CAPM模型

CAPM模型 – 潘登同学的Quant笔记

资产定价问题及CAPM

Asset pricing的核心问题是
$$X\to P[E(\tilde{r})]$$

除了future payoff-$X$对问题很重要，要求的折现率r也很重要; 在资产定价中，往往不是特别重视future payoff怎么获得(一般都是预期)，而是关注r的值(因为预期是千差万别的,而贴现率是实实在在的)，CAPM模型就是为了解决r而建立的模型；

Markowitz于1952年portfolio selection的论文，提出了CAMP模型，本质上是一个数学上的优化问题(Mean-Variance Analysis)，但是却掀起了现代金融学的第一次革命;

一些事实与假设

• ex-ante rate of return: 事前回报率(=期望回报率) 往往是未知的，但是可以预期的
• ex-post rate of return: 事后回报率 在投资结束时计算的回报率

我们想确定的r肯定是事前回报率，但是我们观察到的只有事后回报率，所以我们会将其期望回报率用事后回报率的均值代替； (我认为这是一个比较强的假设，因为这个假设暗含了过去发生的事再未来还会发生)

• Survivorship Bias: 幸存者偏差， 过去的数据并不能将资产的所有回报都显示出来，可能有极小的概率发生巨大的亏损，而一旦发生巨大亏损，这个资产便离开市场，留下来的要么是不存在巨大亏损的，要么是还未观测到的。所以将事后回报率的均值当做事前回报率还需谨慎;

运用Mean-Variance进行分析

投资者的无差异曲线

假设消费者的效用函数为$U(E(r),{\sigma }_r)$,显然$\frac{\partial U}{\partial E(r)}>0,\frac{\partial U}{\partial {\sigma }_r}<0$
运用两个基本事实来构造无差异曲线

• 边际效用递减，$\frac{{\partial }^{2}U}{\partial E(r{)}^2}<0$
• 边际成本递增，$\frac{{\partial }^{2}U}{\partial {\sigma }_r^2}<0$

如图所示：

下面证明无差异曲线是如上图所示的形状

• 斜率为正
  从$A\to B$
  $$\begin{gathered} △u=0=△E(r)\frac{\partial u}{\partial E(r)}+△{\sigma }_r\frac{\partial u}{\partial {\sigma }_r} \\ \Rightarrow \frac{△E(r)}{△{\sigma }_r}=-\frac{\partial u}{\partial {\sigma }_r}/\frac{\partial u}{\partial E(r)}>0 \\ 当△\to 0,△=d,\frac{dE(r)}{d{\sigma }_r}>0 \end{gathered}$$
• 凸函数 $\iff$ 二阶导大于0 $\iff$ 一阶导递增
  $$\begin{gathered} \frac{dE(r)}{d{\sigma }_r}=-\frac{\partial u}{\partial {\sigma }_r}/\frac{\partial u}{\partial E(r)} \\ 当\sigma \uparrow ,-\frac{\partial u}{\partial {\sigma }_r}\uparrow ;E(r)\uparrow ,-\frac{\partial u}{\partial E(r)}\downarrow \Rightarrow \frac{dE(r)}{d{\sigma }_r}\uparrow ,一阶导递增 \end{gathered}$$

而一般常用的效用函数为
$$U=E(r)-A{\sigma }^2$$

一个风险资产与一个无风险资产的组合

	无风险资产	风险资产
收益率	$r_f$	$\widetilde{r_s}$
标准差	0	${\sigma }_s$
组合权重	$1-w$	$w$

• Mean：
  $$\begin{array}{rl}\overline{r_p}& =E[(1-w)r_f+w\widetilde{r_s}]\\ & =(1-w)r_f+w\overline{r_s}\\ & =r_f+w(\overline{r_s}-r_f)\end{array}\Rightarrow \overline{r_p}=r_f+\frac{{\sigma }_p}{{\sigma }_s}(\overline{r_s}-r_f)$$

• Variance:
  $$\begin{array}{rl}{\sigma }_p^2& =E[(1-w)r_f+w\widetilde{r_s}-\overline{r_p}{]}^2\\ & =w^2{\sigma }_s^2\end{array}\Rightarrow w=\frac{{\sigma }_p}{{\sigma }_s}$$

画在图上就是：

两个风险资产的组合

	风险资产	另一个风险资产
收益率	$\widetilde{r_1}$	$\widetilde{r_2}$
标准差	${\sigma }_1$	${\sigma }_2$
组合权重	$w$	$1-w$

• Mean：
  $$\begin{array}{rl}\overline{r_p}& =E[w\widetilde{r_1}+(1-w)\widetilde{r_2}]\\ & =w\overline{r_1}+(1-w)\overline{r_2}\end{array}$$

• Variance:
  $$\begin{array}{rl}{\sigma }_p^2& =E[w\widetilde{r_1}+(1-w)\widetilde{r_2}-\overline{r_p}{]}^2\\ & =w^2{\sigma }_1^2+(1-w{)}^2{\sigma }_2^2+2w(1-w)Co{v}_{1,2}\\ & =w^2{\sigma }_1^2+(1-w{)}^2{\sigma }_2^2+2w(1-w){\sigma }_1{\sigma }_2{\rho }_{1,2}\end{array}$$

画在图上就是：

下证其曲线形状：

1. ${\rho }_{1,2}=1$时,斜率为正
   $$\begin{array}{rl}E(r_p)& =w\overline{r_1}+(1-w)\overline{r_2}\\ {\sigma }_p& =w{\sigma }_1+(1-w){\sigma }_2\\ \frac{dE(r_p)}{d{\sigma }_p}& =\frac{dE(r_p)/dw}{d{\sigma }_p/dw}=\frac{\overline{r_1}-\overline{r_2}}{{\sigma }_1-{\sigma }_2}>0\end{array}$$
2. ${\rho }_{1,2}=-1$时,为分段函数
   $$\begin{array}{rl}E(r_p)& =w\overline{r_1}+(1-w)\overline{r_2}\\ {\sigma }_p& =|w{\sigma }_1-(1-w){\sigma }_2|\\ 设W^{\ast }为临界值,& w^{\ast }{\sigma }_1-(1-w^{\ast }){\sigma }_2=0\Rightarrow w^{\ast }=\frac{{\sigma }_2}{{\sigma }_1+{\sigma }_2}\\ {\sigma }_p& =\{\begin{array}{ll}w{\sigma }_1-(1-w){\sigma }_2,& w>w^{\ast }\\ 0,& w=w^8\\ -w{\sigma }_1+(1-w){\sigma }_2,& w<w^{\ast }\end{array}\\ \frac{dE(r_p)}{d{\sigma }_p}& =\{\begin{array}{ll}\frac{dE(r_p)/dw}{d{\sigma }_p/dw}=\frac{\overline{r_1}-\overline{r_2}}{{\sigma }_1+{\sigma }_2}>0,& w>w^{\ast }\\ E(r_p)=\frac{{\sigma }_2}{{\sigma }_1+{\sigma }_2}{\sigma }_1+\frac{{\sigma }_2}{{\sigma }_1+{\sigma }_2}{\sigma }_2=\frac{2{\sigma }_1{\sigma }_2}{{\sigma }_1+{\sigma }_2},& w=w^{\ast }\\ \frac{dE(r_p)/dw}{d{\sigma }_p/dw}=-\frac{\overline{r_1}-\overline{r_2}}{{\sigma }_1+{\sigma }_2}<0,& w<w^{\ast }\end{array}\end{array}$$
3. ${\rho }_{1,2}\in (-1,1)$时,最小方差组合的方差小于${\sigma }_2$,且曲线为凸函数
   $$\begin{gathered} {\sigma }_p^2=w^2{\sigma }_1^2+(1-w{)}^2{\sigma }_2^2+2w(1-w){\sigma }_1{\sigma }_2{\rho }_{1,2} \\ 求W^{\ast }使得{\sigma }_p最小\iff {\sigma }_p^2最小 \\ \begin{array}{rl}f(w)& =w^2{\sigma }_1^2+(1-w{)}^2{\sigma }_2^2+2w(1-w){\sigma }_1{\sigma }_2{\rho }_{1,2}\\ f^{\prime }(w)& =2w{\sigma }_1^2+2(1-w){\sigma }_2^2+2(1-w){\sigma }_1{\sigma }_2{\rho }_{1,2}-2w{\sigma }_1{\sigma }_2{\rho }_{1,2}=0\\ \Rightarrow & w^{\ast }=\frac{{\sigma }_2^2-{\sigma }_1{\sigma }_2{\rho }_{1,2}}{{\sigma }_1^2+{\sigma }_2^2-2{\sigma }_1{\sigma }_2{\rho }_{1,2}}\\ f^{\prime \prime }(w^{\ast })& =2{\sigma }_1^2+2{\sigma }_2^2-4{\sigma }_1{\sigma }_2{\rho }_{1,2}>2({\sigma }_1-{\sigma }_2{)}^2>0\\ \Rightarrow & {\sigma }_p在w^{\ast }处取得最小值\\ 下证：{\sigma }_p^{\ast }<{\sigma }_2& \\ {\sigma }_p^{\ast 2}& =w^{\ast 2}{\sigma }_1^2+(1-w^{\ast }{)}^2{\sigma }_2^2+2w^{\ast }(1-w^{\ast }){\sigma }_1{\sigma }_2{\rho }_{1,2}\\ & =\frac{(1-{\rho }_{1,2}^2){\sigma }_1^2{\sigma }_2^2}{{\sigma }_1^2+{\sigma }_2^2-2{\sigma }_1{\sigma }_2{\rho }_{1,2}}<{\sigma }_2^2\\ 下证：曲线是凸函数& \end{array} \end{gathered}$$

$w$	$w<w^{\ast }$	$W^{\ast }$	$w>w^{\ast }$
f’(w)	-	0	+
f’'(w)	+	+	+
f(w)	$\searrow$	极小值	$\nearrow$

• 当$w>w^{\ast }$时：
  $$\begin{array}{rl}\frac{\partial E(r_p)}{\partial {\sigma }_p}& 的符号\Rrightarrow \frac{\partial E(r_p)}{\partial {\sigma }_p^2}的符号\\ \frac{\partial E(r_p)}{\partial {\sigma }_p^2}& =\frac{\partial E(r_p)/\partial w}{f^{\prime }(w)}=\frac{\overline{r_1}-\overline{r_2}}{f^{\prime }(w)}>0\\ \therefore 从MVP& 点到A_1斜率为正\\ \frac{\partial \frac{\partial E(r_p)}{\partial {\sigma }_p^2}}{\partial {\sigma }_p^2}& =\frac{\partial \frac{\partial E(r_p)}{\partial {\sigma }_p^2}/\partial w}{\partial {\sigma }_p^2/\partial w}=\frac{-\frac{\overline{r_1}-\overline{r_2}}{f^{\prime }(w)}{f}^{\prime \prime }(w)}{f^{\prime }(w)}<0\\ \therefore 从MVP& 点到A_1为凸函数\end{array}$$
• 同理，当$w<w^{\ast }$时:
  $$\begin{gathered} 从MVP点到A_2斜率为负 \\ 从MVP点到A_2为凸函数 \end{gathered}$$

多个风险组合

因为每两个资产组合可以看成一个新的资产，那么n个资产组合就可以看成1个资产与n-1个资产组合的形式，也就是两个风险资产的组合(资产组合也是一个新资产)，所以跟上面两个风险资产组合的分析无异；

将多个风险组合的所有可行点描述在M-V图中，便得到了投资者的投资可行集，将投资可行集上最优的点集(efficiency frontier)与投资者的无差异曲线相切，便得到了投资者投资风险资产的选择；

而得到最优点集的标准是E-V准则
$$均方有效准则：\{\begin{array}{ll}E(r_p)一定时，& {\sigma }_p最小\\ {\sigma }_p一定时，& E(r_p)最大\end{array}$$

画在图上就是：

无风险资产与多个风险资产的组合

无风险资产与风险资产的组合永远是一条直线，通过无风险资产，最优的投资可行集从双曲线变成了一个射线,称之为Capital Market Line(也称为均方有效的风险资产与无风险资产的资产组合集)； 切点为市场组合M，射线方程为:

$$\bar{r}-r_f=\frac{\overline{r_m}-r_f}{{\sigma }_M}\sigma$$

画在图上就是：

从图中可以看出CML下的投资者的无差异曲线严格优于efficient frontier的无差异曲线，所以投资者会选择市场组合M与无风险资产来实现自己的效用最大化；

这里就可以看出Markowitz的理论与传统理论的不同了

• 传统理论认为，风险偏好低的投资者应该买低风险的资产，风险偏好高的投资者应该买高风险的资产；
• 而markowitz认为所有投资者都买同样的资产-市场组合，只是通过无风险资产与风险资产的配比来实现自己的效用最大化；

Mutal Fund Separation Theorem

由上面的结论显而易见的能得到共同基金分离定理

1. 基金经理构造市场组合M(不需要考虑风险偏好)
2. 投资者根据自己的风险偏好构造特殊资产组合 ${\max }_{w}U(r_f,r_m,{\sigma }_m,w)$

Capital Asset pricing model(CAPM)的推导

基本假设

• 市场假设：
  • No transaction cost
  • No taxes
  • Perfect competition
  • Infinitely divisiable(投资可以无限细分)
• 投资者假设:
  • Mean-Variance Perference(持有相同的市场组合)
  • No limits on short shorting
  • comment belief(相同预期)

基于效用函数的推导

• 投资者的效用函数$U(r)=E(r)-A{\sigma }^2(r)$(A巧好使得投资者的最优组合是市场组合M，只是方便推导)
• 假设投资者再构建一个组合，这个组合至少不优于市场组合M

	市场组合	另一个资产
收益率	$\widetilde{r_M}$	$\widetilde{r_i}$
标准差	${\sigma }_M$	${\sigma }_i$
组合权重	$1-w$	$w$

$$\begin{array}{rl}u(r_p)& =u[w{r}_i+(1-w)r_M]\\ & =E[w{r}_i+(1-w)r_M]-A{\sigma }^2[w{r}_i+(1-w)r_M]\\ & =wE[r_i]+(1-w)E[r_M]-A[w^2{\sigma }_i^2+(1-w{)}^2{\sigma }_M^2+2w(1-w){\sigma }_{i,M}]\\ & =wE[r_i]+(1-w)E[r_M]-A{w}^2({\sigma }_i^2+{\sigma }_M^2-2{\sigma }_{i,M})-2Aw({\sigma }_{i,M}-{\sigma }_M^2)\\ 计算& 从市场组合转为组合p的边际效用\\ \frac{u(r_p)}{dw}& =E(r_i)-E(r_M)-2Aw({\sigma }_i^2+{\sigma }_M^2-2{\sigma }_{i,M})-2A({\sigma }_{i,M}-{\sigma }_M^2)\\ 因为& 市场组合是投资者的最优组合，所以在w=0处边际效用为0\\ \frac{u(r_p)}{dw}{|}_{w=0}& =E(r_i)-E(r_M)-2A({\sigma }_{i,M}-{\sigma }_M^2)=0(\ast )\\ 上式& 对任一资产i都成立，显然对无风险资产也成立\\ & r_f-E(r_M)+2A{\sigma }_M^2=0\\ \therefore A& =\frac{E(r_M)-r_f}{2{\sigma }_M^2}\\ 将A& 带回(\ast )式\\ & E(r_i)-E(r_M)-\frac{E(r_M)-r_f}{{\sigma }_M^2}({\sigma }_{i,M}-{\sigma }_M^2)=0\\ \Rightarrow & E(r_i)-r_f=\frac{{\sigma }_{i,M}}{{\sigma }_M^2}[E(r_M)-r_f]\\ 定义& {\beta }_i=\frac{{\sigma }_{i,M}}{{\sigma }_M^2},则上式变为CAPM\\ & E(r_i)-r_f={\beta }_i[E(r_M)-r_f]\end{array}$$

基于组合构建的推导

根据CML的特点，所有投资者都会选择同一个市场组合M，不能存在比M更优的组合，基于这一点来推导CAPM

• 假设投资者再构建一个组合，这个组合至少不优于市场组合

	市场组合	另一个风险资产
收益率	$\widetilde{r_M}$	$\widetilde{r_i}$
标准差	${\sigma }_M$	${\sigma }_i$
组合权重	$1-w$	$w$

这个新组合有如下特点

• 经过点M
• 在Efficient frontier内
• 与Efficient frontier相切与点M
  

$$\begin{array}{rl}E(r_p)& =E[w\widetilde{r_i}+(1-w)\widetilde{r_M}]\\ & =w[E(\widetilde{r_i})-E(\widetilde{r_M})]+E(\widetilde{r_M})\\ {\sigma }^2(r_p)& =w^2{\sigma }_i^2+(1-w{)}^2{\sigma }_M^2+2w(1-w){\sigma }_{i,M}\\ \frac{dE(r_p)}{d\sigma (r_p)}{|}_{w=0}& =\frac{dE(r_p)/dw}{d\sigma (r_p)/dw}{|}_{w=0}\\ & =\frac{E(r_i)-E(r_M)}{\frac{2w{\sigma }_i^2-2(1-w){\sigma }_M^2+2(1-2w){\sigma }_{i,M}}{2{\sigma }_p}}{|}_{w=0}(\frac{d{\sigma }_p^2}{dw}=2{\sigma }_p\frac{d{\sigma }_p}{dw})\\ & =\frac{E(r_i)-E(r_M)}{w{\sigma }_i^2-(1-w){\sigma }_M^2+(1-2w){\sigma }_{i,M}}{\sigma }_p{|}_{w=0}\\ & =\frac{E(r_i)-E(r_M)}{-{\sigma }_M^2+{\sigma }_{i,M}}{\sigma }_m\\ 利用& 斜率与SML相等\\ \frac{E(r_i)-E(r_M)}{-{\sigma }_M^2+{\sigma }_{i,M}}{\sigma }_m& =\frac{E(r_m)-r_f}{{\sigma }_M}\\ \Rightarrow & E(r_i)-r_f=\frac{{\sigma }_{i,M}}{{\sigma }_M^2}[E(r_M)-r_f]\\ 定义& {\beta }_i=\frac{{\sigma }_{i,M}}{{\sigma }_M^2},则上式变为CAPM\\ & E(r_i)-r_f={\beta }_i[E(r_M)-r_f]\end{array}$$

这条CAPM得出的方程称为Securities Market line(SML),SML是给资产定价的曲线，在线上的点表示处于均衡转态，不在线上表示不均衡；

SML与CML的区别

$$\{\begin{array}{l}CML:E(r_i)=r_f+\frac{{\sigma }_i}{{\sigma }_m}[E(r_m)-r_f]\\ SML:E(r_i)=r_f+{\beta }_i[E(r_m)-r_f]\end{array}$$

• 共同形式： Expected rate of return = risk free + risk premium(=measure of risk $\times$ price of risk)
• SML与CML都是正确的，为什么measure of risk不同？
  • SML对所有资产(包括无风险资产)都成立
  • CML只对部分资产成立(只对那些与市场组合有相同sharpe ratio的资产成立)

(资产A在SML上但不在CML上)

CAPM的应用及局限

Estimate of CAPM

$$\begin{gathered} \widetilde{r_i}\triangleq r_i-r_f \\ \widetilde{r_m}\triangleq r_m-r_f \\ SML:\widetilde{r_i}={\beta }_i\widetilde{r_m} \\ 计量写法:\widetilde{r_i}={\alpha }_i+{\beta }_i\widetilde{r_m}+\widetilde{{ϵ}_i} \\ OLS估计\Rightarrow \widehat{{\beta }_i}=\frac{{\sigma }_{i,m}}{{\sigma }_m^2} \\ \begin{array}{rl}Var(\widetilde{r_i})& =Var({\alpha }_i+{\beta }_i\widetilde{r_m}+\widetilde{{ϵ}_i})\\ & ={\beta }_i^{2}Var(\widetilde{r_m})+Var(\widetilde{{ϵ}_i})+2{\beta }_{i}Cov(\widetilde{r_i},\widetilde{r_m})\\ & ={\beta }_i^2{\sigma }_m^2+{\sigma }_{ϵ}^2\end{array} \end{gathered}$$
对于$Var(\widetilde{r_i})$的结果，前者是systematic risk，后者是idiosyncrasy risk；

CAPM的局限

1. Partial Equilibrium(只是在Capital market下的Equilibrium)
2. static model(只考虑一期)
3. Single index model(个体回报只与市场组合有关)