《Borsa Istanbul Review》：Prospect Theory in Multi-factor Models: A Comparison Between Chinese A- and B-share Markets
编辑推荐：
本研究考察了中国股票市场中前景理论（PT）的多因子模型。基于2000年1月至2022年12月期间所有A股和B股股票，研究人员开发了一个新的行为资产定价框架，该框架通过引入基于PT的组成部分来增强标准因子模型。研究人员的分析揭示如下：首先，PT值（PTV）因子与
本研究考察了中国股票市场中前景理论（PT）的多因子模型。基于2000年1月至2022年12月期间所有A股和B股股票，研究人员开发了一个新的行为资产定价框架，该框架通过引入基于PT的组成部分来增强标准因子模型。研究人员的分析揭示如下：首先，PT值（PTV）因子与A股市场的股票收益呈显著负相关，而与B股市场的股票收益则无显著相关。其次，即使在基线规范的基础上添加额外风险因子和彩票型控制变量后，PTV因子对A股市场股票收益的影响仍然显著。第三，经济政策不确定性（EPU）被视为一种不可交易的宏观经济状态变量，并调节了PTV与股票收益之间的关系。最后，扩展的行为资产定价规范比传统资产定价模型展现出更强的解释力。本研究通过为中国A股和B股市场提供新的证据，对现有文献做出了贡献。
**论文解读文章**
**研究背景与问题**
传统资产定价模型，尤其是Fama-French五因子模型（FF5），在发达市场（如美国）得到充分验证，但其在中国股票市场的适用性仍存疑虑。中国市场的特点是高散户参与度叠加频繁的监管干预，这些特征加剧了市场异象并提升了经济政策不确定性（EPU），可能削弱纯粹基于风险的模型（如FF5）的解释力（Baker et al., 2016）。在此背景下，一个核心问题浮现：在中国市场环境下，行为定价框架能否在经典风险基准之上提供额外的解释力？
前景理论（PT）为解答此问题提供了有用的行为基础。与传统的期望效用理论不同，PT表明投资者并非仅依据最终财富水平评估结果，而是相对于参考点评估盈亏，表现出损失厌恶，并以扭曲概率的方式对待风险，使得低概率、高收益的彩票型股票更具吸引力（Barberis and Huang, 2008; Bali et al., 2011）。基于此，本研究构建了一个全市场范围内的PT值（PTV）因子，并将其整合进扩展的定价框架中。由于中国A股市场具有散户主导、短视交易、动量交易和羊群效应等特征，PT相关偏好的定价相关性在此更为显著。
中国独特的双市场结构提供了天然的经验对比：A股主要由国内散户持有，换手率高，需求驱动型交易强，偏离基本面程度大（Xiong et al., 2023）；B股则主要吸引国际机构投资者，采用基本面分析和更长投资期限（Doukas and Wang, 2013）。基于这些结构性差异，研究者提出四个假设：第一，PTV因子在A股中的定价相关性应强于B股；第二，A股中PT效应在控制五因子后仍保持稳健，而B股效应则较弱或有条件依赖；第三，EPU通过交互项调节PT效应的强度；第四，包含偏好驱动因子的六因子模型应产生比FF5基准更低的定价误差和更高的解释力，通过Gibbons, Ross and Shanken（GRS）检验和调整后的判定系数（）进行评估。
**研究内容与结论**
该研究发表在《Borsa Istanbul Review》。研究者利用2000年1月至2022年12月（A股）及2004年1月至2022年12月（B股）的全部A、B股月度数据，构建了一个基于PTV的交易因子——更差减更好（WMB）因子，并在FF5框架基础上建立了六因子行为资产定价模型。通过组合排序、时间序列因子回归及Fama-MacBeth截面检验，研究人员得出以下结论：PTV因子与A股收益显著负相关，而与B股收益无显著相关性；PTV效应在控制额外风险因子和彩票型控制变量（如MAX、TVOL、IVOL、SKEW）后仍在A股中保持稳健；EPU作为宏观经济状态变量调节PTV与收益的关系；扩展的六因子模型在解释力上显著优于传统资产定价模型。
**关键技术与方法（不超过250字）**
研究数据来源于Wind（主要来源）并交叉核对Yahoo Finance，样本涵盖上海和深圳交易所的A股和B股股票。核心方法包括：(1) 利用Tversky和Kahneman（1992）的参数（α=0.88, λ=2.25, γ=0.61, δ=0.69），基于60个月滚动窗口的月度超额收益计算个体股票的PTV；(2) 采用Fama-French（2015）的2×3独立排序法构建因子：规模因子（SMB）、价值因子（HML）、盈利因子（RMW）、投资因子（CMA）以及基于PTV的WMB因子（低PTV组合减高PTV组合）；(3) 使用Fama-MacBeth（1973）截面回归检验PTV与后续收益的关系；(4) 运用GRS统计量对比不同定价模型（如CAPM、FF3、FF5、六因子模型）的解释力；(5) 引入EPU指数（Baker et al., 2016）的月度变化作为调节变量，通过交互项分析其影响。样本中排除了IPO后前六个月、ST/***ST/**PT公司、金融企业、负权益账面值公司以及每月市值最低30%的股票（为减少壳价值污染），并在稳健性检验中重新估计。
**研究结果**
**4.1 描述性统计、相关性与多重共线性诊断**
通过描述性统计（表3）和相关性矩阵（表4）展示A、B股市场各变量分布特征。A股中PTV与后续收益呈-0.0525的负相关，B股中为-0.0692。方差膨胀因子（VIF）检验（表5）显示所有变量VIF值低于常规阈值，表明不存在严重多重共线性问题。
**4.2 分组检验（Group Test）**
采用规模-PTV交叉分组法。**A股市场（表6）**：高PTV组合在后续月份获得更低收益，Better-Worse（B-W）利差在小盘股中达-1.08%每月，大盘股中仍为-0.16%，表明PTV效应在散户主导的A股中普遍存在，且小盘股最强。**B股市场（表7）**：B-W利差绝对值小且符号不一致，无稳定负相关，与机构主导、套利更有效的环境一致。换手率-PTV交叉分组（表8）进一步显示，A股中高换手率组合的负利差最大（-1.88%），而B股中模式弱且不稳定。
**4.3 Fama-MacBeth回归（Fama-MacBeth Regression）**
**4.3.1 基准回归**
A股（表9）：PTV系数在所有规范中均显著为负（如模型(4)中系数-0.0473，t=-3.14），支持假设1和2a。B股（表10）：PTV系数小且不显著（如模型(4)中系数-0.0185，t=-0.91），仅换手率显著，支持假设2b。
**4.3.2 PTV与彩票型特征**
通过排序和Spearman相关分析，A股中高PTV股票具有更高MAX、TVOL、IVOL和SKEW（表11-12）。在回归中加入彩票型代理变量（MAX、TVOL、IVOL、SKEW）后（表13），A股中PTV系数仍显著为负（如-0.0475，t=-3.249），说明PTV捕捉到超越彩票异象的增量定价信息。B股中（表14）PTV系数仍不显著。子时期稳健性检验（表15）进一步确认B股效果在稳定制度期（如2017-2022）仍不显著。
**4.3.3 基于中国数据重估参数的检验**
通过调整概率加权参数γ（Tversky和Kahneman的0.61，Wu和Gonzalez的0.71等）重新计算PTV后（表16），A股中PTV系数仍显著为负，B股中仍不显著，证明结果对参数设定稳健。
**5.3 回归结果（Regression Results）**
基于25个规模-PTV组合的因子回归（表20），WMB因子负载多数组合中显著为负，特别是在高PTV小盘股组合中（如小市值-PTV5组合负载-0.1647*至-0.4611***），表明PTV被定价为负溢价。MKT、SMB、HML显著，而RMW和CMA显著性有限，符合新兴市场特征。
**5.4 EPU的调节效应（Moderating Effect of EPU）**
在六因子模型中加入WMB×EPU交互项（表21），高PTV组合（尤其是中小盘股）的交互项系数显著（如小市值-PTV2组合系数-0.1698**），表明EPU越高，PTV的负定价效应越强，低PTV组合无显著调节，支持假设3。
**5.5 不同资产定价模型的GRS检验（GRS Tests）**
对比CAPM、FF3、FF5及六因子模型（表23），对25个规模-账面市值比组合、规模-盈利组合和规模-投资组合，六因子模型的GRS统计量最低（如规模-BM组合GRS=4.393*），平均绝对alpha（A||）最小（0.0014），调整R2最高（0.870），显著优于其他模型，支持假设4。
**讨论与结论**
讨论部分总结了实际含义：六因子模型更适合评估中国A股表现；投资者应监控WMB暴露和EPU水平以管理风险；政策制定者应通过清晰预料通信和深化融券市场缓解定价扭曲。同时指出局限性：PT参数基于西方实验证据，可能不适用于中国投资者；证据局限于中国市场；月度分析和总收益忽视了交易成本。
**研究结论（翻译）**：本研究考察了在标准因子框架中加入基于PTV的因子是否能提高中国市场的资产定价表现。研究人员通过从滚动收益分布中计算PTV并构建交易因子WMB，将其纳入扩展的FF5框架中。通过对A、B股市场的组合排序、时间序列因子回归和Fama-MacBeth截面检验，结果一致表明，纳入PTV相关定价成分相对于经典基准带来了有意义的解释力提升。证据在统一框架内支持逐假设评估：与假设1一致，PTV定价效应在A股中显著强于B股；与假设2一致，A股中PTV效应在控制B/M、换手率、动量及彩票型特征后仍稳健，而B股中PTV效应在加入这些控制后减弱；与假设3一致，EPU调节PTV定价：WMB×EPU交互项在高PTV组合中统计显著；最后，与假设4一致，六因子模型优于FF5，表现为更低的GRS统计量、更小的平均|α|和更高的调整R2。这些发现表明，PTV因子捕捉了在散户参与度高且套利有限的市场中特别相关的系统性定价成分。
