GRS tests、Mean-Variance Spanning tests 以及 Bayesian approach。近年來，隨著機器學習的發(fā)展，也有學者將其應用到構(gòu)建因子模型上，這其中的代表是 Feng, Giglio, and Xiu (2017)。這篇文章獲得了 2018 年 AQR Insight Award，它使用 two-pass cross-sectional regression（具體的，兩步 LASSO）從一大堆因子中找到顯著且穩(wěn)定的定價因子。

談及關于 empirical asset pricing 的研究，諾貝爾經(jīng)濟學獎獲得者 Eugene Fama 可謂功不可沒。他和諸多合作者發(fā)表的許多重磅論文奠定了不僅是因子研究，更是金融學作為一個學科的發(fā)展。即使在今天看來，這些文章依然是所有踏入這個行業(yè)的人的必修課。這其中包括大名鼎鼎的 Fama-French 三因子模型（Fama and French 1993）、Fama-MacBeth Regression（Fama and MacBeth 1973）以及 Fama et al. (1969) —— 事件分析（event study）的開山之作。為了記錄 Fama 對金融領域的貢獻，John Cochrane 和 Tobias Moskowitz 挑選了 Fama 最具代表性的論文編制了一本論文集，題為 The Fama Portfolio（Fama 2017）。無疑，這里面的文章全都值得仔細品味。此外，在研究多因子模型時，回歸分析（包括時序回歸、截面回歸）是極為重要的研究方法。

2.3 異象叢生

時至今日，已有超過 400 個異象（或“因子”）被挖出（Hou, Xue, and Zhang 2017）。在 publication bias 和 multiple testing 的不良影響下，絕大多數(shù)異象都是 data mining 的產(chǎn)物。學術界對于挖因子的狂熱和浮躁的態(tài)度已經(jīng)引起很多學者的警惕。John Cochrane 在 2011 年美國金融協(xié)會主席演講時以“factor zoo”來描述當前因子研究的現(xiàn)狀，并提出了三個至關重要的問題：

Cochrane 的提問引發(fā)了學術界深刻的反思。最近幾年，越來越多發(fā)表于頂級期刊上的文章致力于回答這些問題。Harvey, Liu, and Zhu (2016) 研究了 316 個因子、提出了一種能夠利用不同因子之間相關性的全新分析框架，把代表因子顯著性的 t-statistic 閾值從 2.0 提高到了 3.0；Harvey and Liu (2018) 則更是以 Lucky Factors 為題提出了一個基于正交化和自助法的分析框架，用來檢驗因子的有效性。除此之外，Green, Hand, and Zhang (2017) 使用 Fama-MacBeth regression 同時分析了 94 個因子、指出真正獨立的因子少之又少。

2.4 樣本外效果幾何？

學術界關注的另一個問題是：一個新因子被提出后，隨著越來越多人使用，它在 post-publication 樣本外的效果是否會打折扣（樣本內(nèi)的 data mining 以及發(fā)表后被更多人知道都會降低其效果）。在這方面，McLean and Pontiff (2016) 研究了 97 個因子在被發(fā)表之后的表現(xiàn)，發(fā)現(xiàn)因子的收益率比論文中的 in-sample 降低 50% 以上。類似的，Linnainmaa and Roberts (2018) 研究了 30+ 個財務因子在 pre-sample 和 post-sample 的表現(xiàn)；絕大多數(shù)因子在樣本外的表現(xiàn)令人失望。

大多數(shù)研究因子的學術論文中并沒有對交易費用給予充分的考慮，造成對因子收益率的高估。順帶一提，由于因子投資組合一般都是多、空對沖的組合，因此如果不合理考慮做空限制，也會高估因子的收益。當然可喜的是，學者們意識到了交易費用對因子效果的沖擊，并開始在論文中對其加以必要的探討。Novy-Marx and Velikov (2015) 研究了交易費用對因子效果的影響，并提出三個交易策略來降低執(zhí)行這些因子投資組合的成本：（1）僅使用交易費用低的股票構(gòu)建因子組合；（2）降低因子組合再平衡的頻率；（3）在交易時考慮更嚴格的買賣價差約束。

2.5 多指標、多因子綜合

在基金管理人進行因子投資時，無論是配置也好、給個股打分也罷，通常會把多個因子綜合起來使用。學術界對于多個因子（或指標）綜合起來在解釋股票收益率截面差異方面也有很多研究。Piotroski (2000) 提出的 F-score 以及 Mohanram (2005) 提出的 G-score 是這方面的代表。此外，AQR 提出的 QMJ 因子（Quality-Minus-Junk）也是很好的例子（Asness, Frazzini, and Pedersen 2019；該文最早的版本是 2014 版本）。從我自己的實證來看，QMJ 在 A 股上也是有效的。就綜合多個指標這個問題，Novy-Marx (2015) 指出，雖然同時使用多個信號無可厚非，但仍需要謹慎考慮每個因子對于提升收益的增量貢獻。

2.6 風格因子和宏觀經(jīng)濟的關系

學術界的最后一個視角可以歸結(jié)為風格因子和宏觀經(jīng)濟的關系。在不同的經(jīng)濟環(huán)境下，風格因子的表現(xiàn)大相徑庭。研究經(jīng)濟環(huán)境和因子收益率的關系對于因子擇時也很有幫助。Claessens and Kose (2018) 調(diào)研了學術界的大量相關文獻，是一篇很好的綜述。有必要說明的是，宏觀經(jīng)濟和因子收益率之間的關系并沒有人們預期的那么強。Cerniglia and Fabozzi (2018) 也指出在這方面還有大量的研究要做。

3 管理人視角

對于主動型管理人來說，因子投資早已成為投資工具箱中的重要選擇。一個因子的 on paper 收益率可能非常誘人，但是對于管理人來說，如何在現(xiàn)實中實現(xiàn)它是必須要解決的問題。在實際圍繞該因子構(gòu)建投資組合時，必須要考慮可投資性的約束；成功的因子投資需要注重從理論到實踐的每一個細節(jié)。此外，對于管理人來說，一個好的因子模型應該首先是一個風險模型。相較于學術界關注因子模型在解釋資產(chǎn)截面預期收益率差異方面的作用，管理人更關注因子模型在時序上能否和資產(chǎn)回歸得到更高的 R-squared，從而更好的計算風險（比如獲得更準確的協(xié)方差矩陣）。在計算風險方面，Barra 模型無疑是最有名的。這解釋了為什么在學術界的模型中，我們最多只看到 Fama-French 三因子、五因子模型這些，而在 Barra 的模型中（以 CNE6 為例），我們看到了國家因子、行業(yè)因子以及 9 大類風格因子（包括 16 個細分因子） —— 模型中因子總數(shù)遠超學術界因子模型中的數(shù)量。

Cerniglia and Fabozzi (2018) 一文從以下四個方面闡述了管理人視角下的因子投資：

3.1 資金流入造成沖擊

當越來越多的資金涌入因子投資時就會造成因子擁擠（factor crowding）。而 rule-based （使用相似的指標排序、接近的調(diào)倉頻率）的因子投資則加劇了這種負面影響。任何一個投資策略想要持續(xù)賺錢都是利用了市場在某方面的非有效性。當使用的人越來越多，市場在這方面就會變得更有效，從而降低了該因子獲取收益的能力。因子擁擠也會造成流動性沖擊。一旦市場中發(fā)生沖擊風格因子的事件后，持有相似頭寸的管理人會競相賣出手中的股票，由此產(chǎn)生的流動性危機會造成很大的虧損。2007 年 8 月，美股市場上一些非常優(yōu)秀的量化對沖基金在短時間內(nèi)錄得了巨大的虧損。Khandani and Lo (2011) 對此進行了研究并發(fā)現(xiàn)，很多量化基金經(jīng)理在短時間內(nèi)清理了相似的頭寸，巨大的拋壓對流動性造成了巨大的打擊、使得這些股票的價格在短時間內(nèi)大幅下降。不幸的是，嚴重的流動性事件是低頻事件，這意味著我們很難對其造成的負面影響有效建模。

3.2 因子擇時

我知道因子擇時是個 hot potato。所以在這小節(jié)的論述中會加點料。今天我們從一階矩（收益）的角度聊聊因子擇時。因子擇時是個大課題，這一小節(jié)的篇幅也肯定說不完。所以先建議各位小伙伴參閱 Bender et al. (2018) 這篇文章。其領銜作者 —— State Street 的 Jennifer Bender —— 在因子投資界是響當當?shù)娜宋?。該文客觀的綜述了使用不同預測指標、在不同時間尺度下對不同風格因子擇時的效果。這些預測指標包括因子估值、因子動量以及各大類宏觀經(jīng)濟指標。

談到因子擇時，不得不提的兩大門派是因子動量（factor momentum）vs 因子估值（factor valuation）。本節(jié)重點來聊聊按估值進行因子擇時是否靠譜。以下的論述來自 Lee (2017) 這篇 Factors timing factors（用因子擇時因子）的文章，頗有意思。按因子估值擇時由 Arnott et al. (2016) 提出。它指的是使用某種估值指標（比如 PB）來計算因子組合中多、空兩頭的估值，并以二者的比值作為因子本身的估值；認為因子未來的收益率和因子當前的估值呈現(xiàn)負相關 —— 即昂貴的因子在未來更有可能獲得負收益。從估值的計算來看不難發(fā)現(xiàn)，因子變得昂貴了意味著該因子和價值因子負相關。

因此問題就來了：和價值因子負相關就一定會在未來獲得負收益嗎？乍一看，這個問題的答案似乎是肯定的。由于價值因子長期有效，因此如果一個因子和它呈現(xiàn)負相關，那它不就是只能獲得負收益了嗎？然而仔細想想，答案并沒有這么簡單。最簡單的反例就是動量因子，該因子以和價值因子長期負相關而著稱。Asness, Moskowitz, and Pedersen (2013) 這篇著名的 Value and Momentum Everywhere 通過大量實證指出價值和動量長期存在于全球的股票、外匯、固定收益、商品期貨等市場中。

為了回答這個問題，首先要分清待使用估值來擇時的因子是 nonreplicable（不可復制）還是 replicable（可復制）。如果該因子無法被現(xiàn)有多因子模型中的因子解釋（即加入這個新因子能夠提高 mean-variance 有效前沿），則它被稱為一個 nonreplicable 因子；反之它是一個 replicable 因子。對于一個價值因子無法解釋的 nonreplicable 因子，顯然即便它和價值因子呈現(xiàn)負相關（所謂的估值高），我們也不能說這個因子要失效了。動量因子正是這樣一個 nonreplicable 因子。對于 replicable 因子，價值因子無疑能解釋其獲得的一部分收益。但不要忘了，該因子還在其他已知因子上有正的暴露。該因子的收益率由所有用來復制它的其他因子的收益率以及該因子在它們上面的暴露決定；因此只因估值過高就說一個因子未來收益率要如何如何總是有些草率的。

使用估值來進行因子擇時這個爭議的核心問題是：是什么讓價值因子如此與眾不同？為什么我們就偏偏選了它來對其他因子擇時？按照這個思路，是不是也可以把所有其他因子（投資、質(zhì)量、市值）都用來擇時？歸根到底，每個因子都是一個投資組合，因此可以計算它的多空兩頭在其他因子上的取值。頗有意思的是，F(xiàn)ama and French (2015) 五因子模型中，兩位意味深長的寫到：當加入 profitability 和 investment 因子之后，價值因子變得多余了。毫無疑問，因子估值能否擇時仍然會是未來爭論的焦點。

3.3 區(qū)分 α 和 β 收益

隨著因子投資的盛行，一個新的挑戰(zhàn)油然而生：主動管理人獲取的超額收益到底是 α 還是風格 β？搞清楚這個問題對于成功甄別管理人至關重要，因此它也備受 MOM / FOF 的關注。Bender, Hammond, and Mok (2014) 指出，管理人獲得的超額收益中，80% 的部分可以由因子暴露解釋，只有剩下 20% 才取決于獲得 α 的能力。由于不同風格因子的表現(xiàn)受到宏觀經(jīng)濟的影響，主動配置因子 β（涉及到因子擇時和風險控制）從而獲得超額收益也彰顯管理人的能力。在一項最新的研究中，Duanmu, Malakhov, and McCumber (2018) 比較了主動 β 和主動 α 管理人，并指出長期來看，最頂尖的主動 β 型管理人能夠獲得比頂尖的主動 α 型管理人更優(yōu)異的收益。

3.4 創(chuàng)新的重要性

對于任何研究領域，創(chuàng)新的作用都至關重要。對因子投資來說，創(chuàng)新意味著使用新的數(shù)據(jù)或者算法。隨著大數(shù)據(jù)的普及，越來越多的管理人開始搜尋新的能夠成為收益源的數(shù)據(jù)（比如輿情數(shù)據(jù)、專利數(shù)據(jù)、新聞數(shù)據(jù)等）。此外，機器學習算法也被廣泛的應用于因子投資實踐中，包括使用機器學習算法預測基本面財務指標，或挖掘因子和收益率之間的非線性關系。

正是考慮到數(shù)據(jù)和技術的革新對金融領域的影響，2019 年 Institutional Portfolio Research Journals (IPR Journals) 為旗下的期刊系列增加了一位最新成員 —— Journal of Financial Data Science，旨在指導金融領域的實踐者正確使用與日俱增的數(shù)據(jù)和日新月異的技術。當然，創(chuàng)新的機遇總是伴隨著巨大的挑戰(zhàn)。雖然機器學習在金融領域以及因子投資領域擁有樂觀的前景，但由于金融數(shù)據(jù)信噪比很低，我們也需要時刻保持冷靜。Lopez de Prado (2018) 詳細論述了在投資領域?qū)嵺`機器學習算法時可能遇到的各種坑，填補了理論和實踐之間的空白。

4 投資者視角

因子投資的普及造就了越來越多的 smart beta ETF 產(chǎn)品。2018 年，《經(jīng)濟學人》（The Economist）估計這些因子 ETFs 的總規(guī)模超過 6500 億美元。大量低成本的 ETFs 產(chǎn)品讓普通投資者也能享受風格因子帶來的收益 —— 當然前提是能夠選擇適當?shù)?ETFs。然而，這并不容易。

在一項針對大學本科生和研究生的實驗中，Choi, Laibson, and Madrian (2009) 讓參與者從眾多追蹤標普 500 指數(shù)的被動型 ETFs 中挑出它們認為最好的。在實驗中，Choi, Laibson, and Madrian (2009) 為參與者提供了這些 ETFs 的費率以及在不同時期（故意的）的收益表現(xiàn)情況。作為具備金融知識的理性投資者來說，這些 ETFs 均是被動的追蹤標普 500 指數(shù)，因此應該把費用的高低作為唯一的標準來選擇。然而，實驗者被不同階段的 ETFs 的收益率差異所迷惑，絕大多數(shù)投資者忽略了 ETFs 的費用，而選擇了收益率最高（得益于適當?shù)臄?shù)據(jù)窗口）的 ETF。另一方面，就算是排除了投資者本身的非理性行為，琳良滿目的 ETFs 也足以讓人迷失。徐楊曾在 Wind 舉辦的萬礦嘉年華介紹了美股上的價值投資實務。下表匯總了他提及的主流價值因子的 ETFs。

針對一些具有代表性的 ETFs，徐楊從因子敞口、費用等六個方面進行了分析。從下圖中不難看出，即便都是價值因子 ETFs，它們的風格特點也截然不同 —— 有些是更純粹的價值投資、有些則注重于成分股的質(zhì)量。

我從上表中的 ETFs 中挑選了一些針對標普 500 構(gòu)建價值因子的標的。下圖比較了它們的表現(xiàn) —— 只能說 not all ETFs are made equal。

下表總結(jié)了這些 ETFs 和標普 500 指數(shù)（SPX）在這段時間內(nèi)的表現(xiàn)。由于最近幾年價值投資不太好使，這些因子均跑輸 SPX 本身。但即便如此，它們之間也有明顯的差異。從夏普率的角度來說，最好的要數(shù) VTV（Vanguard 價值 ETF）、排在后面的則是 IVE 和 RPV。不幸的是，對于投資者來說，事前就從這些琳良滿目的 ETFs 中挑出最好的并不容易。

Smart beta ETFs 的流行給投資者提供了越來越豐富的工具，也對投資者提出了更高的要求。在使用這些 ETFs 時，投資者需要首先明確自己的目標 —— 是分散化風險還是獲得相對于市場的超額收益。在明確目標之后，需要理解每個風格因子背后的邏輯和它代表的風險。唯有這樣，才有可能享受這些標的帶來的更高性價比的風險收益。

5 結(jié)語

因子投資已經(jīng)成為了投資中的標配。本文借 Cerniglia and Fabozzi (2018) 的花獻佛，并加入了大量背景知識，從學術界、管理人和投資者三個視角介紹了因子投資。歷經(jīng)幾十年來的發(fā)展，因子投資從一個理論研究框架到如今如雨后春筍般誕生的大量投資工具，加深了我們對于股票市場的理解，也造福了廣大參與者。而無論是身為學者、管理人還是投資者，我們需要做的是繼續(xù)擁抱和適應它的發(fā)展與變革。

參考文獻

Arnott, R. D., N. Beck, V. Kalesnik, and J. West (2016).?Timing 'Smart Beta' Strategies? Of Course! Buy Low, Sell High!?Working paper.

Asness, C. S., A. Frazzini, and L. H. Pedersen (2019). Quality minus junk. Review of Accounting Studies 24(1), 34 – 112.

Asness, C. S., T. J. Moskowitz, and L. H. Pedersen (2013). Value and Momentum Everywhere.?Journal of Finance 68(3), 929 – 985.

Banz, R.W. (1981). The relationship between return and market value of common stocks. Journal of Financial Economics 9(1), 3 – 18.

Basu, S. (1977). Investment performance of common stocks in relation to their price–earnings ratios: A test of the effi-cient market hypothesis. Journal of Finance 32(3), 663 – 682.

Bender, J., P.B. Hammond, and W. Mok (2014). Can alpha be cap-tured by risk premia? The Journal of Portfolio Management 40(2), 18 – 29.

Bender, J., X. Sun, R. Thomas, and V. Zdorovtsov (2018). The promises and pitfalls of factor timing.?The Journal of Portfolio Management?44(4), 79 – 92.

Cerniglia, J. and F. J. Fabozzi (2018). Academic, practitioner, and investor perspectives on factor investing. The Journal of Portfolio Management 44(4), 10 – 16.

Claessens, S. and M.A. Kose (2018). Frontiers of macrofinancial linkages. Paper no. 95, Bank for International Settlement.

Choi, J.J., D. Laibson, and B.C. Madrian (2009). Why does the law of one price fail? An experiment on index mutual funds. Review of Financial Studies 23(4), 1405 – 1432.

Duanmu, J., A. Malakhov, and W. R. McCumber (2018). Beta active hedge fund management. Journal of Financial and Quantitative Analysis 53(6), 2525 – 2558.

The Economist. Maxing the factors. February 1, 2018.

Fama, E. F. (2017). The Fama portfolio, selected papers of Eugene F. Fama. J. H. Cochrane and T. J. Moskowitz (Eds), The University of Chicago Press.

Fama, E. F., L. Fisher, M. C. Jensen, and R. Roll (1969). The adjustment of stock prices to new information. International Economic Review 10(1), 1 – 21.

Fama, E. F. and K. R. French (1993). Common risk factors in the returns on stocks and bonds.?Journal of Financial Economics 33(1), 3 – 56.

Fama, E. F. and K. R. French (2015). A five-factor asset pricing model.?Journal of Financial Economics 116(1), 1 – 22.

Fama, E. F. and J. D. MacBeth (1973). Risk, return, and equilibrium: Empirical tests.?The Journal of Political Economy 81(3), 607 – 636.

Feng, G., S. Giglio, and D. Xiu (2017). Taming the factor zoo. Chicago Booth research paper no. 17-04.

Graham, B. and D. Dodd (1934). Security analysis. New York: McGraw-Hill.

Green, J., J. R. M. Hand, and X. F. Zhang (2017). The characteristics that provide independent information about average U.S. monthly stock returns.?Review of Financial Studies 30(12), 4389 – 4436.

Harvey, C. R. and Y. Liu (2018). Lucky Factors. Working paper.

Harvey, C. R., Y. Liu, and H. Zhu (2016). … and the cross-section of expected returns.?Review of Financial Studies 29(1), 5 – 68.

Hou, K., C. Xue, and L. Zhang (2017).?Replicating Anomalies. Fisher College of Business Working Paper No. 2017-03-010; Charles A. Dice Center Working Paper No. 2017-10.

Khandani, A.E. and A.W. Lo (2011). What happened to the quants in August 2007? Evidence from factors and transactions data. Journal of Financial Markets 14(1), 1 – 46.

Lee, W. (2017). Factors timing factors. The Journal of Portfolio Management 43(5), 66 – 71.

Linnainmaa, J. T. and M. R. Roberts (2018). The history of the cross-section of stock returns.?Review of Financial Studies 31(7), 2606 – 2649.

Lopez de Prado, M. (2018). Advances in financial machine learning. Hoboken, NJ: John Wiley & Sons.

McLean, R.D. and J. Pontiff (2016). Does academic research destroy stock return predictability??Journal of Finance 71(1), 5 – 32.

Mohanram, P.S. (2005). Separating winners from losers among low-book-to-market stocks using financial statement analysis. Review of Accounting Studies 10(2-3), 133 – 170.

Novy-Marx, R. (2015).?Backtesting strategies based on multiple signals. NBER Working Paper, No. 21329.

Novy-Marx, R. and M. Velikov (2015). A taxonomy of anomalies and their trading costs. Review of Financial Studies 29(1), 104 – 147.

Piotroski, J. D. (2000). Value investing: the use of historical financial statement information to separate winners from losers.?Journal of Accounting Research 38, 1 – 41.

Ross, S. A. (1976). The arbitrage theory of capital asset pricing. Journal of Economic Theory 13(3), 341 – 360.

免責聲明：入市有風險，投資需謹慎。在任何情況下，本文的內(nèi)容、信息及數(shù)據(jù)或所表述的意見并不構(gòu)成對任何人的投資建議。在任何情況下，本文作者及所屬機構(gòu)不對任何人因使用本文的任何內(nèi)容所引致的任何損失負任何責任。除特別說明外，文中圖表均直接或間接來自于相應論文，僅為介紹之用，版權(quán)歸原作者和期刊所有。