4. CAPM模型：从理论推导到Python实现与实证分析

各位同学好，今天我们来聊聊资产定价领域最经典的模型——CAPM。说实话，这个模型我用了快十年，每次回看都觉得它有种简洁的美感。但别被它的外表骗了，真正落地的时候坑不少。今天我就带大家从理论推导一路走到Python实战，把那些我踩过的坑一并讲清楚。

4.1 CAPM的核心思想：风险与收益的定价逻辑

CAPM想回答一个问题：一只股票，它的预期收益率到底该是多少？

你想想看，如果市场上全是理性人，大家都不傻，那没人会为额外的风险买单。所以CAPM的逻辑很简单：超额收益 = 风险 × 风险价格。

公式长这样：

E(Ri) = Rf + βi × (E(Rm) - Rf)

其中：

• E(Ri)：资产i的预期收益率
• Rf：无风险利率（比如国债收益率）
• βi：资产i的贝塔系数（衡量系统性风险）
• E(Rm) - Rf：市场风险溢价

说白了，CAPM把风险拆成了两块：系统性风险（市场波动带来的，躲不掉）和非系统性风险（公司自己的事，能分散掉）。模型认为，市场只奖励你承担系统性风险，非系统性风险可以通过分散投资消除，所以没有额外回报。

4.2 理论推导：从均值-方差到CAPM

CAPM不是凭空冒出来的。它建立在马科维茨的均值-方差模型之上。我当年学的时候，老师花了整整两周讲推导过程。这里我给大家提炼最核心的逻辑链条。

第一步：构建有效前沿

所有可能的投资组合，在风险-收益平面上形成一条曲线。上半部分叫「有效前沿」，代表给定风险下收益最高的组合。

第二步：引入无风险资产

加入国债这类无风险资产后，有效前沿变成了一条直线——资本市场线（CML）。这条线的斜率就是风险的市场价格。

第三步：市场均衡

当所有人都持有相同的风险资产组合（市场组合）时，单个资产的定价就由它跟市场组合的协方差决定。这就是贝塔的由来。

4.3 知识体系全景图

下面这张图展示了CAPM从理论到实战的完整脉络。我建议你把它存下来，后面学实证分析时对照着看。

4.4 Python实现：从数据到贝塔

好了，理论讲完了，咱们来点实际的。下面我用Python演示如何计算一只股票的贝塔系数。

第一步：获取数据

我个人习惯用akshare获取A股数据，免费且稳定。这里以贵州茅台为例：

import akshare as ak
import pandas as pd
import numpy as np
import statsmodels.api as sm
import matplotlib.pyplot as plt

# 获取贵州茅台日线数据
stock_df = ak.stock_zh_a_hist(symbol="600519", period="daily", 
                              start_date="20200101", end_date="20231231")
stock_df['date'] = pd.to_datetime(stock_df['日期'])
stock_df = stock_df.sort_values('date')
stock_df['return'] = stock_df['收盘'].pct_change()

# 获取沪深300指数作为市场代理
index_df = ak.stock_zh_index_daily(symbol="sh000300")
index_df['date'] = pd.to_datetime(index_df['date'])
index_df = index_df.sort_values('date')
index_df['return'] = index_df['close'].pct_change()

# 合并数据
merged = pd.merge(stock_df[['date','return']], 
                  index_df[['date','return']], 
                  on='date', suffixes=('_stock','_market'))
merged = merged.dropna()

第二步：回归计算贝塔

CAPM的实证形式是：Ri - Rf = α + β(Rm - Rf) + ε。这里我们假设无风险利率为0（短期来看影响不大）：

# 简单回归（假设Rf=0）
X = merged['return_market']
y = merged['return_stock']
X = sm.add_constant(X)
model = sm.OLS(y, X).fit()

beta = model.params['return_market']
alpha = model.params['const']
print(f"贝塔系数: {beta:.4f}")
print(f"阿尔法: {alpha:.6f}")
print(f"R方: {model.rsquared:.4f}")

第三步：滚动贝塔分析

贝塔不是一成不变的。我建议用滚动窗口计算，观察它的稳定性：

# 滚动60天窗口计算贝塔
rolling_beta = []
window = 60

for i in range(window, len(merged)):
    sub = merged.iloc[i-window:i]
    X_sub = sm.add_constant(sub['return_market'])
    y_sub = sub['return_stock']
    model_sub = sm.OLS(y_sub, X_sub).fit()
    rolling_beta.append(model_sub.params['return_market'])

merged_rolling = merged.iloc[window:]
merged_rolling['rolling_beta'] = rolling_beta

# 可视化
plt.figure(figsize=(12,6))
plt.plot(merged_rolling['date'], merged_rolling['rolling_beta'], 
         label='滚动贝塔(60天)', color='#2980b9')
plt.axhline(y=beta, color='red', linestyle='--', label=f'全样本贝塔({beta:.2f})')
plt.title('贵州茅台滚动贝塔系数变化')
plt.xlabel('日期')
plt.ylabel('贝塔')
plt.legend()
plt.grid(True, alpha=0.3)
plt.show()

4.5 实证分析：CAPM在中国市场的表现

我用上面的代码跑了A股所有股票，发现几个有意思的现象：

特征	CAPM预测	中国市场实际	差异说明
贝塔与收益关系	正相关	弱正相关	中国散户占比高，非理性因素多
阿尔法均值	应为0	显著不为0	存在定价异象（规模效应、价值效应）
R方	较高	平均0.2-0.3	个股受市场影响有限，行业因素更重要
贝塔稳定性	稳定	波动较大	市场结构变化快，政策影响大

4.6 避坑指南：我踩过的那些坑

做CAPM实证分析，有几个坑我当年都踩过，分享给大家：

• 频率选择：日频数据噪音大，周频或月频更稳定。我习惯用周频做贝塔估计。
• 市场代理：沪深300、中证500、全A指数，选哪个？我建议用沪深300，流动性好，代表性强。
• 无风险利率：短期用SHIBOR隔夜，长期用10年期国债收益率。别混用。
• 幸存者偏差：回测时只选现在存活的股票，结果会偏乐观。记得用历史成分股。
• 极端值处理：涨跌停板会导致贝塔低估。我一般会剔除涨跌停日的观测值。

4.7 小结

CAPM模型虽然简单，但它教会我们一个核心思想：风险必须被定价。这个理念贯穿了整个量化投资领域。今天我们从理论推导走到了Python实战，还做了中国市场的数据分析。你会发现，理论很美，现实很骨感——但这正是量化投资的魅力所在。

下一节我们会讲Fama-French三因子模型，它是对CAPM最经典的改进。到时候你会发现，CAPM的贝塔只是起点，真正的故事才刚刚开始。

---

公众号:蓝海资料掘金营，微信deep3321