威廉·夏普提出的CAPM模型将投资股票所面临的风险分解为系统性风险和非系统性风险，系统性风险简称β，在具有相同特征的标的中具有一定的同质性。防范系统性金融风险是资本市场永恒不变的主题。研究股票市场系统性风险的来源对于维护国家安全、提高金融体系服务实体经济能力、减小金融泡沫产生的可能性具有战略性意义。而宏观经济波动是股票系统性风险的一大来源。本文将除资本市场微观结构以外的、会对股票价格造成影响，且其潜在影响路径为通过系统性风险进行传导，能在总量层级上反映一国整体经济运行的关键性指标定义为宏观因子。出于防范系统性风险、完善资本市场定价体系的需要，有必要探讨具体的宏观因子对股票β的影响路径、冲击方向及幅度。
　　从过往研究来看，通货膨胀、经济增长、货币政策、市场预期、风险偏好等宏观经济因素可通过影响企业的贴现现金流、引发市场投资的替代效应等方式对股票β值产生影响。但是到目前为止，关于系统性风险的理论研究比较滞后，在研究方法上仍以经验研究为主。Ghysels等在2003年提出的混频数据采样方法（MIDAS方法）可以增大样本的采样范围，将更海量的高频数据纳入到模型之中，被广泛地运用于宏观金融预测、股票价格波动、系统性风险的研究，表现出更好的估计效果和样本外检验能力。因此，本文将条件资本资产定价模型与MIDAS方法相结合，分别选取消费者物价指数、生产者物价指数、规模以上工业增加值、狭义货币供应量、一年期与五年期国债到期收益率、五年期企业债到期收益率构建宏观因子，尝试将股票β值分解为短期成分和长期成分。运用频率更高的股票市场历史收益率计算β值中的高频β，并将低频β表示为宏观因子的线性函数。在构建投资组合时，本文参考Fama-French三因子和五因子模型的思想，在剔除掉A股所有的金融股标的后，本文分别以总市值和账面市值比两个维度将标的分为两组，构建出五个投资组合。
　　实证结果表明，期限利差对于大市值股票组合的β值有显著影响，模型在拟合优度和其他系数的显著性上均有良好表现。当期限利差增大时，大市值组合的混频β值倾向于减小。分析了会导致期限利差发生变化的四种情况，认为大市值组合的β值具有逆周期性，这与以往多个学者所得出的结论基本一致。大市值组合的高频β在混频β中所占的权重更小，却解释了混频β值超过70%的波动。稳健性检验结果表明长期债券的期限对于实证结果基本无影响，长短期债券利差能够很好地解释大市值股的系统性风险变化。
　　期限利差受通货膨胀、经济增长预期、市场风险厌恶、短期货币政策等多重因素影响，而本文的实证结果显示CPI、PPI、货币供应量、规模以上工业产值增速、一年期国债利率对于所有组合的β值均不具备解释能力，说明与货币、流动性层面相关的单一指标难以解释股票β在经济周期中的时变性。在本文的研究基础之上，后续研究可以探讨期限利差与本文所选用的其他宏观因子之间的关联性，或许可以将β值的时变性刻画得更加细致。本文的研究成果对于监管部门审慎制定、执行监管决策，对于投资者更加清晰地把握股票β值的运行特征、优化大类资产配置和强化风险管理具有借鉴意义。