论文部分内容阅读
摘要：根据我国煤炭采选企业2016～2018年的股票市场数据，将CAPM与Fama-French三因素模型进行对比，研究其在基准收益率预测方面的适用情况。结果发现：在“十三五”规划中进行的煤炭行业大规模去杠杆之后，煤炭产量下降，经济环境发生巨大变化。传统的CAPM对煤炭行业的适用性不足，我国煤炭行业存在显著的规模和价值效应，实证结果表明Fama-French三因素存在更好的适用性，因此Fama-French三因素模型对煤炭采选业收益率的预测更适用。
关键词：煤炭采选业;CAPM模型;Fama-French三因素模型
中图分类号：F22 文献标志码：A 文章编号：1008-4657（2019）05-0041-07
0 引言
资本资产定价模型（Capital Asset Pricing Model，CAPM）是最传统的资本定价模型，该模型主要应用的是市场风险的单独因子来反映风险与收益的关系，在资本市场得到广泛的认同，但也来自财务方面和实践者的质疑。质疑者认为CAPM模型只考虑了单一影响因子，因此更多学者提出改进模型，其中Fama-French三因素模型（Fama-French 3-factor model，FF3）被认为是改进模型中的主要代表之一。该模型在CAPM模型的基础上提出来增加规模效应和价值效应，在此前已有许多研究者论证其适用性[1]。
我国近年来对煤炭采选业在权益资产收益率的预测方面仍采用CAPM模型，由于目前煤炭采选业仍处在去杠杆后改革的调整期内，传统的CAPM模型是否继续适用仍不确定。本文通过对煤炭采选业进行状况介绍，再通过对CAPM和FF3模型对我国上市煤炭采选业收益率预测方面的适用性进行对比，研究各个模型结果的拟合程度，从而选择适用于我国煤炭采选企业的资产收益率预测模型。
1 煤炭采选业的现状分析
从近年来看，煤炭采选业的发展主要包括两个阶段，第一个阶段是2002～2012年的黄金发展阶段，主要是十四大经历全面改革时期，后经过亚洲金融危机的挑战，煤炭采选业进入黄金时代。第二个阶段是2013～2017年的行业调整阶段，主要是三去一降一补政策的提出，对煤炭采选业进行全面调整。
根据我国统计局相关数据显示，我国原煤产量从2017年开始才出现增长，其产量为34.45亿吨。在2014～2017年供给侧改革全面开展，全行业在积极淘汰落后产能的同时，对煤炭行业的内部结构和优质产能的升级，提高煤炭产业的供给质量。图1是2011～2018年我国煤炭产量统计的相关数据。
在供给侧结构性改革的方面，我国“十三五”规划中对于煤炭行业去产能的主要目标基本实现。每年生产30万吨以下煤矿产能减少到2.2亿吨/年以内，煤炭行业将真正的从总量性去产能实现到系统性去产能、结构性优化产能[2]。
在煤炭产业结构性优化升级方面，加之过滤掉落后产能，集中度明显提高，煤炭的上下游产业结合在一起共同发展，煤焦、煤电等综合化发展趋势明显。新技术、新模式推动了新能源、现代物流。电子商务、金融服务、矿区旅游休闲、健康养老等多元化产业的协调发展。通过全面的供给侧结构性的改革，从而影响行业的经济环境和内部结构，故需要对该行业的未来资本收益率进行预测，从而对行业未来发展提供借鉴意义。
2 实证研究和回归结果
2.1 数据选取
煤炭行业在中国资本市场和产业经济中具有重要的支柱性作用。本文主要研究的是在供给侧结构性改革后，各模型对煤炭采选业资产收益率的预测的适用性的对比研究。数据选取主要是煤炭行业中的采选业进行研究，目前煤炭采选的上市企业共有30家。本文选取了12家上市煤炭企业进行研究，其中对于剔除有关企业的原因如下：
第一，ST和*ST类股票。ST股票是指财务状况或其他情况异常的上市公司股票。其交易会被交易所进行特别处理，这类股票与其他正常股票存在一定程度的差异[3]。
第二，周收益率缺失的数据。当有些特别原因公司并未披露数据，则提出该股票的数据，否则会影响实证结果。
研究对象的12家企业分别是靖远煤电（000552）、冀中能源（000937）、西山煤电（000983）、兰花科创（600123）、兖州煤业（600188）、阳泉煤业（600348）、盘江股份（600395）、上海能源（600508）、恒源煤电（600971）、陕西煤业（601225）、平煤股份（601666）、中煤能源（601898），对以上企业的2016年1月1日至2018年12月31日的周收益率的数据进行实证检验[4]。数据样本的时间跨度为3年，从2016年的第一周到2018年的最后一周，每家企业可以提取152个周交易数据，经过公式处理后可以得到152个有效的周收益率数据。本文中所有的数据主要来源于金融研究数据库（RESSET）。
2.2 實证模型介绍
本文将建立传统的资本资产定价模型（CAPM）和FF3模型。得到CAPM和FF3模型的回归结果，并对其结果进行分析，选择对煤炭采选业实用性更有效的模型[5]。
传统的资本资产定价模型（CAPM）
在式（1）中，表示第t期的资产组合i的周收益率;表示第t期市场的周无风险收益率，表示第t期的市场组合周收益率，表示资产组合i的市场风险因子，表示方程的截距项，建立方程后得到的残差项[1]。
FF3模型
与式（1）的指标解释含义均相同，是规模的回归系数，是规模的回归系数，分别表示资产组合i对股票的规模效应和价值效应的敏感度。
2.3 变量选取与分组
因变量：
表示个股n在第t周最后一个交易日的周收盘价;表示个股n在t-1周最后一个交易日的周收盘价[6]。 自变量：
（1）周市场回报率是在RESSET数据库中的特定交易市场的周市场回报率，因为涉及沪深A股市场，故取两个市场的算术平均值。
（2）无风险利率是在RESSET数据库中的周无风险收益率。
（3）样本市值与账面市值比分别取得是周个股流通总市值和个股期末股东权益（含少数股东权益）除以个股期末总市值得出。
将选取的煤炭采选业的研究对象将其当年年末流通市值从小到大依此排列，按大小分为S，B两组，每组有6只股票，其中S表示的是Small（规模小）组，B表示Big（规模大）组。其次，将煤炭采选行业的当年的账面市值比从小到大依此排列，分别L、M、H组（低、中、高组），其中均匀分配，每组有4只股票。对上述的两种分组进行排列组合，确定SL、SM、SH、BL、BM、BH六组研究对象[1]，资产组合分组情况如表1所示。
利用上述公式，以SL、SM、SH、BL、BM、BH的组合平均周收益率分别算出SMB和HML的数值[7]。
2.4 实证检验与回归结果
2.4.1 樣本数据描述性统计
得到SL、SM、SH、BL、BM、BH组的算术平均组合的周收益率，通过Eviews 9.0软件对六组数据进行描述性统计，如表2所示。
根据表2所示，六个组合的算术平均收益率正负均有，表示2016～2018年的煤炭采选行业的经营状况不是特别好，原因可能是在2016年至2017年正在火热进行的供给侧结构性改革对煤炭采选行业有着不小的规模调整，以至于其收益率的不稳定状况的出现。其次，SL组合SH组的标准差均小于BL和BH组，表示小规模的煤炭采选企业的风险要低于大规模企业。而在中间规模的企业却相反，表示煤炭采选行业规模过大并不好，需要未来进行规模调整，使得可能面临的风险相对较低。其中BL组的算术平均周收益率最高，而其标准差也是最大的，体现了“高风险，高收益”的特征，但SH组的风险和收益并不匹配，需要高度重视小规模但账面市值比相对较高的企业的发展。
2.4.2 平稳性检验
在建立回归模型之前，需要对数据进行ADF检验，以保证数据的平稳，回归结果的有效性。通过Eviews 9.0软件对六组组合资产的周收益率数据以及周市场数据进行单位根检验[8-9]，结果如表3。
根据上表检验结果可知，六组周收益率样本数据以及市场组合周收益率的T值均远小于1%，5%，10%的临界值，P值均为0，拒绝原假设，故上述序列组合均不存在单位根，数据平稳性检验通过，可以进行下面的建模回归。
2.4.3 样本数据CAPM模型回归
2016～2018年CAPM模型回归结果如表4所示。
表4结果中最后一列显示截距项的系数的P值并不显著，均不为0，显著性水平不高，而（RM-RF）组中的系数在5% level下显著性很高，符合CAPM模型的预期结果，故CAPM中的市场风险因子（RM-RF）可以很好解释煤炭采选业的股票市场中面临的风险影响因素。
2016～2018年FF3模型回归结果如表5所示。
根据表5结果显示，截距项的系数不为零，且每个显著性水平均不高在显著性水平上，S组资产组合中的SMB以及SH组和BH组的HML的P值不显著，其余各组的SMB和HML在5% level 的显著性水平下都很高，结果表明我国煤炭采选业的规模大且账面市值比较低的企业存在着规模效应和价值效应，规模小的企业存在的价值效应较明显，规模大其账面市值也大的企业存在的规模效应明显。故我国的煤炭采选业存在着规模效应和价值效应，FF3模型对该行业的适用性较强[10]。
表5中（RM-RF）的系数值：SL、SM、SH组的系数值分别为0.887 249，0.687 509，0.735 300;BL、BM、BH组的系数值分别为0.709 169、0.739 769、0.861 119。由此可知，除SL组中的系数值之外，随着账面市值比的升高，系数值随着升高，这与之前Fama和French在1993年研究的结果相一致，表明传统的资本资产定价模型（CAPM）中的系数值可以解释股票的规模效应。
2016～2018年模型拟合优度比较如表6所示。
根据表6结果可知，两种模型的拟合优度效果较为理想。从传统的资本资产定价模型（CAPM）结果中显示，调整的R2在0.09 946-0.322 845之间，平均值为0.2 111，FF3模型中的调整的R2在0.175 051-0.573 155之间，平均值为0.3 741，结果显示优于传统的CAPM 模型，表示FF3模型对2016～2018年我国煤炭采选业的收益率的解释能力更强，适用性效果更好。
3 结论
本文以沪深A股煤炭采选行业板块12家企业股票为研究对象，选取2016年1月1日至2018年12月1日的周变化收率，周变化市场回报率，同时引入FF3模型中的规模和价值因子，根据与传统的资本资产定价模型进行对比，得出以下结论：
第一，建立FF3模型对煤炭采选业股票收益率预测模型整体拟合效果一般，通过T值和P值可以得知市场因子、规模因子和价值因子可以较好解释组合的收益率。但面对不同分组的解释力度不同，不同分组中规模效应和价值效应的影响效果不同，未来需要对该行业的分组更为细致，研究不同分组的各自主要影响因素，这也是本文没有考虑的地方[11]。同时可以对FF3的模型进行扩展，加入更有效的变量进行解释分析。
第二，我国煤炭采选行业板块的风险溢价同市场整体的经济状况成正相关，但波动幅度较小，故无论规模大小还是账面市值比的大小，其投资风险都小于市场系统风险，相对的收益状况也是较低的[12]。 第三，在进行煤炭行业的“十三五”规划。在进行了大规模的去杠杆之后，煤炭產量下降，经济环境发生巨大变化，传统的CAPM对煤炭行业的适用性不足;我国煤炭行业存在显著的规模和价值效应，实证结果表明FF3存在更好的适用性，因此FF3模型对煤炭采选业收益率的预测更适用。总之，投资者在进行投资时，需要对自身的风险偏好程度，期限选择长短进行不同的投资，实现有效的资产管理。
参考文献：
[1]李泽红，赵安策.中国电力行业收益率预测研究——基于CAPM与Fama-French三因素模型的适用性分析[J].河北经贸大学学报：综合版，2018，18（1）：34-39.
[2]石海娥.环保：亟须化解高耗能高污染[J].光彩，2016（5）：30-31.
[3]姚尧.独立董事政治背景与企业价值的研究[D].北京对外经济贸易大学，2015.
[4]陈晶璞，刘南南.基于因子分析法的上市煤炭企业财务风险评价研究[J].燕山大学学报（哲社版），2012，13（4）：71-74.
[5]邓华卉.中国上市银行股权资本成本分析[D].上海：复旦大学，2014.
[6]黄文青.我国股份制商业银行公司治理绩效的实证研究[J].上海经济研究，2009（1）：104-110.
[7]苏艾舟.证券投资基金波动率异象研究[D].南京：南京理工大学，2017.
[8]高可盈，白建妹，黎辰星，等.智慧旅游视角下贵州省旅游业转型升级的思考[J].中国市场，2016（51）：184-186.
[9]马晨，江忻杰.沪市低市盈率股的β系数研究[J].科协论坛，2008（12）：109-110.
[10]游郭融，吴宏旭.我国创业板股票定价实证研究——基于市场溢价、规模溢价、价值溢价和流动性溢价四因子模型[J].郑州轻工业学院学报（社会科学版），2016（6）：64-72.
[11]马健健.六因素模型与阿尔法——基于沪深股市的实证研究[J].郑州航空工业管理学院学报，2017（06）：90-102.
[12]常媛媛.基于三因素资本资产定价模型的我国上市银行股收益研究[D].济南：山东大学，2011.
[责任编辑：郑笔耕]
关键词：煤炭采选业;CAPM模型;Fama-French三因素模型
中图分类号：F22 文献标志码：A 文章编号：1008-4657（2019）05-0041-07
0 引言
资本资产定价模型（Capital Asset Pricing Model，CAPM）是最传统的资本定价模型，该模型主要应用的是市场风险的单独因子来反映风险与收益的关系，在资本市场得到广泛的认同，但也来自财务方面和实践者的质疑。质疑者认为CAPM模型只考虑了单一影响因子，因此更多学者提出改进模型，其中Fama-French三因素模型（Fama-French 3-factor model，FF3）被认为是改进模型中的主要代表之一。该模型在CAPM模型的基础上提出来增加规模效应和价值效应，在此前已有许多研究者论证其适用性[1]。
我国近年来对煤炭采选业在权益资产收益率的预测方面仍采用CAPM模型，由于目前煤炭采选业仍处在去杠杆后改革的调整期内，传统的CAPM模型是否继续适用仍不确定。本文通过对煤炭采选业进行状况介绍，再通过对CAPM和FF3模型对我国上市煤炭采选业收益率预测方面的适用性进行对比，研究各个模型结果的拟合程度，从而选择适用于我国煤炭采选企业的资产收益率预测模型。
1 煤炭采选业的现状分析
从近年来看，煤炭采选业的发展主要包括两个阶段，第一个阶段是2002～2012年的黄金发展阶段，主要是十四大经历全面改革时期，后经过亚洲金融危机的挑战，煤炭采选业进入黄金时代。第二个阶段是2013～2017年的行业调整阶段，主要是三去一降一补政策的提出，对煤炭采选业进行全面调整。
根据我国统计局相关数据显示，我国原煤产量从2017年开始才出现增长，其产量为34.45亿吨。在2014～2017年供给侧改革全面开展，全行业在积极淘汰落后产能的同时，对煤炭行业的内部结构和优质产能的升级，提高煤炭产业的供给质量。图1是2011～2018年我国煤炭产量统计的相关数据。
在供给侧结构性改革的方面，我国“十三五”规划中对于煤炭行业去产能的主要目标基本实现。每年生产30万吨以下煤矿产能减少到2.2亿吨/年以内，煤炭行业将真正的从总量性去产能实现到系统性去产能、结构性优化产能[2]。
在煤炭产业结构性优化升级方面，加之过滤掉落后产能，集中度明显提高，煤炭的上下游产业结合在一起共同发展，煤焦、煤电等综合化发展趋势明显。新技术、新模式推动了新能源、现代物流。电子商务、金融服务、矿区旅游休闲、健康养老等多元化产业的协调发展。通过全面的供给侧结构性的改革，从而影响行业的经济环境和内部结构，故需要对该行业的未来资本收益率进行预测，从而对行业未来发展提供借鉴意义。
2 实证研究和回归结果
2.1 数据选取
煤炭行业在中国资本市场和产业经济中具有重要的支柱性作用。本文主要研究的是在供给侧结构性改革后，各模型对煤炭采选业资产收益率的预测的适用性的对比研究。数据选取主要是煤炭行业中的采选业进行研究，目前煤炭采选的上市企业共有30家。本文选取了12家上市煤炭企业进行研究，其中对于剔除有关企业的原因如下：
第一，ST和*ST类股票。ST股票是指财务状况或其他情况异常的上市公司股票。其交易会被交易所进行特别处理，这类股票与其他正常股票存在一定程度的差异[3]。
第二，周收益率缺失的数据。当有些特别原因公司并未披露数据，则提出该股票的数据，否则会影响实证结果。
研究对象的12家企业分别是靖远煤电（000552）、冀中能源（000937）、西山煤电（000983）、兰花科创（600123）、兖州煤业（600188）、阳泉煤业（600348）、盘江股份（600395）、上海能源（600508）、恒源煤电（600971）、陕西煤业（601225）、平煤股份（601666）、中煤能源（601898），对以上企业的2016年1月1日至2018年12月31日的周收益率的数据进行实证检验[4]。数据样本的时间跨度为3年，从2016年的第一周到2018年的最后一周，每家企业可以提取152个周交易数据，经过公式处理后可以得到152个有效的周收益率数据。本文中所有的数据主要来源于金融研究数据库（RESSET）。
2.2 實证模型介绍
本文将建立传统的资本资产定价模型（CAPM）和FF3模型。得到CAPM和FF3模型的回归结果，并对其结果进行分析，选择对煤炭采选业实用性更有效的模型[5]。
传统的资本资产定价模型（CAPM）
在式（1）中，表示第t期的资产组合i的周收益率;表示第t期市场的周无风险收益率，表示第t期的市场组合周收益率，表示资产组合i的市场风险因子，表示方程的截距项，建立方程后得到的残差项[1]。
FF3模型
与式（1）的指标解释含义均相同，是规模的回归系数，是规模的回归系数，分别表示资产组合i对股票的规模效应和价值效应的敏感度。
2.3 变量选取与分组
因变量：
表示个股n在第t周最后一个交易日的周收盘价;表示个股n在t-1周最后一个交易日的周收盘价[6]。 自变量：
（1）周市场回报率是在RESSET数据库中的特定交易市场的周市场回报率，因为涉及沪深A股市场，故取两个市场的算术平均值。
（2）无风险利率是在RESSET数据库中的周无风险收益率。
（3）样本市值与账面市值比分别取得是周个股流通总市值和个股期末股东权益（含少数股东权益）除以个股期末总市值得出。
将选取的煤炭采选业的研究对象将其当年年末流通市值从小到大依此排列，按大小分为S，B两组，每组有6只股票，其中S表示的是Small（规模小）组，B表示Big（规模大）组。其次，将煤炭采选行业的当年的账面市值比从小到大依此排列，分别L、M、H组（低、中、高组），其中均匀分配，每组有4只股票。对上述的两种分组进行排列组合，确定SL、SM、SH、BL、BM、BH六组研究对象[1]，资产组合分组情况如表1所示。
利用上述公式，以SL、SM、SH、BL、BM、BH的组合平均周收益率分别算出SMB和HML的数值[7]。
2.4 实证检验与回归结果
2.4.1 樣本数据描述性统计
得到SL、SM、SH、BL、BM、BH组的算术平均组合的周收益率，通过Eviews 9.0软件对六组数据进行描述性统计，如表2所示。
根据表2所示，六个组合的算术平均收益率正负均有，表示2016～2018年的煤炭采选行业的经营状况不是特别好，原因可能是在2016年至2017年正在火热进行的供给侧结构性改革对煤炭采选行业有着不小的规模调整，以至于其收益率的不稳定状况的出现。其次，SL组合SH组的标准差均小于BL和BH组，表示小规模的煤炭采选企业的风险要低于大规模企业。而在中间规模的企业却相反，表示煤炭采选行业规模过大并不好，需要未来进行规模调整，使得可能面临的风险相对较低。其中BL组的算术平均周收益率最高，而其标准差也是最大的，体现了“高风险，高收益”的特征，但SH组的风险和收益并不匹配，需要高度重视小规模但账面市值比相对较高的企业的发展。
2.4.2 平稳性检验
在建立回归模型之前，需要对数据进行ADF检验，以保证数据的平稳，回归结果的有效性。通过Eviews 9.0软件对六组组合资产的周收益率数据以及周市场数据进行单位根检验[8-9]，结果如表3。
根据上表检验结果可知，六组周收益率样本数据以及市场组合周收益率的T值均远小于1%，5%，10%的临界值，P值均为0，拒绝原假设，故上述序列组合均不存在单位根，数据平稳性检验通过，可以进行下面的建模回归。
2.4.3 样本数据CAPM模型回归
2016～2018年CAPM模型回归结果如表4所示。
表4结果中最后一列显示截距项的系数的P值并不显著，均不为0，显著性水平不高，而（RM-RF）组中的系数在5% level下显著性很高，符合CAPM模型的预期结果，故CAPM中的市场风险因子（RM-RF）可以很好解释煤炭采选业的股票市场中面临的风险影响因素。
2016～2018年FF3模型回归结果如表5所示。
根据表5结果显示，截距项的系数不为零，且每个显著性水平均不高在显著性水平上，S组资产组合中的SMB以及SH组和BH组的HML的P值不显著，其余各组的SMB和HML在5% level 的显著性水平下都很高，结果表明我国煤炭采选业的规模大且账面市值比较低的企业存在着规模效应和价值效应，规模小的企业存在的价值效应较明显，规模大其账面市值也大的企业存在的规模效应明显。故我国的煤炭采选业存在着规模效应和价值效应，FF3模型对该行业的适用性较强[10]。
表5中（RM-RF）的系数值：SL、SM、SH组的系数值分别为0.887 249，0.687 509，0.735 300;BL、BM、BH组的系数值分别为0.709 169、0.739 769、0.861 119。由此可知，除SL组中的系数值之外，随着账面市值比的升高，系数值随着升高，这与之前Fama和French在1993年研究的结果相一致，表明传统的资本资产定价模型（CAPM）中的系数值可以解释股票的规模效应。
2016～2018年模型拟合优度比较如表6所示。
根据表6结果可知，两种模型的拟合优度效果较为理想。从传统的资本资产定价模型（CAPM）结果中显示，调整的R2在0.09 946-0.322 845之间，平均值为0.2 111，FF3模型中的调整的R2在0.175 051-0.573 155之间，平均值为0.3 741，结果显示优于传统的CAPM 模型，表示FF3模型对2016～2018年我国煤炭采选业的收益率的解释能力更强，适用性效果更好。
3 结论
本文以沪深A股煤炭采选行业板块12家企业股票为研究对象，选取2016年1月1日至2018年12月1日的周变化收率，周变化市场回报率，同时引入FF3模型中的规模和价值因子，根据与传统的资本资产定价模型进行对比，得出以下结论：
第一，建立FF3模型对煤炭采选业股票收益率预测模型整体拟合效果一般，通过T值和P值可以得知市场因子、规模因子和价值因子可以较好解释组合的收益率。但面对不同分组的解释力度不同，不同分组中规模效应和价值效应的影响效果不同，未来需要对该行业的分组更为细致，研究不同分组的各自主要影响因素，这也是本文没有考虑的地方[11]。同时可以对FF3的模型进行扩展，加入更有效的变量进行解释分析。
第二，我国煤炭采选行业板块的风险溢价同市场整体的经济状况成正相关，但波动幅度较小，故无论规模大小还是账面市值比的大小，其投资风险都小于市场系统风险，相对的收益状况也是较低的[12]。 第三，在进行煤炭行业的“十三五”规划。在进行了大规模的去杠杆之后，煤炭產量下降，经济环境发生巨大变化，传统的CAPM对煤炭行业的适用性不足;我国煤炭行业存在显著的规模和价值效应，实证结果表明FF3存在更好的适用性，因此FF3模型对煤炭采选业收益率的预测更适用。总之，投资者在进行投资时，需要对自身的风险偏好程度，期限选择长短进行不同的投资，实现有效的资产管理。
参考文献：
[1]李泽红，赵安策.中国电力行业收益率预测研究——基于CAPM与Fama-French三因素模型的适用性分析[J].河北经贸大学学报：综合版，2018，18（1）：34-39.
[2]石海娥.环保：亟须化解高耗能高污染[J].光彩，2016（5）：30-31.
[3]姚尧.独立董事政治背景与企业价值的研究[D].北京对外经济贸易大学，2015.
[4]陈晶璞，刘南南.基于因子分析法的上市煤炭企业财务风险评价研究[J].燕山大学学报（哲社版），2012，13（4）：71-74.
[5]邓华卉.中国上市银行股权资本成本分析[D].上海：复旦大学，2014.
[6]黄文青.我国股份制商业银行公司治理绩效的实证研究[J].上海经济研究，2009（1）：104-110.
[7]苏艾舟.证券投资基金波动率异象研究[D].南京：南京理工大学，2017.
[8]高可盈，白建妹，黎辰星，等.智慧旅游视角下贵州省旅游业转型升级的思考[J].中国市场，2016（51）：184-186.
[9]马晨，江忻杰.沪市低市盈率股的β系数研究[J].科协论坛，2008（12）：109-110.
[10]游郭融，吴宏旭.我国创业板股票定价实证研究——基于市场溢价、规模溢价、价值溢价和流动性溢价四因子模型[J].郑州轻工业学院学报（社会科学版），2016（6）：64-72.
[11]马健健.六因素模型与阿尔法——基于沪深股市的实证研究[J].郑州航空工业管理学院学报，2017（06）：90-102.
[12]常媛媛.基于三因素资本资产定价模型的我国上市银行股收益研究[D].济南：山东大学，2011.
[责任编辑：郑笔耕]