# 財務管理論文重點整理(論文八)

[論文ppt連結](https://drive.google.com/file/d/1RcTU3sf6omqSkDoT9lx0cg-sHMJiQxTv/view?usp=share_link)
[論文連結](https://drive.google.com/file/d/1JZ-feQvd-3q5r5PHToap37IGCCDHPHr7/view?usp=share_link)

---
## introduction
- 以上幾位學者研究顯示、橫截面報酬（資產定價）主要是由市場風險，其實還有公司風險、公司規模、歷史報酬影響，也認為這就是市場非效率的證據
- 市場異常主要有幾點文獻研究
1. p/e ratio低的pe ratio會有高的平均調整後回報
2. 小公司會有更高的調整後報酬
3. 流動性影響：低流動性股票、高流動性敏感性股票，會有較高的調整後報酬
- 動量效應：股票長期回報率高，就買入，賣出長期報酬率低股票，又稱win minus low 變數（後面會用）
- 共識：靜態capm （beta 長期不變）並不能捕捉股票平均回報的橫截面，動態跟一般均衡capm有較好表現
- 動量效應以外，其餘市場異常對預期收益影響可以透過APT 解釋，支持市場效率
- 這篇論文要檢驗在動態beta 模型下，資產定價模型是否能捕捉到規模價值momentem 、turnover 還有流動性因子
**問題：動態跟非動態主要差異：beta有沒有在估計期被調整**

- 這篇論文評估了在條件資產定價模型下，beta 雖公司市值」帳面市值、商業週期變化而變化，這篇論文還有展示一個具有時變的a 模型（隨著商業週期變化而變化）
- 這邊資料使用單一證券，而不是資產組合，避免資訊窺探和信息丟失

## Asset pricing models

## Methodology
- 總共450個月，每一家450個月資料算beta,再去算這家公司在這450個月在風險因子之下該有的預期報酬（論文沒講）（**第一個回歸目的：去找在某一個因子模型之下該有的報酬為多少**)
- 定義調整後報酬=超額報酬-風險溢酬-相異的因子加總剛剛估計的bhat作為後面的y
- 

- 第1個為無條件β，是除了βj1以外所有β都被限制為0，即為靜態版的CAPM模型
- 第2個為βj2、βj4以及βj6=0 只有考慮**規模效應和book to market ratio**
- 第3個為 βj3、βj4、βj5和βj6為0這是一個只有考慮**違約利差的β**，小寫z為宏觀經濟因素在這裡我們用違約利差來表示
- 最後一種為允許所有β不為0，也就是**兩者都考慮的β**
- 第四式才是後面主要表示式
- 
- 
- 由前面1234相加相消發現殘差項爲調整後報酬，如果這個模型夠好，這個殘差要成常態分佈，故第二階段透過虛無假設，測試各個因子是否有足夠factor loading 去解釋調整後報酬，如果這個ct =0,代表該模型裡有足夠factor loading 去解釋證券報酬率，反之也是

## Results
- 希望係數不顯著，就代表大公司小公司的差異不應該去解釋這個回歸的y,(因為這邊的y是已經調整後的報酬了），希望已經收到之前模型因子把風險解決掉了，不希望看到這個因子的其他相關特徵而還能解釋這個報酬
- 
- capm下的調整後報酬，可看到這裡係數都是顯著，表示capm這個模型沒有充分解釋這些公司特徵對於y的影響(capm的風險因子是否充分解釋第一階段調整後報酬，或是有其他公司特徵，代表capm沒有捕捉到)
- y在 Fama-French 三因子模型下以超額市場報酬、SMB、HML 為風險因子之調整後報酬
- 目的解釋Fama-French three-factor model是否已經可以充分解釋第一階段回歸得出的報酬
**問題:為什麼panelA、panelB有顯著差異(panelA，在ubscale的size跟bm顯著，但是panelB的unscale的size跟bm顯著都不顯著)**
**答:科技股市值偏大，size跟bm都會有某一些傾向(以至於無法捕捉這種傾向)，故移除nasdaq可以讓這個模型work**
- 當beta受市值還有bm、違約利差調整後，就可以捕捉到了
- 因為unscale時無法捕捉，故作者猜想可能是時間的關係
- 創一個時間序利，當經濟蕭條時，為1，反之為0
- 作者認為，解釋預期報酬是風險因子，不是公司特徵
- 
- y = 在 Fama-French three factor + liquidity factor 下以超額市場報酬、SMB、HML、liquidity factor 為風險因子之調整後報酬
- 可發現r^2並沒有改變，故加入流動性因子並沒有幫助解釋回歸
- 且NYTURN and NASDTURN還是顯著，故流動性因子並沒有捕捉到turnover on stock returns
- 
- 表五主要差異為在主要回歸中加入WML，但是發現past three-month, six-month, and twelve-month returns並沒有被捕捉
- 作者發現主要回歸中加入WML似乎可以捕捉到NASDAQturnover on returns對超額報酬的影響
- The model can explain the size effect of stock value, but the value effect is significant and cannot explain the value effect
- CCAPM無法解釋size, book-to-market, turnover, and past return的影響
- SIZE發生反轉，意即size越高，異常報酬越高
- 作者想知道Fama-French model plus Liquidity and Momentum factor之後是否可以捕捉到turnover, and past return
- r^2是所有模型中最低的，故為模型中配適的最好的(但依然無法捕捉到其影響)
- 可以看出，當a隨總經變數變動時，過去報酬對於調整後報酬，過去的return幾乎都不顯著，**並不表示這個模型有捕捉到動能效應，而是動能效應報酬會隨的景氣循環變動**

- NYTURN絕對值數值為表三的2倍，而NASDTURN更是超過了8倍，可以知道在控制潛在景氣循環影響後，流動性影響仍未消除，推測流動性並不直接與經濟狀況相關
**問題:為什麼要分成NYTURN跟NASDTURN計算方法不同，NASD買跟賣是被double count，故分開計算**
**注意:流動性跟動向非常相近，故動能交易很有可能抓的是流動性交易，實證上非常相似，故表三可能將一部份流動性效應抓住了，故導致係數較表3較低**

## Conclusions
- 條件跟非條件(capm、ccapm、ffmodel)都無法捕捉到size, BM, turnover, and past return效果
- 條件ffmodel可以捕捉到size and BM.
- beta隨著size, BM, and business cycle變動可以提升模型定價能力
- 沒有一個模型可以捕捉到liquidity or momentum.
- 隨著景氣變動的a可以描繪隨著景氣循環變動的動能報酬