【北京大學】《金融經濟學》北大最受歡迎的課程!經濟學必修! P38 - 38.第7講-04CAPM的應用-1

財富的面容
119粉絲
16 次觀看·2026年3月15日
然後我們再往下講
我們再講講這個capM它的用法 它的運用
那capM怎麼用呢
capM其實我們在講那個股票定價的時候
我們最後發現這個股票
在我們給股票定價的時候
無論你是用Gordon模型還是用DDI模型
最核心的指標就是這個R
天線率怎麼確定
天線率確定了
天線率決定了你持有這個股票的回報率
而這個R怎麼定呢
現在我們就有了
R怎麼定啊
R就由我們的capM來定
因為比如你要給某個公司定價
你要給這個公司找一個合適的天線率
那麼你就第一步呢
你就去把這個公司的過去的股價與這個市場組合
市場組合其實就是整個
你可以把它理解為整個這個股票市場
與整個股票市場的這麼一個股票價格
做一個回歸
把它的β給它回歸出來
β找到
然後呢
你要對這個公司來貼現
所用的這個天線率
就是
就是你的這個
就是我們
這個柿子插了啊
就這個吧
就市場組合的回報
市場組合的超回報乘以β
我們給大家舉個例子
舉個事例
我們有這麼一個公司
這個例子我們在之前有
就一個公司
這個第一
我這個example
example
就這麼一個example
有一個公司呢
這個下期分紅第一呢
是十塊錢
然後呢
它這個公司呢
它的這個紅利的這個增長率呢
是0.1
0.1
所以我們這邊用的Gordon模型
然後呢
這個無風險利率呢
我把它
是0.05
這都可以觀測到的啊
然後呢
這個市場組合的超收益
是0.1
然後呢
這個公司的β呢
我可以回歸出來
是1.5
所以呢
那麼這樣的話呢
按照這樣的一種假定啊
這個公司它要去
給它估價的時候
估值的時候
它的回報率
它的這個貼現率呢
就應該用我們的這個
用我們的這個這個
證券市場線
那就是RF
加上β乘以RM
減去RF
那這RF我們前面說的是0.05啊
0.05
加上β是1.5
乘以
這邊是0.1
啊這個市場組合超收益0.1
就這個加起來
應該等於0.2
0.2
所以對這個公司
我們要貼現
就應該用0.2這個貼現率
而不是無風險利率
這個0.05
應該用0.2
那麼這個公司的估價
估價應該的話
用Gordon的模型的話呢
第1除以R減G
第1是多少
第1是10
R是多少
R是0.2
G多少
0.1
所以這公司的股價100塊錢
這是絕對定價定出來的
所以到CapM給出來之後
我們現在就可以
就有給一個股票
定價的一個完整的框架
啊這個它的紅利
我有一個預測
簡單當然就用Gordon的
這個穩定自然模型
或者複雜一點
就把DDM
把它未來各期
這個紅利的
紅利數量都假設出來
然後用CapM
首先找出這個公司的Beta
然後用CapM來定出
我應該用什麼樣的貼現率
來去貼現這個公司的
這個紅利流
然後定出這個公司的股價
完了
所以我們在這個股票那一講
留下這個尾巴
在這就解決了
就這個R
R的確定
直到我們有了CapM
纔算有了一個
令人還算滿意的答案
所以這就是現在這麼做的
就像業界
你要用這個DDM開
或者用Gordon模型
去給公司估價的時候
貼現率就是用CapM做的
就回歸這個Beta
然後用Beta來估出
我們應該用
什麼樣的貼現率
來貼現這個公司的現金流
就這麼做的
這就是我們業界在做的
這是一個應用
很簡單
就拿來找貼現因子
另外一個應用
其實就跟這個CapM的發展有關係
這個CapM
它其實是幾個人
同時獨立發現的一個結論
當然這裡面明確最大的
是這個William Sharpe
William Sharpe因為這個東西
拿到了諾貝爾獎
主要是因為他活得比較長
但是William Sharpe
他不是一開始
就給出了這個CapM這個框架
William Sharpe
他是在回答另外一個問題的時候
順便把CapM這個結論搞翻了
所以CapM這個結論
在William Sharpe那篇文章裡面
是他的一個角逐
不是他正文裡面的
William Sharpe
他是要回答什麼樣的問題呢
他想
Markowitz給出了一個均值方差分析
來做組合優化
那麼想想
如果我有i種資產
如果有n種資產
我有n種資產的話
我就需要
首先我肯定需要
每個資產的均值我要知道
R1一直到Rn
這我得知道
不然我怎麼優化呢
均值要知道
同時我還要知道方差
方差它就不是n個
我有肯定
第一個資產的方差我要知道的
但是第一個資產和別的資產的
這個斜方差我也得知道
σ12
一直到σ1n
類似的
第二種資產和第一種資產的這個斜方差
第二種資產的方差
第二種資產和第n種資產的斜方差
一直下來
σn1
σn2
這是個n乘n的矩陣
這是n乘n的矩陣
所以我們一般會
把這個東西呢
記為這個均值
我們這個
矩陣或者這個
或者這個向量
我用這個大寫
粗寫粗體字來表示
這個叫做斜方差正
我們用σ來表示
所以
如果我要做一個n種資產的組合優化
我需要估計多少個參數呢
這邊有n個
我需要有n個均值
然後這邊呢
這個斜方差正呢
裡面元素是n乘n個
但它是個對稱的
對稱的
就σ21等於σ12
所以這個裡面的元素呢
是n乘以n加1再除2
所以最後我要估計的參數這麼多
是n乘n加上2分之n乘n加1
那是什麼概念啊
我們來想想
我們就不用算具體數了
比方我們現在A股有超過3000只股票
所以我們就說3000只股票
3000只股票你就需要3000個均值估算出來
而這個斜方差正裡面呢
大概就需要3000乘以3000
大概需要900萬個參數
900萬再除
大概需要量級啊
就這個最後你需要估計的這個參數的量級啊
是在百萬
對3000只股票來講
所以你需要估算出幾百萬個參數
最後纔能夠做這個均值方差的組合優化問題
這顯然是不現實的
所以怎麼能夠讓這個Marquez提出來這個方法
在實踐中能用呢
就是Sharp提的問題
所以Sharp不再問Kaplan嗎
Sharp再提這麼一個問題
所以Sharp他想了個辦法
Sharp想的辦法就是
他來想啊
我們前面我們實際上用β
把這個資產啊
這個方差做了一個分解
把這個任何一個資產的方差做了分解
然後地方運動可以同樣類似的啊
任意兩種資產的斜方差呢
任意兩種資產的斜方差啊
我可以把它寫成啊
任意兩種資產斜方差
斜方差
Rαi
就第一種資產
這個斜方差應該就等於RiRj
對吧
這是斜方差的定義
然後這個斜方差我可以把它寫開
用前面那個估計的方程寫出來
等於什麼呢
等於αi
加上βiRm
再加上εi
再加αj
加上βjRm
再加εj
然後αiαj都是常數
就沒有了
那等於什麼呢
等於βi和βj是常數
βiβj提出來
然後斜方差RmRm
就它和它的斜方差
同時還應該有什麼呢
Rm和εj的斜方差
εi和Rm的斜方差
再加εi和εj的斜方差
但那些斜方差全是零
就是殘差
εi和εj和其他的斜方差都是零
所以最後上面那個式子就簡化為這個東西了
這個東西是什麼呢
這個東西就是等於βiβjσm²
就是我市場組合的方差再乘上兩個資產的β
所以正好你把這個東西帶到我的斜方差證裡面來
你看會發生什麼情況
那有了這個東西之後
我的斜方差證就變成了這麼一個東西
就變成σm
每一項都有σm²
σm²可以提出來
然後剩下的就是σ1
σ1就是β1β1
β1β2
β1βn
β2β1
β2β2
然後β2βn
然後是βn乘以β1
βn乘以β2
然後βn的平方
所以現在這個斜方差證裡面
它有多少個參數需要估計呢
就是n個β再加上一個市場組合的這個σm²
n加1
所以這樣的話呢
我這個均值還是要估計的
所以這個時候我需要估計的參數的數目呢
就變成了n加上n再加1
所以3000支股票
我需要估計的這個參數的數目就是6001
估計的參數就從之前的百萬的量級
降到了千的量級
這就可以用了
所以你要估計斜方差證
你就不需要去估計所有的斜方差
你就只需要估計每個資產的β就行了
所以用這個β這個東西引入進來之後呢
又可以把我們馬可維茲那個組合優化的問題啊
大幅度的簡化
所以這其實是威廉·沙爾
他提的問題
在他的paper裡面提出來的核心的問題
但作為這個問題
作為這個問題的這個答案的一個副產品
他把這個證券市場線給推出來
他說這個β除了能夠用來做這個斜方差簡化之外
還能夠
β還與我們各類資產期望收益率之間形成了一種線性的關係
這個線性關係
後來他寫到一個柱裡面
然後後來他就發現
這其實纔是更重要的東西
CapM就來了
所以這個CapM這個桂冠呢
最後落到這個威廉·沙爾頭上
他因為這個得諾貝爾獎
你會發現這個歷史啊
經常性的這個突破
它來自於一些不經意的地方
像Marquis他在
他提的問題是我一個人又關心軍職
又關心回報又關心風險
會怎麼去做投資
威廉·沙爾不是說我怎麼能夠簡化Marquis這個組合用意
但就他們這些問題
最後你會發現
沿著問題的思路最後下來
就掀起了第一次金融的革命
第一次金融革命這麼來
當然這樣呢
就這個Marquis
Sharp這個東西呢
除了推出CapM這個定價方程之外
它這套本身也是有意義的
就這個簡化
它可以用來簡化我們對這個組合優化的這麼一個參數的這種估計
