互聯網時代零售業上市公司資本資產定價模型研究

燕 群，藍發欽

(華東師范大學經濟與管理學部，上海 200062)

互聯網技術是新一代技術革命的核心生產力，已經直接在生產、流通和消費活動中創造價值[1]。新冠肺炎疫情下，互聯網零售在現代零售業中的地位突增。同時，互聯網技術正在重塑零售業生產經營與銷售盈利的傳統業態，從商務模式、產品銷售和服務創新等方面創造價值[2]。那么，互聯網技術是否已經影響了資本資產的價值？Liran和Jonathan[3]提出，以互聯網技術為代表的數字經濟技術勢必導致金融學模型的適用性發生顛覆性的變化[4][5]。近年來，互聯網時代商業模式的重塑與價值創造理論的研究已經引起國內外學術熱議[6][7][8][9]，如果互聯網技術溢價已經存在于資本市場，那么資本資產定價模型的適用性將遇到挑戰。

CAPM單因子模型[10][11][12]和Fama-French三因子模型[13]是基礎的資本資產定價模型，也是金融學的基石模型，模型的實證與修正一直以來都是金融學研究熱點[14][15]。多數學者提出納入其他因子以增強單因子模型和三因子模型的解釋力，如財務杠桿[16]、股票市凈率[17]、市場權益[18]、股票品質[19]和股票流動性等[20]。以上因子之所以被納入資本資產定價考量，是因為它們具備資本資產的收益溢價創造功能。1989年，Fama和French提出不同時期(例如美國大蕭條時期)商業模式的差異可以作為資本資產定價模型的影響因子[21]，這為本文探討互聯網時代背景下，零售業上市公司資本資產定價模型的適用性與模型修正的方法奠定了基礎。

一、問題的提出

(一)互聯網技術的價值創造

移動互聯網時代的商業模式所打造的企業是新技術變革中互聯網賦能的新經濟企業[22]，互聯網技術價值創造功能的主要表現包括：構建互聯網平臺聯系萬物，使供給與需求快速融通，市場更加高效；依托線上銷售模式降低實體經營成本，通過足不出戶的消費體驗提升消費者的購買意愿和黏性；促進文件和信息形態加入生產過程，使公司能低成本實現個性化生產支持體系的塑造；以互聯網資產形態(“網紅”資產、消費行為數據等)作為生產要素替代其他資產創造價值；借助互聯網系統支持企業運營，重塑生產鏈、打破職能部門界限。圖1以Porter[23]提出的公司經營活動價值創造鏈條為基礎，重塑了融入互聯網生產要素的零售業上市公司經營與價值創造鏈條。

圖1 互聯網技術重塑零售業上市公司經營與價值創造鏈條

(二)實證邏輯

基于互聯網技術價值創造的事實，下一步驗證互聯網技術是否影響了零售業上市公司股票價格。1997年，亞馬遜在納斯達克上市，揭開了互聯網零售行業公司上市序幕。2014年，京東集團在納斯達克上市。2015年以來，互聯網零售業上市公司的數量和市值大幅增長，增速遠超非互聯網零售業上市公司。截至2020年3月末，互聯網零售業在全球各大交易所上市的公司共58家，零售業上市公司共245家(1)行業分類標準參照Wind分類，互聯網零售業是三級行業分類，其所屬一級行業為可選消費，二級行業為零售業。(見表1)。伴隨互聯網零售業的發展，在國內外股市互聯網零售業已成為一個細分行業。借鑒Fama-French三因子模型[13]的研究思路，后續研究將運用三因子模型“因子分組—矩陣構建—收益率回歸”的研究范式，聚焦零售業上市公司，在三因子模型分組的基礎上增加互聯網零售業、非互聯網零售業分組，論證零售業上市公司股票價格中是否存在互聯網技術溢價，提出將互聯網技術溢價計入資本資產定價模型的方法。

表1 互聯網零售業上市公司情況

二、實證分析

(一)樣本描述

本文選取2015年1月以前在納斯達克上市的零售業上市公司，滿足數據完整性要求的樣本共64家，其中互聯網零售業上市公司23家(樣本組合I)，非互聯網零售業上市公司41家(樣本組合R)；選取各季度末最后一個交易日的季度收益率來獲取股票收益率時間序列，構建2015年1月至2020年3月的面板數據集，時間序列的樣本數據共21組。數據均來源于Wind數據庫。

(二)三因子模型實證

研究運用三因子模型擬合各樣本時間序列收益率，以此作為基準對比分析互聯網技術對股票價格的溢價。表2三因子模型(2)Fama和French(1973)三因子模型分別以上市公司規模(總市值指標)、賬面/市值比指標對樣本進行分組，構建矩陣，用矩陣收益率差值作為模型參數訓練模型，最終求得股票擬合收益率。研究參照Fama和French的分組方法，根據總市值的中位數，將樣本分為B(大規模)、S(小規模)兩組，根據賬面/市值比的三分之一位數、三分之二位數，將樣本分為L(低賬面/市值比)、M(中等賬面/市值比)和H(高賬面/市值比)三組，構造2*3矩陣。以上分組以各年末數據調整，計算期內合計調整了5次。擬合效果表明，互聯網零售業(樣本組合I)與非互聯網零售業(樣本組合R)各矩陣中，三因子模型擬合R2值均小于0.80，且超過50%的矩陣擬合R2值小于0.50，這說明三因子模型擬合效果不顯著。

表2 三因子模型擬合R2值

表3刻畫了時間序列下三因子模型擬合收益率與實際收益率的差值。該差值的絕對值越小，表示三因子模型擬合效果越好，反之則反。對于樣本組合I，2015—2020年，除BM矩陣、SH矩陣外，其他4個矩陣差值的絕對值明顯提升，且2019—2020年提升最為顯著。對于樣本組合R，2015—2020年，6個矩陣差值的絕對值均明顯下降。以上結果表明：對于互聯網零售業上市公司，三因子模型的擬合效果已明顯下降，而對于非互聯網零售業上市公司，三因子模型的擬合效果依舊顯著；新增是否為互聯網零售業作為分組的因子，可能增強資本資產定價模型的擬合效果。

表3 時間序列三因子模型描述性統計

(三)互聯網技術溢價與四因子模型實證

本文運用三因子模型的研究范式，在三因子基礎上新增互聯網技術滲透度作為第四個分組因子，根據是否為互聯網零售業，將樣本分為O(互聯網零售業)、N(非互聯網零售業)兩組，構造2*2*2的時間序列矩陣(見表4)，四因子模型如下：

R-Rf=βMarket(Rm-Rf)+βSMB(SMB)+βHML(HML)+βOMN(OMN)+α

(1)

式中，βMarket、βSMB、βHML和βOMN分別代表市場因子、規模因子、賬面/市值比因子、互聯網技術滲透度因子的回歸系數；R表示模型所求的股票擬合收益率；Rm是市場組合收益率，通過全部樣本收益率的均值計算；Rf是無風險利率，選擇1個月期限的國債收益率；SMB表示小市值股票組合收益率與大市值股票組合收益率的差值；HML表示高賬面/市值比股票組合收益率與低賬面/市值比股票組合收益率的差值；OMN表示高互聯網技術滲透度股票組合收益率與低互聯網技術滲透度股票組合收益率的差值；α表示股票的超額收益率。

表4 四因子模型矩陣的構建

表5四因子模型運行結果說明，零售業上市公司股票價格存在明顯的互聯網技術溢價，四因子模型擬合股票收益率的R2值相比于三因子模型(見表2)有大幅提升，說明四因子模型測度零售業上市公司股票價格具備有效性。具體來看，大規模且高賬面/市值比的零售業上市公司組合R2值為0.94、高賬面/市值比的互聯網零售業上市公司組合R2值為0.91，高于全部組合R2值的均值0.82，表明這兩個組合四因子模型擬合效果最顯著；大規模的非互聯網零售業上市公司組合、低賬面/市值比的互聯網零售業上市公司組合的R2值均低于全部組合R2值的均值0.82，表明這兩個組合四因子模型擬合效果最弱，但超過了三因子模型擬合R2值的均值0.46(見表2)。同時，表5和表6的結果說明，四因子模型中因子間兩兩相關關系不顯著，證實四因子模型通過內生性檢驗。

表5 四因子模型擬合R2值與因子載荷(2015年1月—2020年3月)

續表

表6 內生性檢驗

對資本資產定價模型的討論是金融學理論研究的重要分支，新模型的提出是對模型的重新審視。學界過往探討資本資產定價模型的適用性主要集中于βMarket是否能解釋股票收益率在橫截面上的變動。Banz[24]、Fama和French[13]通過新增影響因子證實βMarket不足以解釋股票收益率的變動。Kothari等[25]通過研究βMarket的取值范圍，從βMarket在置信區間內取值范圍較大說明其不足以解釋股票收益率的變動。四因子模型的βMarket取值范圍波動較大，側面證實了Kothari等[25]的結論。Fama和Fench[13][26]在構建三因子模型和五因子模型的過程中，曾提出賬面/市值比對股票收益率的影響程度超過市場因子和規模因子，但是表5各因子相關分析的顯著性結果并不支持這一觀點，反而支持規模因子是四因子模型中影響最為顯著的因子，各樣本組合規模因子均在0.1%置信水平下顯著，顯著性特征明顯超過其他因子。

近年來大量實證研究聚焦于資本資產定價模型的“異象”。為了進一步討論不同市場環境下四因子模型的“異象”特征，本文將研究時間段Ta分為納斯達克指數上升時間段Tu1(2015年1月至2018年5月)、上升時間段Tu2(2019年5月至2020年2月)、震蕩時間段Tf(2018年5月至2019年5月)和下跌時間段Td(2020年2月至2020年3月)，如圖2所示。關于“異象一”：高賬面/市值比組合的股票比低賬面/市值比組合具有更高的收益，可用特定研究期論[2]、風險因素論[27][28]、公司特征決定論[29]及不同股票市場的特性[30]來解釋。表7結果顯示，在不同市場環境下四因子模型的變量數理特征并未有明顯的賬面/市值比規律，支持特定研究期論，證實賬面/市值比效應只是特定樣本在特定檢驗期內才存在，是數據挖掘的結果。關于“異象二”：小規模且高賬面/市值比組合的股票收益率在不同市場環境下高于其他組合[29]，表7結果支持公司特征決定論，四因子模型同樣存在規模與賬面/市值比的組合特征，在不同市場環境下，小規模且高賬面/市值比的組合收益率均高于其他組合，同時在納斯達克指數震蕩時間段Tf，該“異象”特征更加明顯。

圖2 研究時間段的劃分

深入分析發現，四因子模型還存在其他“異象”特征：一是規模因子與互聯網技術滲透度因子的組合特征。由表7收益率平均值可知，在不同市場環境下小規模互聯網零售業上市公司的股票收益率高于其他組合。二是收益率波動的特征。由表7收益率標準差可知，一方面，在納斯達克指數震蕩時間段Tf，各組合的股票收益率波動較明顯，另一方面，小市值且低賬面/市值比、低賬面/市值比的互聯網零售業組合的股票收益率波動率較低，小市值且高賬面/市值比、高賬面/市值比的非互聯網零售業組合的股票收益率波動率較高。

表7 四因子模型描述性統計

表8刻畫了時間序列下四因子模型擬合收益率與實際收益率的差值情況。2019年前后，收益率差值的均值沒有發生顯著變化。比較表3三因子模型擬合收益率發現，2019年之后互聯網技術滲透度對三因子模型擬合效果的影響越來越大，模型擬合效果明顯下降，但四因子模型的擬合效果相對穩定。

表8 時間序列四因子模型描述性統計

(四)互聯網技術溢價的產生機制

Fama和Macbeth曾提出用截面回歸的方法(簡稱FM回歸)[30]檢驗三因子模型因子載荷特征。本文在該方法基礎上，將被解釋變量設定為各矩陣股票的平均收益率。表9第1組控制變量為市場因子載荷、規模因子載荷和賬面/市值比因子載荷，解釋變量為互聯網技術滲透度因子載荷；第2組控制變量為互聯網技術滲透度因子載荷，解釋變量為市場因子載荷、規模因子載荷和賬面/市值比因子載荷；第3組將所有因子載荷納入解釋變量。

從表9第1組結果可知，股票收益率與互聯網技術滲透度因子載荷不存在顯著相關性，說明互聯網技術不直接影響股票收益率，即并不是互聯網技術滲透度越大，股票收益率就越高。第3組的互聯網技術滲透度因子載荷在5%水平下顯著，說明互聯網技術價值創造是通過影響其他因子的價值創造過程實現的。對比第2組與第3組結果顯示，三因子模型中市場因子載荷顯著性特征不明顯，而四因子模型中市場因子載荷在1%水平下顯著，同時規模因子載荷和賬面/市值比因子載荷保持在1%的水平下顯著，這再次驗證了四因子模型擬合顯著性優于三因子模型。

表9 基于Fama-Macbeth的因子載荷回歸結果

(五)穩健性檢驗

李和金與李湛[31]曾提出，收益率計算截面的選取會影響模型的有效性，據此本部分選取不同的截面計算收益率，用相同面板數據時間段的不同時間序列重復檢驗四因子模型的穩健性。將前述研究的收益率截面定義為截面1；新增穩健性檢驗截面2，獲取各季度末最后一個交易日股票價格相對于上月最后一個交易日股票價格的月度收益率，得到21組收益率數據；新增穩健性檢驗截面3，獲取各月末最后一個交易日股票價格相對于上月最后一個交易日股票價格的月度收益率，得到63組收益率數據。

表10顯示三個截面下的擬合R2值，結果表明四因子模型在截面2和截面3條件下的擬合效果同樣顯著，說明四因子模型通過穩健性檢驗。進一步分析發現，截面2條件下模型總體擬合效果優于截面1，截面3條件下模型總體擬合效果劣于截面1。具體而言，截面2條件下，僅2個組合的擬合R2值小于0.80。但是截面3條件下，全部組合的擬合R2值均小于0.80，且有6個組合小于0.50。這說明截面3條件下模型擬合效果最不穩定。

表10 四因子模型穩健性檢驗

續表

三、進一步分析

為分析四因子模型在危機行情下的適用性與穩定性，接下來以新冠肺炎疫情沖擊下的市場行情為例，測試四因子模型的有效性。

(一)數據處理

研究樣本統一采用納斯達克上市的64家零售業上市公司，研究數據選取2020年1月至2020年2月，收益率截面選取每個交易日的月收益率，因此該時間序列數據包含37組股票收益率。以上數據均來源于Wind數據庫。

(二)異質性分析

表11顯示了2020年1月至2020年2月新冠肺炎疫情沖擊期間四因子模型擬合股票收益率的情況。相較于表5的2015年1月至2020年3月期間四因子模型擬合效果，從各因子回歸顯著性水平和擬合R2值兩個角度，結果均顯示疫情期間四因子模型擬合效果優于該模型在2015年1月至2020年3月的擬合效果。

陳浪南和屈文洲[32]認為市場因子解釋力存在異質性，在大盤指數波動劇烈，特別是急速上升的時間段，市場因子對股票收益率的影響遠高于其他時期。表11與表5的分析結果表明，四因子模型支持陳浪南和屈文洲[28]的結論，即在大盤急速上升的行情下，市場因子對股票收益率的影響提升，賬面/市值比因子對股票收益率的影響下降，市場因子取代賬面/市值比因子成為股票收益率最主要的決定因素。此外，表11的結果也顯示了四因子模型的其他異質性特征：第一，相比于表5，低賬面/市值比的股票在疫情期間擬合R2值高于高賬面/市值比的股票，大規模的股票高于小規模的股票；第二，相比于表5，新冠肺炎疫情沖擊行情下，四因子模型對互聯網零售業上市公司股票收益率的擬合效果提升，并且對互聯網零售業股票收益率擬合效果優于非互聯網零售業。

表11 四因子模型擬合R2值與因子載荷(2020年1月—2020年2月)

同時本文通過擬合收益率與實際收益率的差值分析，探究四因子模型的穩定性。圖3結果顯示，收益率差值的波動性與組合收益率的波動性基本一致，但是波動的方向可能相反；相對于組合收益率上漲期，組合收益率下跌期收益率差值的波動性更大。

圖3 四因子模型擬合收益率與實際收益率差值

進一步分組分析危機行情下，四因子模型對于互聯網零售業上市公司與非互聯網零售業上市公司的適用性差異。圖4顯示互聯網零售業上市公司擬合收益率與實際收益率差值，大規模(BO)、低賬面/市值比(OL)的股票收益率差值走勢一致，并且與小規模(SO)、高賬面/市值比(OH)的股票收益率差值走勢相反。圖5顯示非互聯網零售業上市公司擬合收益率與實際收益率差值，結果與圖4總體一致，差別在于大規模的非互聯網零售業股票與互聯網零售業股票收益率差值走勢相反，低賬面/市值比的非互聯網零售業股票與互聯網零售業股票收益率差值走勢相反，對于小規模股票、高賬面/市值比股票亦存在相同情況。

圖4 互聯網零售業上市公司擬合收益率與實際收益率差值

圖5 非互聯網零售業上市公司擬合收益率與實際收益率差值

四、結論與啟示

互聯網時代背景下，互聯網技術已經影響了零售業上市公司資本資產的價值，為此本文探討了Fama-French三因子定價模型的修正思路，得到如下結論：第一，互聯網技術溢價存在于零售業上市公司，四因子模型在研究期內擬合效果優于三因子模型；第二，對于大規模、高賬面/市值比的零售業上市公司以及高賬面/市值比的互聯網零售業上市公司，四因子模型擬合效果更加顯著；第三，在以新冠肺炎疫情沖擊為代表的危機行情下，四因子模型通過了異質性檢驗，并且模型擬合效果優于非疫情時期。

本文提出了零售業上市公司的四因子資本資產定價模型，實證結果通過了不同研究時間段、不同收益率截面下四因子模型的穩健性檢驗和異質性討論。本文立足于Fama-French三因子模型，研究方法借鑒三因子模型拓展模型的推演思路，但這只是時代背景下重新探討金融學模型的起點，希望此研究為互聯網時代金融學模型的修正提供借鑒思路。非理性市場假設下，APT[33]、特征模型[29]的改進將是更進一步的探索方向。此外，傳統的生產要素理論、市場均衡理論及要素生產領域的資產定價(TFP)等也需要重新解讀，相關金融學模型的修正同樣具備重要研究價值。