### 使用Python实现CAPM模型的检验 要使用Python实现CAPM模型的检验，可以通过以下方式完成。CAPM的核心公式为 \( E(R_i) = R_f + \beta (E(R_m) - R_f) \)，其中 \( E(R_i) \) 是资产i的预期收益率，\( R_f \) 是无风险利率，\( \beta \) 是贝塔系数，表示资产相对于市场波动的风险程度，而 \( E(R_m) \) 则是市场的平均收益率。 #### 数据准备 为了进行CAPM模型的检验，需要获取股票的历史价格数据以及市场指数的价格数据。可以利用 `yfinance` 或其他金融数据API来下载这些数据[^1]。 ```python import yfinance as yf import pandas as pd import numpy as np from sklearn.linear_model import LinearRegression # 下载股票和市场指数的数据 stock_data = yf.download('AAPL', start='2020-01-01', end='2023-01-01')['Adj Close'] market_data = yf.download('^GSPC', start='2020-01-01', end='2023-01-01')['Adj Close'] # 计算每日收益率 stock_returns = stock_data.pct_change().dropna() market_returns = market_data.pct_change().dropna() # 合并数据以便后续分析 data = pd.concat([stock_returns, market_returns], axis=1).dropna() data.columns = ['Stock_Returns', 'Market_Returns'] ``` #### 贝塔计算与线性回归 通过线性回归的方法估计贝塔值 (\( \beta \)) 和阿尔法值 (\( \alpha \))。这里假设无风险利率 \( R_f \) 已知或者可以从外部资源获得。 ```python # 假设无风险利率为年化2% risk_free_rate = 0.02 / 252 # 将年化率转换为日均值 # 准备因变量和自变量 X = data['Market_Returns'].values.reshape(-1, 1) Y = data['Stock_Returns'] - risk_free_rate # 执行线性回归 model = LinearRegression(fit_intercept=True) model.fit(X, Y) # 输出结果 beta = model.coef_[0] alpha = model.intercept_ print(f'Alpha: {alpha}, Beta: {beta}') ``` 以上代码实现了CAPM中的核心部分——即通过历史数据估算某只股票相对于市场的贝塔值(\( \beta \))[^1]。 #### 验证CAPM的有效性 进一步验证CAPM模型在中国A股市场的有效性时，可采用截面回归方法。具体来说，选取多个股票样本，在同一时间段内分别计算它们的贝塔值，并将其作为解释变量构建横截面回归方程： \[ R_{i,t} - R_{f,t} = \alpha + \beta (R_{m,t} - R_{f,t}) + \epsilon_t \] 如果 CAPM 成立，则理论上所有股票的残差项应接近于零，且斜率为1。 ---