为什么股票与股票之间的回报会不一样？其决定因素是什么？像这种涉及股票回报横切面的问题,是现代金融研究的基础性问题,也是金融资产定价领域的核心问题之一。但从上世纪80年代以来,研究者们发现股票回报在横切面上的变化呈现出了很多异常的现象,基于传统的风险-回报理论(例如CAPM)根本无法解释,其中最为突出的有规模异象、价值异象和动量异象等。这些异常现象的背后隐藏着复杂的微观机理,给现代资产定价理论的解释构成了很大的挑战。　　Campbell和Vuolteenaho(2004)[1]的开创性研究则为这些市场异象的解释开辟出了新的思路。他们在ICAPM基础上发展出了一个"坏β"、"好β"资产定价模型,并且发现这个模型能够很好地解释著名的规模异象和价值异象,甚至对股票回报横切面的解释能力也高达50％。　　这是一个很有竞争力的理论资产定价模型,因为传统的CAPM不但不能解释市场异象,而且对股票回报横切面的解释能力也不及10％。但本文在研究Campbell和Vuolteenaho(2004)[1]的方法时,却发现其结果存在很强的样本敏感性问题,即当其用VAR模型来分解市场信息的时候,只有在估计样本中包括了1929、1930和1931三年的数据,上世纪60年代以后的价值异象才能很好地被解释。　　本文提出了基于市场的经验方法来检验这种样本敏感性问题的理论合理性。结果显示,前面样本敏感性问题不具备金融理论上的合理性,从而Campbell和Vuolteenaho(2004)[1]经验发现的可靠性是值得怀疑的。本文进一步的研究结果显示,Campbell和Vuolteenaho(2004)[1]基于VAR信息分解方法的"坏β"、"好β"资产定价模型也不能很好地解释股票回报的横切面,与CAPM相比,并无优势。　　"坏β"、"好β"资产定价模型是在ICAPM基础上发展起来的一个均衡资产定价模型,具有很好的微观基础和经济直觉,但其应用需要结合一个独立的市场信息分解框架,如果信息分解的效果不好,也会严重影响模型本身的解释能力。所以本文为了检验这个模型在金融市场中的真实表现,在第五章提出了一个新的信息分解框架,即用了基于市场的状态空间模型信息测度方法检验了"坏β"、"好β"资产定价模型对股票回报横切面的解释能力。这种方法避开了之前富有争议的VAR模型信息分解方法,尝试着直接从金融市场中寻找证据。　　结果显示,"坏β"、"好β"资产定价模型对股票回报横切面的解释能力接近30％,这比Campbell和Vuolteenaho(2004)[1]报告的50％要低,但明显优于传统的CAPM。　　这个结果表明,Campbell和Vuolteenaho(2004)[1]所报告的"坏β"、"好β"资产定价模型对股票回报横切面的高解释能力是没有市场支撑的。尽管如此,基于市场的状态空间模型信息分解方法重塑了这个资产定价模型相对CAPM的优越性。　　因为基于市场的状态空间模型信息测度方法不存在样本敏感性问题,所以这种信息分解框架为"坏β"、"好β"资产定价理论在金融市场中的应用铺平了道路。但这个方法中有关市场预期回报的表达式是在"坏β"、"好β"资产定价模型的理论框架中推导出来的,所以继承了这个模型的同方差假定,即假设市场组合回报的方差是固定不变的。这个假设与市场经验不符,因为现实市场中存在很多随机的影响因素,市场回报的方差是时变的。　　为了剔除这部分因素对市场信息分解的干扰,本文在第六章放松了这个假设,即用了基于市场的ICAPM信息测度方法检验了"坏β"、"好β"资产定价理论对规模异象和价值异象的真实解释能力。这种方法假设市场组合的方差服从EGARCH过程,并且在市场信息分解框架中引入了联合估计的两因素EGARCH-M方程系统,即Two-factor-MA(1)-EGARCH(1,1)-M模型。　　结果显示,"坏β"、"好β"资产定价理论对规模异象有很好的解释能力,但不能同时解释规模异象和价值异象。这一经验发现澄清了Chen和Zhao(2009)[3]、Engsted等人(2010)[4]和Campbell等人(2010a[5],b[6])等研究对Campbell和Vuolteenaho(2004)[1]经验发现可靠性的争论,让在避开了VAR信息分解模型状态变量选择不确定性问题及其样本敏感性问题的情况下,厘清了"坏β"、"好β"资产定价理论在市场中的真实表现。当然,本研究也在一定程度上重朔了"坏β"、"好β"资产定价理论在解释规模异象方面相比传统CAPM的优越性。