从 CML 到 CAPM

作者: , 共 2811 字 , 共阅读 0

CAPM 公式是指一个组合的预期收益率可以用它的不可分散风险大小所刻画,在数学上,它可以表示为一个组合$ p$ 的收益率$ r_p$ 的表达式:

$$E(r_p) = r_F + \beta(E(r_M)-r_F)$$

其中$ r_F$$ r_M$ 分别为无风险收益率和市场组合收益率。$ \beta$ 为组合 p 相对于市场组合的敏感性,可定义为

$$\beta = \frac{Cov(r_p, r_M)}{\sigma^2(r_M)}$$

CAPM 不是最准确的定价公式,但肯定是最有名气的,公式简洁优雅。无数次在各类文献中看到这个公式,我一直好奇它怎么来的(一般书上也不写),昨天我自己证明了一下,另外搜索了下文献,证明方法挺多的(但在关键思路上也大同小异)。以下记录我的证明方法。

CAPM 公式的关键在于如何描述「市场组合」。根据 Markwitz 组合理论,任何组合(和单个证券)都可以用预期收益率和波动率刻画,在引入无风险资产并且允许自由借贷时,市场上的有效前沿变成一条由无风险资产点引出的一条射线:

$$E(r_p) = r_F + \frac{\sigma_p}{\sigma_M}(E(r_M)-r_F)$$

这条射线被称为 CML ( capital market line ),市场组合即为 CML 上的一个组合, CML 本身并没有刻画市场组合的数学特征。但通过 CML 为市场有效前沿这点可以得到:市场组合的 Sharp 率是所有组合里最高的,也即对于任何一个组合 p ,均有:

$$\frac{E(r_p) - r_F}{\sigma_p} \leq \frac{E(r_M)-r_F}{\sigma_M}$$

从这个不等式可以得到 CAPM 公式。假设对某个组合(或者单个证券)$ p$

$$E(r_p) = \alpha + r_F + \beta(E(r_M)-r_F)$$

$ \alpha\neq 0$ ,那么我们可以构造一个组合,使得它位于 CML 的上方,也即它的 Sharp 率比市场组合还要高。这个组合由$ 1-w$ 份市场组合、$ \frac{w}{\beta}$$ p$$ w-\frac{w}{\beta}$ 份无风险资产组合而成,其中$ w$ 为待定参数。用$ Q$ 表示这份组合,其预期收益率为

$$E(r_q) - E(r_F) = E(r_M) - E(r_F) + \frac{w\alpha}{\beta}$$

其方差为:

$$\begin{array}{rcl}\sigma^2_q &=& (1-w)^2\sigma_M^2+\frac{w^2}{\beta^2}\sigma_p^2+2(1-w)\frac{w}{\beta}Cov(r_p, r_M)\\&=&(1-w)^2\sigma^2 + \frac{w^2}{\beta^2}\sigma_p^2+2w(1-w)\sigma_M^2\\&=&(1-w^2)\sigma_M^2+\frac{w^2}{\beta^2}\sigma_p^2 \\&=&\sigma_M^2+\frac{w^2}{\beta^2}(\sigma_p^2-\beta^2\sigma_M^2)\\\end{array}$$

对应波动率为

$$\sigma_q = \sigma_M + \frac{w^2}{2\beta^2}(\sigma_p^2 - \beta^2\sigma_M^2) + o(w^2)$$

其中$ o(w^2)$ 表示$ w$ 的二阶无穷小量。当$ w$ 足够小并且与$ \alpha$ 同正负时,$ q$ 的 Sharp 比例将大于$ M$ 的 Sharp 比例:

$$\frac{E(r_q)-r_F}{\sigma_q} = \frac{E(r_M) -r_F+ w\frac{\alpha}{\beta}}{ \sigma_M + w^2(\frac{\sigma_p^2}{\beta^2}-\sigma_M^2) + o(w^2)} > \frac{E(r_M) - r_F}{ \sigma_M }$$

这与$ M$ 为市场组合的性质所矛盾。从而$ \alpha$ 必为 0 , CAPM 公式得证。

Q. E. D.

类似文章:
标准的期望-方差组合优化目标中有一个参数$ \lambda$
继续写 Mathematical techniques in finance 这本书的笔记,这是第二篇,第一篇是One-Period 模型和无套利定价
本文将证明:最佳约会策略里提到策略,忽略前 37%的对象,然后在剩下的对象里挑第一个比前 37%都好的对象,这个策略是最优的。更准确地,我们将证明:任何约会策略的成功概率都不可能超过$ \frac{u}{n}\sum_{i=u}^{n-1}\frac1i$ ,其中$ u$ 为满足$ \sum_{i=u}^{n-1}\frac1i\geq 1$ 的最大值。这个$ u$ 大约为 37%,最后成功的概率大约为 40%。
最近看了几个风险管理和组合管理系统,有几个系统里附带了组合优化模块,也了解到这一方面工业界的最新成果。最新的组合优化模块被称为第二代最优化模型,主要成果就是二阶锥优化算法的应用,其中一个重要的改进为对 alpha 估计的不准确性考虑在内。
风险管理 » VaR Primer
在一个大型的组合中,有成千上万只不同的证券,但不同证券的价格可能受到同样的因素所驱动,比如同一个国家的债券几乎都受到该国的基准利率所影响。为了简化 VaR 的计算,通常将那些最根本的因素挑选出来,这些因素被称为风险因子。根据风险因子的状态,计算证券的价格被称为估值。
风险管理 » VaR Primer
在计算 VaR 之前,需要先明确所计算 VaR 的参数。最重要的两个参数为时间期限和置信度,前者对应所需衡量风险的时间段,后者对应风险的容忍度。
移动平均$ \text{ema}(x,n)$ 是指按照如下方法计算指标
风险管理用到的指标通常有两种计算方式,一种是事前的( ex ante ),一种是事后的( ex post )。
我之前一直对 Delta ($ \Delta$ )和 Gamma ($ \Gamma$ )等 Greeks 指标理解得比较模糊,今晚上用笔认真推导了一下,以下是总结。数学公式永远是最清晰的表达方式。
数学 » 心理学, 测试
下面的题目,是根据超级数据分析和心理学的分析而设计的。在不知不觉中就能够看出你的自信力。题目和分析结果均来自数据化管理 你的第三只眼睛,我这儿做了一些代码加工工作。
编程 » Matlab, 代码准则
我所在部门也不是 IT 部门,职位也不是开发职位,但平时工作还是需要大量处理和分析数据、计算和开发各种指标等,还是需要写很多程序,语言以 VBA 和 Matlab。但同时,部门里像着我这种写程序的人并不多,别人并不看我的代码而只关心我提交的结果(说实话,大多数时候即便我写错了也不会有人知道),工作环境也不像专业的 IT 公司或部门,有严格的流程控制和工作平台。我这里没有版本控制、没有自动测试环境、没有代码格式和注释要求,也不需要去 Linux 下干活。我相信国内金融行业有不少人与我处于同样的状态。