【作 者】
陈 蕾1，2（副教授），马轶芳1
【作者单位】
1.首都经济贸易大学财政税务学院，北京100070；2.中央财经大学博士后科研流动站，北京100081
【摘 要】
【摘要】为合理考量宏观经济因素对周期性公司估值折现率的影响，本文以2006～2015年为样本周期，以我国沪深A股市场中典型周期性行业为研究对象，选择经济增长、通货膨胀和短期利率作为套利定价模型（APT）的影响因素，检验在不同回归期限和收益率度量时限下APT应用于周期性公司估值折现率测算的适用性，在此基础上，进一步归纳提出APT在周期性公司估值折现率测算中的应用建议。研究表明，APT对我国沪深A股市场中周期性行业的应用效果因不同样本行业而异，因样本的不同回归期限和收益率度量时限而异。
【关键词】周期性公司；公司估值；折现率；APT；CAPM
【中图分类号】F832 【文献标识码】A 【文章编号】1004-0994（2017）11-0060-5一、引言
周期性行业作为我国资源配置和市场配置的重点，在混合所有制改革中备受业界与学界关注。尤其是周期性行业的景气度、盈利等变化与宏观经济波动密切相关，使其在估值实务中较之一般公司存在更多困难。收益途径在公司估值实务中应用最为广泛，其估值前提是能合理测算未来收益、折现率等核心参数，但既有研究多关注收益额的强波动性，对折现率的关注却十分欠缺。实际上，周期性公司估值的折现率还会涉及多种资产定价模型的优先选择与可行性分析问题（陈蕾，2015）。其中，资本资产定价模型（以下简称CAPM）作为现代金融市场价格理论的支柱，在国内外估值实务中具有较大影响，但因为该模型仅建立在系统性风险单因素分析的基础上，所以受到越来越多的质疑（Brealey，1996；Fletcher，2001）。
在周期性公司估值中，宏观经济因素无疑是重要变量，需要合理考虑其定量影响（陈蕾，2016），于是，寻找更好的定价模型成为趋势，而重要方向之一就是建立多因素定价模型。对此，套利定价模型（以下简称APT）认为股票价格受到多种宏观经济因素的影响，其期望风险回报取决于其对各个因素的敏感程度（Cox and Ross，1976），这使APT在理论上更具优越性。只是实务中的影响因素选择和确定以及在不同市场中的适用性等问题导致APT的应用难度与争议依然存在。
鉴于此，本文拟以我国沪深A股市场中周期性行业为研究对象，实证检验APT应用于周期性公司折现率测算的适用性，并提出具体的应用建议，希望能为周期性公司估值的折现率测算提供理论依据，也为评估实务操作提供借鉴。
二、文献回顾与评述
通过对已有文献的梳理发现，国内外学术界有关APT的应用研究主要分为两类，即APT的影响因素和适用性。
对于APT的影响因素，国内外学者针对影响因素的选择与确定等进行了较多的实证研究。Roll和Ross（1986）发现，证券期望收益率主要受商业周期、利率期限结构、违约风险、短期通胀率和通胀预期等五个宏观经济因素的影响。Brown（1989）认为长短期利率差异、预期和非预期通货膨胀率、工业生产指数、优等债券和劣等债券之间的差异等变量对证券收益率的影响较为显著。Fama和French（1992）提出，上市公司的市值、账面市值比、市盈率可以解释不同股票的回报率差异，这里产生的超额收益可视为对CAPM中Beta系数未能反映的风险因素的补偿，此即Fama-French三因子模型；随后，Fama和French（2015）进一步研究提出资产定价的五因子模型，强调市场收益率、规模、盈利能力、价值和投资等五个因子能够解释股票平均收益。张宗新（2005）发现市场规模、行业差异性、政策、机构投资者规模和经济景气程度是系统性风险的主要影响因子。刘文秀（2006）指出证券期望收益率主要受商业周期、利率期限结构、违约风险、短期通货膨胀率和通货膨胀预期等五个宏观经济变量的影响。田大伟（2006）证明短期利率、通货膨胀、商业周期和经济增长等四个因素对股票超额预期收益的解释力良好。孙君敏、王颖（2007）发现能分别反映国家总体经济水平、通货膨胀率、全社会固定资产投资增长速度和利率期限结构等四个有明确经济意义的公共因子对证券收益率有显著影响。
在APT的适用性问题上，国内外学者围绕美国、中国等不同证券市场开展了较广泛的探索，且结论不一。其中，立足于中国证券市场，部分研究肯定了APT的适用性，认为中国证券市场满足或接受APT；部分研究证明APT在中国证券市场无效或受到限制。例如，张妍（2000）运用APT在上海证券市场进行检验，结果表明三因子APT在中国基本适用；尹康（2008）对上证B股的资本资产定价是否符合APT进行实证检验，发现九个因子的方差累计贡献率达到85.71%，说明上证B股证券收益接受APT；李福贵（2010）通过实证研究上海股票市场上APT中风险因子的问题，发现少量的风险因子可以解释股市变动的大部分原因；王荣娟（2010）还针对四个行业股票收益率数据进行实证分析，证明APT适用于上海股票市场的钢铁、汽车、医药以及重工业等行业。然而，刘霖、秦宛顺（2004）以1997 ~ 2003年沪深股市6年的股票价格为依据，认为APT不适用于中国股市；张关心、阳玉香（2004）和曹红英、阳玉香（2005）分别以上海股票市场486家和深圳股票市场431家A股上市公司数据为样本，对APT在中国市场的有效性进行检验，均验证APT在中国股票市场上不适用；汪珍、李敏（2012）在深圳股市中随机选择50家上市公司样本数据，认为股票价格变动随机且不可预测，故APT在深圳股市无效。
综上所述，国内外学术界集中对APT的影响因素与适用性等进行了较深入、全面的探讨，为后续研究积累了宝贵资料。但部分实证研究的观点和结论存在分歧，这可能是研究对象、研究样本、研究周期等存在差异所致。例如，研究对象涉及美国、中国等不同证券市场股票，研究样本包括证券市场全部个股、随机选取的部分个股等，研究周期亦是长短皆有且回归期限不同、收益率度量时限不一。对此，本文在对我国沪深A股市场中周期性行业进行实证分析时，将聚焦于不同样本行业、不同回归期限、不同收益率度量时限，分别对APT进行模拟应用并作比较分析，以进一步检验APT的适用性。
三、研究设计
1. 模型构建。APT通过创建多样化的因素组合，利用因素模型来描述资产价格的决定因素和均衡价格的形成机理。这里拟采用常见的考虑经济增长、通货膨胀和短期利率的三因素APT构建多元线性回归模型，并分别采用国内生产总值变化率、消费者价格指数变化率和一年期银行利率衡量上述三种宏观经济因素。该模型可表示为：
Ri=α+βGDP△GDP+βCPI△CPI+βII+ε （1）
式（1）中，Ri代表行业期望收益率；△GDP、△CPI和I分别表示国内生产总值变化率、消费者价格指数变化率和一年期银行利率；βGDP、βCPI、βI分别代表各因素对行业期望收益率的影响程度；α为常数项，ε为零均值的随机误差项。
2. 样本选择。这里拟具体选择钢铁、有色金属（以下简称“有色”）、煤炭、石化、房地产和银行等六个典型的周期性行业作为样本。由于周期性行业一般按收入增速形成“衰退——谷底——扩张——顶峰”的周期性变化，约10年经历一个周期，本文参照已有研究（陈蕾、王敬琦，2016），选取5年和10年长度测算区间作为样本回归期限；同时，考虑到式（1）中的自变量统计特征，选用“月”、“季”和“年”为单位作为回归样本的收益率度量时限。样本数据时间跨度从2006年1月1日 ~ 2015年12月31日，共计1080个月度样本、360个季度样本和90个年度样本。
3. 研究方法。借鉴并区别于已有研究，本文通过构建多元线性回归模型，分别考察不同回归期限（“5年”和“10年”）和收益率度量时限（“月”、“季”和“年”）下APT应用于周期性公司折现率测算的适用性，比较异同和优劣。其中，分别模拟以2015年12月31日为评估基准日，具体选择2011 ~ 2015年的60组月度数据，以及2006 ~ 2015年的120组月度数据、40组季度数据和10组年度数据，依次测算不同回归期和收益率度量时限变化过程中样本行业APT各Beta系数βGDP、βCPI、βI的可观测值；并结合显著性水平，分析不同回归期限和收益率度量时限下APT的应用效果。
4. 变量构建与数据来源。
（1）行业期望收益率。这里选择六个样本行业板块股价指数衡量行业期望收益率，实证数据包括2006年1月1日 ~ 2015年12月31日期间板块的月收盘指数、季收盘指数和年收盘指数，数据来源于Wind数据库。
根据行业板块月收盘指数、季收盘指数和年收盘指数可以计算得到各行业板块的月收益率Ri，mn、季收益率Ri，qn和年收益率Ri，yn的时间序列数据。其中，n代表钢铁、有色、煤炭、石化、房地产和银行等不同样本行业。Ri，mn在5年回归期限（60个月）和10年回归期限（120个月）下分别表示为 Ri，m1n和Ri，m2n。
（2）国内生产总值变化率。国内生产总值的季度变化率△GDPq和年度变化率△GDPy可直接通过国家统计局发布的国内生产总值季度数据和年度数据得到。由于国家统计局不直接发布国内生产总值月度数据，这里利用Eviews 8.0软件的频率转换功能，先将国家统计局发布的国内生产总值季度数据转换为月度数据，再据此进一步计算国内生产总值月度变化率，即△GDPm。△GDPm在5年回归期限和10年回归期限下分别表示为△GDPm1和△GDPm2。鉴于同比数据较环比数据更能反映宏观指标的增长变化，△GDP均采用同比增长率。
（3）消费者价格指数变化率。消费者价格指数数据来自于国家统计局，据此计算消费者价格指数的月度变化率△CPIm、季度变化率△CPIq和年度变化率△CPIy。△CPIm在5年回归期限和10年回归期限下分别表示为△CPIm1和△CPIm2。△CPI同样采用同比增长率。
（4）一年期银行利率。一年期银行利率数据来自中国人民银行，具体取一年期贷款基准利率；其在四种回归期限和收益率度量时限组合下分别表示为Im1、Im2、Iq、Iy。
四、实证结果及分析
1. 描述性统计。利用SPSS 23.0软件，对六个样本行业收益率和宏观经济因素的时间序列数据进行描述性统计分析，分析结果详见表1：
由表1可知：①在样本周期内，每个月度变量分别获得60和120个观测值，每个季度变量各获得40个观测值，每个年度变量各获得10个观测值。②各类收益率变量的观测值均有正有负，标准差远大于均值，说明数据离散程度很高，样本行业收益波动较为剧烈，市场较不稳定。而对于同为月度变量的Ri，m1n和Ri，m2n，前者数据的离散程度低于后者，说明2006 ~ 2015年的样本行业月收益率数据较之2011 ~ 2015年的波动更加剧烈。③各类宏观经济因素的观测值均为正，标准差基本小于均值，说明数据离散程度较低，波动较为稳定。
2. 多元线性回归分析。根据上文模型构建的理论分析，为进一步研究各样本行业收益率在不同回归期限下的时间序列数据与上述三个宏观经济因素间的线性关系，借助SPSS 23.0软件，针对六个样本行业，分别对各解释变量和被解释变量的60组月度数据、120组月度数据、40组季度数据和10组年度数据进行多元线性回归分析，最终得到APT各系数βGDP、βCPI、βI的可观测值及其显著性水平检验结果。其中，以具有代表性的房地产业60组月度数据[的]回归结果为例，构建多元回归模型如下：
Ri，m1房地产=2.553+1.656△GDP-4.279△CPI-42.037I （2）
Sig = （0.000） （0.000） （0.044） （0.000）
T = （9.174） （5.154） （-2.065） （-7.958）
R2 = 0.695 =0.679 F=42.601
可见，模型（2）整体效果较好。在1%的显著性水平上，βGDP和βI均通过检验，在5%的显著性水平上，βCPI也通过检验。
因篇幅所限，其他回归分析结果按不同回归期限和不同样本行业列表汇总如表2所示。
根据表2可知：①总体看来，煤炭、房地产、银行等三个样本行业Ri，m1n的回归分析结果较好，βGDP、βCPI、βI的估计结果全部通过5%的显著性水平检验，说明此时APT的应用效果较之其他样本行业或选样标准更好；②不同回归期限和相同收益率度量时限下，Ri，m1n的回归分析结果好于Ri，m2n，说明5年回归期限下的样本行业APT应用效果好于10年回归期限，可能是Ri，m2n的数据离散程度普遍高于Ri，m1n所致；③相同回归年限和不同收益率度量时限下，Ri，m2n、Ri，qn、Ri，yn的βGDP、βCPI、βI估计结果均相互独立，其通过显著性水平检验的总体比例依次为55.56%、22.22%和50.00%，说明月收益率度量时限下的样本行业APT应用效果最好，年收益率度量时限次之，季收益率度量时限的适用度最低；④对于△GDP、△CPI、I等解释变量，βGDP、βCPI、βI的估计结果分别通过显著性水平检验的占比依次为50.00%、50.00%、58.33%，说明I作为解释变量对样本行业折现率的影响最为显著，△GDP和CPI的影响次之且程度相当。
五、结论
为将宏观经济因素这一重要变量纳入周期性公司收益途径估值框架，合理考虑其定量影响，本文以2006 ~ 2015年为样本周期，以我国沪深A股市场中钢铁、有色、煤炭、石化、房地产和银行等六个典型的周期性行业为研究对象，选择经济增长、通货膨胀和短期利率作为APT的影响因素，检验在不同回归期限和收益率度量时限下APT应用于周期性公司折现率测算的适用性。结果表明，APT对我国沪深A股市场中周期性行业的应用效果因不同样本行业而异，因样本的不同回归期限和收益率度量时限而异；在具体样本选取方面，煤炭、房地产、银行等三个样本行业的APT应用效果好于钢铁、有色、石化等三个样本行业，5年回归期限下的APT应用效果好于10年回归期限，月收益率度量时限下的APT应用效果好于年收益率和季收益率度量时限；在宏观经济因素对周期性公司折现率的影响方面，短期利率影响最为显著，其次是经济增长和通货膨胀，经济增长的影响程度与通货膨胀相当。
可见，APT对我国沪深A股市场中周期性行业的适用性很大程度上受到具体行业及回归样本的时间要素设定标准的影响。对于围绕本文命题所展开的细分研究而言，这种结论差异显然又为提高周期性公司估值折现率的合理性和准确性提供了可能，与之相关的研究领域和方向也值得进一步延伸与细化。在具体估值实践中，评估人员可以尝试多种样本选择方式，力求构建适用性最佳的APT折现率测算模型，以合理考量宏观经济因素对周期性公司估值折现率的影响。
主要参考文献：
陈蕾．周期性公司估值问题研究述评［J］．首都经济贸易大学学报，2015（1）．
Brealey R. A.， Myers S. C.．Principles of
financial management［M］．New York: McGraw-Hill，1996．
Fletcher J.．An examination of alternative factor models in UK stock returns［J］．Review of Quantitative Finance and Accounting，2001（2）．
陈蕾，李和荟，王弘祎．周期性公司估值框架构建［J］．经济与管理研究，2016（10）．
Cox J. C.， Ross S. A.．The valuation of options for alternative stochastic processes［J］．Journal of
Financial Economics，1976（1）．
Roll R.， Ross S. A.．An empirical investigation of the arbitrage pricing theory［J］．Journal of
Finance，1980（5）．
Brown S. J.．The number of factors in security
returns［J］．Journal of Finance，1989（5）．
Fama E. F.， French K. R.．The cross-section of expected stock returns［J］．Journal of Finance，1992（2）．
Fama E. F.， French K. R.．A five-factor asset pricing model［J］．Journal of Financial Economics， 2015（1）．
张宗新，朱伟骅．中国证券市场系统性风险结构的实证分析［J］．经济理论与经济管理，2005（12）．
刘文秀．多因素模型下资产定价理论与套利定价理论比较［J］．辽宁税务高等专科学校学报， 2006（3）．
田大伟．宏观因子套利定价模型的因子筛选及在中国股票市场的应用［J］．西安财经学院学报， 2006（5）．
孙君敏，王频．基于因子分析的套利定价模型及实证研究［J］．财贸研究，2007（1）．
张妍．套利定价理论在中国上海股市的经验检验［J］．世界经济，2000（10）．
尹康．套利定价模型对上证B股的实证检验［J］．湖北经济学院学报（人文社会科学版），2008（9）．
李福贵．上海股票市场风险因子数量研究——基于APT模型的分析［J］．消费导刊，2010（3）．
王荣娟．套利定价理论及其在重工制造业的实证分析［J］．经营管理者，2010（3）．
刘霖，秦宛顺．中国股票市场套利定价模型研究［J］．金融研究，2004（6）．
张关心，阳玉香．套利定价模型在上海股票市场的有效性检验［J］．长沙理工大学学报（社会科学版），2004（4）．
曹红英，阳玉香．套利定价模型在我国证券市场的适用性［J］．统计与决策，2005（10）．
汪珍，李敏．APT模型对深圳股票市场有效性的实证检验［J］．中国集体经济，2012（9）．
陈蕾，郑悦．周期性行业的范围界定与阶段性特征：1990～2014年［J］．改革，2015（9）．
