随机贴现因子统一框架

% !TeX root = ../Investment.tex \chapter{随机贴现因子统一框架}

引子：一条主线

读到这里，读者已经学过第三章的均值--方差组合、第四章 CAPM、第五章 APT、第九章债券贴现、第十五章期权风险中性定价。它们看起来像几套不同工具：组合理论讲风险和收益，CAPM 讲市场贝塔，APT 讲多因子，债券讲期限结构，期权讲风险中性概率。本章要说明的是：这些工具背后有一条共同主线。任何资产今天的价格，都可以写成 \[ P_t=E_t[M_{t+1}X_{t+1}], \] 其中 \(P_t\) 是今天价格，\(X_{t+1}\) 是下一期现金流，\(M_{t+1}\) 是随机贴现因子（SDF，也称定价核）。这条式子的经济含义很直接：未来现金流不能只看平均数，还要看它发生在什么状态；坏时光的一元钱，比好时光的一元钱更值钱。

本章不是再增加一个孤立模型，而是把前面的模型连起来。CAPM 是对 \(M_{t+1}\) 的一种线性假设，APT 是对 \(M_{t+1}\) 的多因子近似，风险中性定价是把 \(M_{t+1}\) 吸收到概率测度里，债券期限结构则由跨期的 \(M\) 决定。只要掌握这条主线，前面看似分散的资产定价公式会变成同一个逻辑链条。

前文按照投资学教材习惯，用 \(R_i\) 表示资产 \(i\) 的收益率，用 \(R_f\) 表示无风险收益率，用 \(R_m\) 表示市场组合收益率。为避免与市场组合下标 \(m\) 混淆，本章把随机贴现因子统一记为大写 \(M_{t+1}\)，不使用小写 \(m\)。严格推导中，\(R_{i,t+1}=X_{i,t+1}/P_{i,t}\) 表示总收益；如果前文章节用的是净收益 \(r_i\)，则有 \(R_i=1+r_i\)。在百分比算例中，可按教材习惯近似理解为收益率。另需注意，本章效用问题中的 \(\beta\) 是主观贴现因子；后文 \(\beta_{i,M}\)、\(\beta_{i,k}\) 则是风险暴露，二者含义不同。

资产的价格等于未来现金流按状态价值加权后的现值。SDF \(M\) 就是这组状态价值的压缩表达。一个资产是否有高预期收益，关键不是它波动大不大，而是它是否在 \(M\) 高的坏状态下亏钱。本章从这一直觉出发，先建立基本方程与状态价格，再讨论无套利和风险中性测度，然后把 CAPM、APT、均值--方差前沿统一进来，再用 HJ 界把抽象的 \(M\) 接到可观测数据，最后把同一个 \(M\) 用到期权、债券、流动性与信用，并落到实证检验与监管法治。阅读本章时，可以始终把问题集中在一点：眼前这套公式，本质上是 \(P=E[MX]\) 对 \(M\) 施加了什么结构？

定价方程

资产定价的核心，可以浓缩成一句话：今天值多少钱，取决于未来在各种状态下能拿到多少、以及那些状态对投资者有多重要。本节先从一个基本的两期投资选择出发，把这句话写成公式 \(P=E[MX]\)；再从中读出无风险利率、风险溢价；最后换一个等价的视角——状态价格——说明 SDF 不是人为引入的孤立变量，而是“状态价格除以真实概率”。这两条路径共同构成本章其余内容的基础。

从欧拉方程到 SDF

先从基本的投资选择出发。设投资者在 \(t\) 期有财富 \(W_t\)，可以消费 \(c_t\)，也可以买入数量 \(\xi\) 的某资产。该资产今天价格为 \(P_t\)，下一期支付为 \(X_{t+1}\)。投资者的两期问题可以写为 \[ \max_{\xi}\quad u(c_t)+\beta E_t[u(c_{t+1})], \] 预算约束为 \[ c_t=W_t-\xi P_t,\qquad c_{t+1}=Y_{t+1}+\xi X_{t+1}, \] 其中 \(Y_{t+1}\) 是下一期非资产收入，\(\beta\) 是主观贴现因子。现在让投资者多买一点资产，即 \(\xi\) 增加一个很小量：今天要少消费 \(P_t\)，损失的边际效用是 \(P_tu'(c_t)\)；下一期会多得到随机支付 \(X_{t+1}\)，增加的期望边际效用是 \(\beta E_t[u'(c_{t+1})X_{t+1}]\)。最优时，边际成本等于边际收益，于是得到欧拉方程： \begin{equation}\label{eq:sdf:euler} P_t\,u'(c_t)=E_t\!\left[\beta u'(c_{t+1})X_{t+1}\right]. \end{equation} 两边除以 \(u'(c_t)\)，定义随机贴现因子 \begin{equation}\label{eq:sdf:m} M_{t+1} \equiv \beta\,\frac{u'(c_{t+1})}{u'(c_t)}, \end{equation} 就得到基本定价方程 \begin{equation}\label{eq:sdf:basic} P_t=E_t\!\left[M_{t+1}X_{t+1}\right]. \end{equation} \(M_{t+1}\) 的经济含义很直接：它是下一期边际效用相对今天边际效用的贴现比率。若下一期是坏时光，消费 \(c_{t+1}\) 低，边际效用 \(u'(c_{t+1})\) 高，\(M_{t+1}\) 就高；若下一期是好时光，消费充裕，边际效用低，\(M_{t+1}\) 就低。在代表性投资者或均衡加总的语境下，这个边际效用比率就成为市场层面的定价核；若投资者异质，则可把它理解为对不同投资者边际效用加总后的状态价格表达。因此，资产定价的核心不是“平均支付是多少”，而是“支付发生在什么状态”。

无风险利率与风险溢价

有了基本方程，前文熟悉的那些量都能一步一步读出来。对总收益 \(R_{i,t+1}=X_{i,t+1}/P_{i,t}\)，把 （见上文） 两边除以 \(P_{i,t}\)，得到 \begin{equation}\label{eq:sdf:return} 1=E_t[M_{t+1}R_{i,t+1}]. \end{equation} 对无风险资产，下一期总收益 \(R_{f,t}\) 在 \(t\) 期已经确定，因此 \begin{equation}\label{eq:sdf:rf} 1=R_{f,t}E_t[M_{t+1}],\qquad R_{f,t}=\frac{1}{E_t[M_{t+1}]}. \end{equation} 也就是说，SDF 的条件期望决定无风险折现率。再由 \[ E_t[M_{t+1}R_{i,t+1}] =E_t[M_{t+1}]E_t[R_{i,t+1}] +\mathrm{Cov}_t(M_{t+1},R_{i,t+1}) \] 和 \(1=E_t[M_{t+1}R_{i,t+1}]\)，可推出风险溢价公式： \begin{equation}\label{eq:sdf:premium} E_t[R_{i,t+1}]-R_{f,t} =-\,R_{f,t}\,\mathrm{Cov}_t(M_{t+1},R_{i,t+1}). \end{equation} 这一步很重要：资产的风险溢价不是由总波动决定，而是由它与 \(M_{t+1}\) 的协方差决定。若资产在坏时光（\(M\) 高）下跌，则 \(\mathrm{Cov}(M,R_i)<0\)，右边为正，投资者要求正风险溢价；若资产在坏时光上涨，像保险一样提供保护，则 \(\mathrm{Cov}(M,R_i)>0\)，它可以有较低甚至低于无风险资产的预期收益。

状态价格

上面是从效用最大化“自上而下”得到 \(M\)。还有一条“自下而上”的路径，能让 SDF 的来历更具体：从市场上买卖的最基本构件——状态价格——出发。假设下一期只有 \(S\) 个状态，状态 \(s\) 的真实概率为 \(\pi_s\)。若有一种 Arrow-Debreu 证券在状态 \(s\) 支付 1 元、其他状态支付 0 元，它今天的价格记为 \(q_s\)。任意资产的未来现金流向量为 \(X=(X_1,\ldots,X_S)\)，若市场不存在套利，它的价格应等于各状态现金流按状态价格加权： \begin{equation}\label{eq:sdf:stateprice} P=\sum_{s=1}^{S}q_s X_s. \end{equation} 把 \(q_s\) 写成真实概率乘以某个权重： \[ q_s=\pi_s M_s, \] 代入 （见上文），得到 \[ P=\sum_{s=1}^{S}\pi_s M_sX_s=E[MX]. \] 因此，SDF 不是任意设定的抽象变量，而是状态价格除以真实概率： \begin{equation}\label{eq:sdf:state-to-sdf} M_s=\frac{q_s}{\pi_s}. \end{equation} 若某个状态非常不利，投资者非常需要该状态的一元支付，那么状态价格 \(q_s\) 会高；即使真实概率 \(\pi_s\) 不大，对应的 \(M_s\) 也会很高。

状态价格还让一价定律变得直观：若两组资产在每个未来状态的现金流完全相同，它们今天价格必须相同，否则就能买便宜的、卖贵的，构造无风险套利。无套利定价、风险中性定价和 SDF 框架，本质上都是一价定律在不确定世界中的不同表达。下一节就把这条线索接到无套利定理和风险中性测度上。

无套利定价

上一节末尾已经看到，SDF、状态价格和一价定律是同一套价格约束的不同写法。本节进一步说明两点：第一，在有限状态、有限资产的一期模型中，SDF 框架与“无套利”存在等价关系——存在一个正的 \(M\) 当且仅当市场无套利，这把全书反复使用的无套利定价提升为一个统一的存在性定理；第二，沿着状态价格自然过渡到风险中性概率，说明第十五章期权使用的风险中性定价，并不是另一套理论，而是 \(P=E[MX]\) 的重写。

无套利与正的 SDF

SDF 框架的重要含义，是它与无套利的等价。在有限状态、有限资产的一期模型中，资产定价基本定理指出：市场无套利，当且仅当存在一个严格为正的随机贴现因子 \(M>0\)，使所有资产满足 \[ P=E[MX]. \] 若再加上市场完全，这个 \(M\) 唯一。直觉是：\(M>0\) 使正现金流资产对应正价格，从而排除了“零成本、无风险、正收益”的套利。这把第五章、十三章、十五章反复使用的无套利定价，提升为一个统一的存在性定理。

风险中性概率

状态价格能非常清楚地推出风险中性概率。无风险资产在每个状态都支付 1 元，因此 \[ \frac{1}{R_f}=\sum_{s=1}^{S}q_s. \] 定义 \begin{equation}\label{eq:sdf:qprob} \pi_s^{Q}\equiv R_f q_s. \end{equation} 由于 \(\sum_s q_s=1/R_f\)，所以 \(\sum_s \pi_s^{Q}=1\)，它确实是一组概率。于是任意资产价格可写为 \[ P=\sum_s q_sX_s =\frac{1}{R_f}\sum_s \pi_s^{Q}X_s =\frac{1}{R_f}E^{Q}[X]. \] 这就是风险中性定价：在风险中性概率 \(Q\) 下，资产价格等于未来现金流的期望再按无风险收益折现。

再把 \(q_s=\pi_s M_s\) 代入 （见上文），可得 \[ \pi_s^{Q}=R_f\pi_s M_s,\qquad M_s=\frac{1}{R_f}\frac{\pi_s^{Q}}{\pi_s}. \] 这说明风险中性概率不是主观概率，也不是现实概率，而是真实概率经过 SDF 调整后的定价概率。坏状态的 \(M_s\) 高，所以坏状态在风险中性概率中的权重通常高于真实概率。

四种语言

回到一个更基础的问题：衍生品或任意新资产的价格从何而来？定价大体分两类。绝对定价直接对未来现金流按其风险贴现，消费模型给出的 \(M\) 就是一种绝对定价：它经济含义清楚，却要求知道现金流分布和正确的贴现率，实践中估计难度较高。相对定价换一个思路：不直接回答“风险该值多少钱”，而是利用市场上已经在交易的资产，把新资产相对它们定价——远期、期货、期权乃至 Black--Scholes 都属于相对定价。相对定价常从复制、状态价格与风险中性三条路径进入；SDF 则把这三条路径统一到 \(P=E[MX]\) 这一表达中。下面用一个两状态的例子，先计算三种相对定价，再说明它们与 SDF 是同一套价格关系的四种语言。

测度变换

到这里可以把上面的离散公式提炼成一般形式。所谓测度变换，做的是：把“坏状态更值钱”的风险修正，从随机贴现因子 \(M\) 转移到概率权重中。原本我们用真实概率 \(\mathbb{P}\) 算期望，再乘以一个会随状态变化的 \(M\) 来折现；现在换一种记账方式，把 \(M\) 中“给坏状态加权”的部分并入概率，形成一组新概率 \(\mathbb{Q}\)，剩下的折现就是一个不随状态变化的无风险因子。风险偏好没有消失，只是被吸收到风险中性概率中。

形式上，用连续状态或一般随机变量表示，真实概率测度记为 \(\mathbb{P}\)，风险中性测度记为 \(\mathbb{Q}\)。这种改写在数学上就是给真实概率乘上一个权重函数，把它改写成新概率；这个权重正比于 \(M\)，再除以 \(E[M]\) 使新概率加总为一。由上面的离散状态公式得到 \begin{equation}\label{eq:sdf:rn} \frac{d\mathbb{Q}}{d\mathbb{P}} =\frac{M}{E[M]} =R_f M. \end{equation} 这正是“把 \(M\) 归一化成概率”的密度比（Radon-Nikodym 导数）。则定价方程可改写为 \begin{equation}\label{eq:sdf:rn2} P=E^{\mathbb{P}}[M X] =\frac{1}{R_f}E^{\mathbb{Q}}[X]. \end{equation} 若连续复利无风险利率为 \(r\)，则 \(1/R_f=e^{-r}\)，等价写作 \[ P=e^{-r}E^{\mathbb{Q}}[X],\qquad M=e^{-r}\frac{d\mathbb{Q}}{d\mathbb{P}}. \] 这正是第十五章期权定价使用的风险中性定价公式。它不是另一套理论，而是基本方程 \(P=E[MX]\) 的重写：把风险修正从 \(M\) 中转移到概率 \(\mathbb{Q}\) 中。

市场不完全

若市场完全，每一种未来状态都能被资产组合精确复制，状态价格唯一，SDF 也唯一。但现实市场通常不完全：未来状态很多，可交易资产有限，许多风险不能被完全复制。此时，只要没有套利，可能存在多个正的 SDF 都能给现有资产定价。它们在可交易现金流张成的空间上给出相同价格，但在不可交易风险上不同。

这点对实务很重要。一个衍生品若能用标的资产动态复制，价格可由无套利唯一确定；若不能复制，例如复杂信用产品、天气衍生品、流动性很差的结构化产品，模型选择就会进入定价。不同模型相当于选择不同的 SDF，对尾部状态赋予不同权重。因此，“无套利”给出的是定价边界和一致性要求，不总能给出唯一价格；当市场不完全时，风险偏好、资本约束、模型假设和流动性都会影响价格。这一观察也为本章末尾的模型法治埋下伏笔：模型选择本身就是一种被监管关注的风险。

统一框架

建立基本方程之后，本章关键的“统一”开始展开。前面的 \(P=E[MX]\) 没有对 \(M\) 的具体形式作任何假设；一旦给 \(M\) 施加不同结构，就分别得到 CAPM、APT 和多因子模型。本节先把风险溢价公式翻译成前文熟悉的“贝塔乘以风险价格”，再分别推出 CAPM 与 APT，用一张表把全书理论收成总纲，最后说明 SDF 框架与第三章的均值--方差前沿其实是同一几何结构的两面。

SDF 与贝塔

把 （见上文） 改写成前文熟悉的“贝塔乘以风险价格”形式。定义 \begin{equation}\label{eq:sdf:beta} \beta_{i,M} =\frac{\mathrm{Cov}(R_i,M)}{\mathrm{Var}(M)},\qquad \lambda_M=-R_f\,\mathrm{Var}(M), \end{equation} 则 \begin{equation}\label{eq:sdf:beta2} E[R_i]-R_f=\beta_{i,M}\lambda_M. \end{equation} 这与第四章 CAPM、第五章 APT 的形式一致：预期超额收益等于风险暴露乘以风险价格。这里的风险源是 \(M\) 本身，而且 \(\lambda_M<0\)。这看似奇怪，其实很合理：与 \(M\) 正相关的资产在坏时光支付高，像保险，风险溢价应当低；与 \(M\) 负相关的资产在坏时光支付低，需要正补偿。这也不与 CAPM 中通常为正的市场风险价格矛盾，因为市场收益 \(R_m\) 与 \(M\) 往往负相关；风险源从“市场收益”换成“坏时光定价核”时，符号自然反过来。

推出 CAPM

第四章 CAPM 的核心结论是 \[ E[R_i]-R_f=\beta_i(E[R_m]-R_f), \qquad \beta_i=\frac{\mathrm{Cov}(R_i,R_m)}{\mathrm{Var}(R_m)}. \] 现在用 SDF 推一遍。若在均值--方差有效的世界中，SDF 可以写成市场组合收益的线性函数 \[ M=a-bR_m,\qquad b>0. \] 由 （见上文）， \[ E[R_i]-R_f =-R_f\mathrm{Cov}(a-bR_m,R_i) =R_f b\,\mathrm{Cov}(R_m,R_i). \] 对市场组合本身同样有 \[ E[R_m]-R_f =R_f b\,\mathrm{Var}(R_m). \] 两式相除，得到 \[ E[R_i]-R_f =\frac{\mathrm{Cov}(R_i,R_m)}{\mathrm{Var}(R_m)} \bigl(E[R_m]-R_f\bigr), \] 这正是 CAPM。也就是说，CAPM 的深层假设不是“贝塔自然决定收益”，而是 \(M\) 可以由市场组合收益线性表示。

推出 APT

为什么可以把 \(M\) 写成多因子的线性函数？直觉上，市场组合只是“坏时光”的一个代理变量；现实里让投资者边际效用升高的坏状态不止一种——经济衰退、流动性枯竭、通胀飙升、信用收缩，可能各自需要一个状态变量来刻画。当单一市场收益不足以概括所有坏状态时，自然要让 \(M\) 同时随多个因子变动，每个因子捕捉一类坏时光风险。这正是从 CAPM 走向 APT 的经济动机：把“坏时光”从一维拓展到多维。

形式上要先说清因子的符号约定。若 \(F_k\) 表示可交易因子收益，数值高通常对应风险资产表现较好、边际效用较低的状态，因此常写成 \[ M=a-b_1F_1-\cdots-b_KF_K. \] 代入风险溢价公式可得 \[ E[R_i]-R_f =R_f\sum_{k=1}^{K}b_k\,\mathrm{Cov}(R_i,F_k). \] 若某个因子被定义为“坏状态指标”（数值越高表示衰退、流动性紧张或违约风险越高），上式中对应系数符号就应反过来；重要的不是机械记正负号，而是保持“资产在 \(M\) 高的状态亏钱，需要更高补偿”这一经济方向。把因子正交化，或用多元投影定义 \(\beta_{i,k}\)，并把因子协方差矩阵吸收到风险价格 \(\lambda_k\) 中，就得到第五章 APT 的形式： \[ E[R_i]-R_f=\sum_{k=1}^{K}\beta_{i,k}\lambda_k. \] 因此，APT、多因子模型、Fama-French 模型都可以理解为：用一组可观测因子近似不可观测的 \(M\)，并用因子暴露与风险价格解释横截面平均收益。

>{\arraybackslash}p{0.26\linewidth}>{\arraybackslash}p{0.40\linewidth}>{\arraybackslash}p{0.24\linewidth}@{}} 模型	对 SDF \(M\) 的假设	所在章节
CAPM	\(M=a-bR_m\)	第四章
APT / 多因子	\(M=a-\sum_k b_kF_k\)	第五章
CCAPM	\(M=\beta u'(c_{t+1})/u'(c_t)\)	本章
风险中性定价	把 \(M\) 吸收进测度 \(\mathbb{Q}\)，属于等价改写	第十五章
债券定价	多期 \(M\) 决定贴现与期限结构	第九章

表 （见上文） 是全书理论部分的总纲：所有看似独立的定价模型，都是同一个 \(P=E[MX]\) 在对 \(M\) 施加不同结构后的产物。

与均值--方差前沿同构

第三章的均值--方差前沿看起来是组合选择问题，本章的 SDF 看起来是定价问题，但二者其实是同一几何结构的两面。若所有资产都满足 \(1=E[MR_i]\)，则任意组合也满足 \(1=E[MR_p]\)。风险资产的高预期收益，来自它在高 \(M\) 状态（坏时光）表现差；能在高 \(M\) 状态支付更多的资产，则像保险一样昂贵、预期收益低。

在均值--方差图中，最优组合由风险偏好和投资机会集决定；在 SDF 图中，所有定价信息由 \(M\) 对各状态现金流的权重决定。CAPM 之所以能用市场组合解释预期收益，是因为在均值--方差有效的世界里，SDF 可以写成市场收益的线性函数。若市场组合不是均值--方差有效，或投资者面对非正态、尾部风险、流动性约束和异质信念，仅用市场贝塔就不够，需要多因子 SDF 或更复杂的定价核。

在市场不完全时，满足 \(E[MR]=1\) 的 SDF 可能不唯一。不同 \(M\) 对不可交易风险的定价不同，但对可交易资产给出的价格相同。为了比较模型，研究者常关注最小方差 SDF：在所有能够给检验资产定价的 SDF 中，方差最小的那个。它代表了由现有资产收益能够识别出的最小风险价格波动，恰好对应均值--方差前沿上的切点信息；在下一节的 Hansen-Jagannathan 界中，它也对应让不等式最紧、最接近边界的那个定价核。

HJ 界与溢价谜

到目前为止，\(M\) 仍是一个理论对象。本节引入可以直接面对数据的 Hansen-Jagannathan 界（1991）：市场上能实现的最高夏普比率，受到 SDF “变异系数”的约束。这个界把抽象的 \(M\) 和可观测的夏普比率连在一起。随后把这一约束用于标准消费模型，就引出宏观金融中非常重要的难题——股权溢价之谜；这一难题推动了习惯形成、长期风险、罕见灾难等一系列模型的发展，本节后半逐一展开。

HJ 界

先看直觉。HJ 界的关键，是一句初等不等式：两个随机变量的协方差，不可能超过它们各自标准差的乘积。写成相关系数就是 \(\mathrm{Cov}(M,R^e)=\rho\,\sigma(M)\sigma(R^e)\)，且 \(|\rho|\le1\)。把这个约束用于定价条件 \(0=E[MR^e]\)，就能反推出“\(M\) 需要足够波动”。推导只有两步。

第一步，从定价约束读出协方差。对任意超额收益 \(R^e\)（多空组合，价格为零），由 \(0=E[MR^e]\) 得 \(E[M]E[R^e]+\mathrm{Cov}(M,R^e)=0\)，即 \[ \mathrm{Cov}(M,R^e)=-E[M]\,E[R^e]. \] 第二步，用柯西--施瓦茨夹住协方差。因为 \(|\mathrm{Cov}(M,R^e)|\le \sigma(M)\sigma(R^e)\)，把第一步代入得 \(E[M]\,|E[R^e]|\le \sigma(M)\sigma(R^e)\)，两边同除以 \(E[M]\sigma(R^e)\)，就得到Hansen-Jagannathan 界： \begin{equation}\label{eq:sdf:hj} \frac{|E[R^e]|}{\sigma(R^e)} \;\le\; \frac{\sigma(M)}{E[M]}. \end{equation} 左边是任意资产（组合）能达到的夏普比率。于是 HJ 界说：市场上最高的夏普比率，被 SDF 的“变异系数” \(\sigma(M)/E[M]\) 从上方限定住。换句话说，要解释数据中观察到的高夏普比率，模型的 SDF 就需要足够波动（图 （见上文））。这一不等式把抽象的 \(M\) 与可观测的夏普比率直接连接起来，是检验任何资产定价模型的基本约束。

股权溢价之谜

把 HJ 界用到消费 SDF 上，就引出宏观金融中非常重要的难题。直觉上，消费 SDF 的波动来自消费增长的波动：风险厌恶 \(\gamma\) 越大，同样的消费起伏会让边际效用（也就是 \(M\)）放大得越厉害。对幂效用（CRRA，相对风险厌恶系数 \(\gamma\)），\(M=\beta(c_{t+1}/c_t)^{-\gamma}\)，把它对数线性化即可近似得到 \begin{equation}\label{eq:sdf:crra} \frac{\sigma(M)}{E[M]} \approx \gamma\,\sigma(\Delta\ln c), \end{equation} 即 SDF 的变异系数约等于风险厌恶系数乘以消费增长的波动率。代入 HJ 界 （见上文）： \[ \text{市场夏普比率} \;\lesssim\; \gamma\,\sigma(\Delta\ln c). \] 由此出现一个难题：美国股票市场的实际超额夏普比率很高，而人均实际消费增长波动率很低。用 1994--2025 年 SPY 复权收益、3 个月国库券利率和美国人均实际消费支出数据粗略测算，SPY 月度超额收益对应的年化夏普比率约为 0.59，人均实际消费增长的年化对数波动约为 2.2%。要让不等式成立，风险厌恶系数 \(\gamma\) 需要接近 27——仍远高于微观证据所支持的合理水平（个位数）。把这条不等式画成图形（图 （见上文））可以直观看到：模型可达的最大夏普比率随 \(\gamma\) 线性上升，交点处的 \(\gamma\) 已接近 27。这个现代月度样本的粗略测算，与 Mehra 与 Prescott（1985）使用更长历史样本得到的经典结论在数量级上是一致的：在合理风险厌恶下，标准消费模型难以解释股票为什么有这么高的超额收益。表 （见上文） 汇总了这一推理背后的常见数量级。

p{0.34\linewidth}p{0.24\linewidth}p{0.32\linewidth}@{}} 经验事实	典型数量级	对 SDF 的含义
美国股票市场夏普比率	约 0.4--0.6	要求 \(\sigma(M)/E[M]\) 至少达到相近量级
人均消费增长波动率	约 1%--2%	标准消费模型生成的 SDF 波动偏低
隐含风险厌恶系数 \(\gamma\)	常需 20 以上	与微观证据中的合理风险厌恶不匹配

习惯形成

标准 CCAPM 的问题在于消费太平滑，合理风险厌恶下难以生成足够波动的 SDF。宏观金融文献围绕这个问题发展出许多解释路径，下面选三条常见路径：习惯形成、长期风险和罕见灾难。它们的共同目标，是让坏时光中的边际效用更高、更波动，从而解释股权溢价、低无风险利率和资产价格波动。

习惯形成模型认为，投资者的效用不只取决于绝对消费 \(C_t\)，还取决于消费相对习惯水平 \(X_t\) 的剩余 \(C_t-X_t\)。当消费接近习惯水平时，投资者风险厌恶急剧上升；同样一单位消费下降，在平稳时期影响不大，在坏时光却非常痛苦。因此，边际效用在衰退时大幅上升，SDF 波动被放大。

这个思路的直觉很便于理解。一个收入稳定、生活富余的人，少消费一点影响有限；一个刚好维持房贷、教育和医疗支出的家庭，收入下降同样金额会造成更大痛苦。资产若在这种坏时光下跌，就通常需要给出更高风险溢价。Campbell 与 Cochrane（1999）正是用这一机制，让模型在合理参数下生成足够波动的 \(M\)。

长期风险

长期风险模型强调，消费增长中存在很小、很难即时观测、但非常持久的成分。短期看，消费增长波动不大；长期看，若投资者相信未来多年增长率略微下降，长期现金流资产的价值会显著变化。股票是长久期资产，对长期增长预期非常敏感，因此可以产生较高风险溢价。

Bansal-Yaron（2004）类型模型还常结合 Epstein-Zin 偏好，把风险厌恶与跨期替代弹性分开。这样，投资者既可以厌恶长期增长风险，又不必在无风险利率上产生与数据矛盾的预测。它说明，一个看似小的宏观风险，只要足够持久，就能对资产价格产生巨大影响。

罕见灾难

罕见灾难模型认为，平时样本中很少看到的极端经济崩溃、战争、金融危机或制度冲击，会显著影响资产价格。即使灾难概率很低，只要损失足够大，投资者也会要求股票提供高风险溢价。这个思路解释了为什么平稳样本中的消费波动看似不足以解释股权溢价：实际被定价的，可能是样本中很少发生但投资者始终担心的尾部风险。

罕见灾难模型的难点在于概率和损失幅度难以估计。若用历史中发生过的灾难校准，结果依赖样本选择；若用期权价格和信用利差反推灾难概率，又会受到市场情绪和流动性影响。它的价值在于提醒我们：资产价格反映的不只是已发生的平均波动，也反映未发生但被担心的极端状态。这一思路也与下一节将讨论的崩盘保险定价、波动率微笑紧密相连。表 （见上文） 把三条修补路径压缩成“如何提高 SDF 波动”的对照表。

>{\arraybackslash}p{0.2\linewidth}>{\arraybackslash}p{0.36\linewidth}>{\arraybackslash}p{0.34\linewidth}@{}} 模型路径	如何提高 SDF 波动	主要直觉
习惯形成	消费接近习惯水平时边际效用急升	坏时光更痛，投资者更厌恶在坏时光亏损
长期风险	持久增长率冲击影响长期现金流	微小但持久的增长变化可大幅改变股票价值
罕见灾难	小概率大损失提高尾部状态价格	投资者为灾难保险付出高价格

资产解释

同一个 \(M\) 不只给股票定价。本章前面建立的框架，可以原封不动地搬到期权、债券和带流动性、信用风险的资产上：定价逻辑始终是“现金流发生在 \(M\) 高还是 \(M\) 低的状态”。本节先看期权——风险中性概率正是被 \(M\) 调整过的定价概率，波动率微笑由此而来；再看零息债与期限结构——价格就是多期 \(M\) 的期望；最后把流动性和信用风险也纳入同一框架，说明利差中“坏时光风险”那一部分从何而来。

期权定价

第十五章介绍期权定价时，我们使用风险中性测度 \(\mathbb{Q}\)。本章可以给它更深解释：期权价格包含市场对不同未来状态的价格。尤其是虚值看跌期权，对市场崩盘状态非常敏感，因此期权隐含波动率和波动率微笑，提供了观察尾部状态价格的窗口。

许多初学者会误以为风险中性概率是市场认为某事件发生的现实概率。其实它是经过 SDF 调整后的定价概率。坏状态下边际效用高，状态价格高，因此风险中性概率会高估坏状态在价格中的权重。形式上， \[ M=e^{-r}\frac{d\mathbb{Q}}{d\mathbb{P}}, \] 其中 \(\mathbb{P}\) 是真实概率，\(\mathbb{Q}\) 是风险中性概率。若某个状态的 \(M\) 很高，该状态在 \(\mathbb{Q}\) 下的权重就高于真实概率。

这解释了为什么市场愿意为崩盘保险支付高价格。即使现实中的崩盘概率不高，崩盘发生时投资者财富和消费边际效用恶化，保险价值极高。因此，看跌期权价格中包含风险厌恶和尾部风险溢价，不能直接等同于现实崩盘概率。

波动率微笑与方差风险溢价

在 Black-Scholes 模型中，所有行权价的隐含波动率应相同。但现实中，虚值看跌期权隐含波动率通常更高，形成波动率偏斜。这说明市场对下跌状态赋予了更高价格，或者现实收益分布具有负偏度和厚尾，或者二者兼有。用 SDF 语言说，低市场状态的 \(M\) 高，坏状态现金流更贵，坏状态保险也更贵。

期权市场因此成为资产定价实证的重要数据源。股票收益只能观察实现路径，期权价格则包含整个未来分布的信息。研究者可以从期权价格中提取风险中性密度、方差风险溢价和尾部风险价格，用于解释股票、债券和货币收益。一个典型例子是方差风险溢价：经验上，期权隐含的方差（如 VIX 平方所代表的风险中性方差）系统性地高于事后实现的方差，二者之差就是投资者为对冲波动率上升而支付的溢价。用 SDF 语言说，波动率上升往往发生在 \(M\) 高的坏时光，因此能对冲波动率风险的头寸天然昂贵，方差风险溢价正是 \(\mathrm{Cov}(M,\text{波动率})>0\) 的价格表现。这把 VIX 等“恐慌指数”接入了本章的统一框架。

零息债与期限结构

债券收益率曲线也是 SDF 的直接体现。零息债价格可写为 \[ P_t^{(n)}=E_t[M_{t,t+n}], \] 其中 \(M_{t,t+n}\) 是从 \(t\) 到 \(t+n\) 的多期随机贴现因子。短期利率由 \(E_t[M_{t+1}]\) 决定，长期利率则反映未来短利率预期和期限溢价。第九章讲期限结构时，重点是利率风险；本章进一步说明，期限溢价本质上是长期债券现金流与 SDF 协方差的补偿。

若经济衰退时央行降息，长期国债价格上涨，债券在坏时光提供正收益，就具有保险属性，风险溢价可能较低甚至为负。若通胀冲击导致经济下行且利率上升，长期债券在坏时光下跌，就会变成风险资产，需要更高期限溢价。这解释了为什么股债相关性会随宏观环境变化：在需求冲击主导时，股债往往负相关；在通胀或供给冲击主导时，股债可能正相关。

货币政策影响资产价格有两条 SDF 路径。第一，改变无风险利率和贴现率，直接影响所有未来现金流现值。第二，改变宏观状态和风险偏好，影响 \(M\) 的波动与风险价格。例如，紧缩政策不仅提高短端利率，也可能压低风险资产估值、扩大信用利差、改变汇率和资本流动。资产对货币政策的敏感性，取决于其现金流久期、杠杆、融资约束和与宏观坏状态的协方差。这也把本章与第九章债券、第十四章互换、第十五章期权和第二十章汇率连接起来。

流动性与信用风险

前面讨论的 SDF 多以股票、债券和期权为例，但现实市场还存在流动性风险和信用风险。它们同样可以放入 \(P=E[MX]\) 的框架。资产若在市场最缺流动性、融资最紧张、投资者最需要卖出时反而难以交易，就必须给投资者流动性补偿；债券若在宏观坏状态中更容易违约、回收率更低，也必须提供信用利差补偿。

流动性定价。 流动性好，意味着投资者可以在需要时以较小成本卖出资产。流动性差，意味着买卖价差大、市场深度不足、价格冲击高，甚至在压力期没有交易对手。若一项资产平时收益很高，但在危机中正好无法卖出，或者只能大幅折价卖出，那么它在坏时光提供的是负服务，投资者会要求更高预期收益。用 SDF 语言说，流动性服务本身是一种状态依赖现金流：好时光中的流动性不太值钱，因为融资容易、卖出不急；坏时光中的流动性极其值钱，因为现金和交易能力稀缺。因此，能够在坏时光保持流动性的资产更贵、预期收益更低；只在好时光流动、坏时光冻结的资产，则需要更高补偿。这解释了为什么流动性溢价不是简单的平均买卖价差，而是与系统性流动性状态相关。

信用利差。 公司债信用利差常被解释为违约概率补偿，但实际利差通常大于历史平均违约损失。这其中包含风险溢价、流动性溢价、税收和市场分割等因素。若违约更可能发生在经济衰退、融资紧张和投资者边际效用高的状态，那么同样的预期损失会要求更高补偿。也就是说，信用风险的价格不只取决于违约概率有多大，还取决于违约发生在什么状态。例如，两个债券的预期违约损失都为 1%，但债券 A 的违约与宏观衰退高度相关，债券 B 的违约更偏个体事件。债券 A 应有更高信用利差，因为它在投资者最不愿亏钱的时候亏钱。这个逻辑与股票风险溢价完全一致，只是现金流形式从股息和价格变成票息、本金和回收率。

把流动性和信用风险纳入 SDF，有助于理解全书多个章节的联系。第二章的流动性风险、第九章的信用利差、第十章另类资产的流动性折价、第十八章开放式基金赎回压力、第十九章业绩评价中的尾部回撤，都不是孤立问题。它们都在问：资产在坏状态下提供什么现金流、什么流动性、什么风险暴露。

实证检验

理论说 \(M\) 应该长什么样，最终要拿数据来检验。本节把 SDF 框架翻译成实证资产定价的操作语言：定价误差如何度量、用什么方法估计、用哪些资产检验、如何防止把噪声当成定价核。脉络是：先把“模型错得有多远”写成可估的定价误差 \(g(\theta)\)，再介绍 GMM 与 GRS、检验资产、样本外、因子动物园，分清时间序列与横截面两类问题，讨论因子模拟组合与机器学习，最后用一个七步研究流程收尾。

定价误差与模型距离

SDF 框架之所以抽象，是因为 \(M\) 不能直接观测。但它有一个直观的几何解释：在所有随机变量构成的空间里，资产收益张成一个子空间，能够给这些资产正确定价的 \(M\)，必须与这些收益满足 \(E[MR]=1\)。如果某个候选 \(M\) 无法让所有资产的定价误差为零，就说明它没有落在正确的位置。

实证资产定价中，模型通常不能让所有 \(\alpha\) 精确为零。于是问题从“模型是否完全正确”变成“模型错得有多远”。若候选 SDF 为 \(M(\theta)\)，检验资产收益向量为 \(R\)，定价误差为 \[ g(\theta)=E[M(\theta)R-\mathbf{1}]. \] 这个 \(g(\theta)\) 就是后面一切估计与检验的中心对象：它衡量模型生成的 \(M\) 与实际定价核之间的距离。问题随之具体化为：哪些资产的定价误差最大？这些误差是否有系统模式？例如，一个只含市场因子的线性 SDF 可能能解释大盘股票组合，却难以解释小盘价值、动量、信用利差和货币套息收益；这说明市场收益不是唯一被定价风险。多因子模型、消费模型、长期风险模型和机器学习 SDF，本质上都在尝试缩小这组定价误差。

GMM、GRS 与检验资产

给定 \(1=E[MR]\)，可用广义矩估计（GMM，Hansen 1982）以矩条件 \(g(\theta)=E[M(\theta)R-1]=0\) 直接估计与检验模型参数 \(\theta\)，无需对误差分布做强假设，这把第五章的 Fama-MacBeth 两阶段回归纳入更一般的框架。GMM 估计选择参数 \(\theta\)，使 \(g(\theta)\) 在某个权重矩阵下尽可能小；HJ 距离则是用最小方差 SDF 的度量来比较模型。对一组检验资产，GRS 检验（Gibbons-Ross-Shanken）则检验定价误差（\(\alpha\)）是否联合为零。

实证检验中，检验资产的选择非常关键。如果只用少数大盘股票组合，很多模型都能通过；如果使用规模、价值、动量、盈利、投资、行业、期限结构、信用利差和国际资产等更丰富的检验资产，模型定价误差就更容易暴露。一个看似拟合良好的 SDF，若只能解释少数资产，却无法同时解释股票、债券、期权和外汇，说明它遗漏了重要风险源。

另一个核心问题是样本外表现。因子模型很容易在历史数据中拟合出较好结果，但具有解释价值的 SDF 应在新样本、新市场、新资产类别中仍保持解释力。第十七章技术分析与第十九章业绩评价强调的数据挖掘、数据窥探和多重检验问题，在 SDF 实证中同样存在。近年的“因子动物园”问题——文献中已发现数百个“显著”因子——本质上就是在问：到底哪几个因子实际进入了 \(M\)？现代资产定价研究越来越强调交叉验证、样本外预测、经济约束和交易成本，就是为了避免把统计噪声误当成定价核。

时间序列与横截面

资产定价实证有两个方向。时间序列问题问的是：某个资产或组合的收益随时间如何变化，能否被市场、利率、波动率或宏观变量解释。横截面问题问的是：为什么有些资产长期平均收益高，有些低。SDF 框架同时处理二者，但分析时应把它们区分清楚。

时间序列回归通常写为 \[ R_{i,t}^e=\alpha_i+\boldsymbol\beta_i'\boldsymbol f_t+\varepsilon_{i,t}, \] 其中 \(\boldsymbol f_t\) 是因子收益。若模型正确，\(\alpha_i\) 应接近零。这里关注的是单个资产 \(i\) 的收益能否被因子解释，重点是风险暴露 \(\boldsymbol\beta_i\) 是否稳定、残差是否有系统模式。例如，一只基金对市场、规模、价值和动量回归后 \(\alpha\) 不显著，说明其超额收益主要来自这些因子暴露；若 \(\alpha\) 显著为正，还要继续检查是否来自遗漏因子、非线性暴露、流动性风险或数据问题。

横截面定价则更进一步：若某个因子代表被定价风险，暴露更高的资产应有更高平均收益。典型 Fama-MacBeth 回归第二步写为 \[ E[R_i^e]=\boldsymbol\beta_i'\boldsymbol\lambda, \] 其中 \(\boldsymbol\lambda\) 是风险价格。若某因子的 \(\lambda\) 显著，说明市场愿意为承担该因子风险支付补偿。若因子能解释时间序列，却没有横截面风险价格，它可能只是共同波动源，不一定是被定价风险。这一区分非常重要：一个变量能预测收益，不等于它是风险因子；一个因子能降低回归残差，也不等于它有正风险溢价。SDF 框架要求我们问得更严：该因子是否帮助刻画 \(M\)，是否解释平均收益差异，是否在样本外成立。

因子模拟组合

许多宏观变量不能直接交易，如消费增长、通胀预期、气候风险和政策不确定性。若模型说这些变量进入 SDF，实证上常需要构造因子模拟组合：用一组可交易资产构造一个组合，使其收益尽可能复制该宏观风险。这样，抽象宏观风险就被转化为可检验、可交易的收益因子。

资产定价关心的是可交易资产价格。若某个宏观变量很重要，但没有资产对它有系统暴露，它就很难解释横截面平均收益。因子模拟组合的作用，是找出市场中哪些资产对该风险敏感，并把这些敏感性组合成一个收益因子。例如，若要构造气候风险因子，可以用高碳行业与低碳行业收益差、气候新闻冲击敏感股票组合，或碳价格相关资产来模拟。

模拟组合也可能出错。第一，所选资产可能只捕捉到宏观变量的一部分风险。第二，组合可能混入其他风格因子，如规模、价值或动量。第三，样本期内有效的模拟关系在结构变化后可能失效。第四，若组合换手很高，交易成本会使理论收益不可实现。因此，使用因子模拟组合时必须做正交化、稳健性和成本检验。

机器学习 SDF

近年来，机器学习被用于估计 SDF。它的优势是能够处理高维特征、非线性关系和复杂交互项。例如，股票收益可能同时受规模、价值、盈利、投资、动量、流动性、波动率、文本情绪和宏观状态影响，传统线性模型难以完全刻画。机器学习方法可以在大量特征中寻找预测结构，并通过交叉验证控制过拟合（如 Gu--Kelly--Xiu 2020）。

机器学习 SDF 的作用，是用更灵活函数逼近 \(M\)，并把高维特征转化为可检验的定价约束。不过要注意，SDF 是给一组资产共同定价的定价核，而不是每只资产各自随意指定一个折现因子。机器学习通常是用宏观状态、资产收益和横截面特征估计一个共同的定价核，或先由特征生成因子模拟组合，再形成共同的 \(M\)。例如可以写成 \[ M_{t+1}=g(Z_t,\boldsymbol R_{t+1},\boldsymbol X_t;\theta), \] 其中 \(Z_t\) 是宏观状态，\(\boldsymbol R_{t+1}\) 是资产收益向量，\(\boldsymbol X_t\) 是横截面特征集合，\(g(\cdot)\) 由神经网络、树模型或正则化回归估计。目标仍然是让同一个 \(M\) 对检验资产满足 \(E[MR]=1\) 尽可能成立。换句话说，机器学习改变的是估计方式，不改变资产定价的基本约束。

机器学习模型也有清晰的边界。第一是可解释性：若模型能预测收益，却无法解释收益来自哪类风险，投资者很难判断其是否可持续。第二是稳定性：金融市场非平稳，历史关系会因制度、交易拥挤和参与者学习而变化。第三是交易实现：高频换仓、做空约束、容量限制和交易成本可能吞噬样本内收益。第四是多重检验：模型越灵活，越容易把噪声拟合成规律。因此，机器学习资产定价不能只报告预测 \(R^2\) 或样本内夏普，还要报告样本外表现、经济机制、风险暴露、换手率、交易成本和压力期表现。它应服务于 SDF 约束，而不是替代无套利逻辑。

研究流程

把上面的环节串起来，就是一个资产定价实证的通用流程。它适合作为进阶读者阅读文献和写作论文的路线图，也帮助入门读者理解资产定价模型如何被检验。

1. 提出经济机制：说明为什么某个变量应进入 \(M\)，它代表什么坏状态风险或偏好变化。
2. 构造因子或 SDF：用可观测数据构造候选因子，如市场、规模、价值、动量、消费增长、气候新闻或宏观状态变量。
3. 选择检验资产：不能只用少数容易解释的资产，应覆盖规模、价值、动量、行业、债券、外汇或期权等多维组合。
4. 估计风险价格：使用时间序列回归、Fama-MacBeth、GMM 或机器学习方法估计参数。
5. 检验定价误差：查看 \(\alpha\)、HJ 距离、GRS 检验和样本外表现。
6. 解释失败资产：模型难以解释哪些资产？失败是否集中在某类风险上？
7. 加入交易成本和实现约束：理论可定价不等于策略可实现超额收益，必须考虑换手、做空、融资和容量。

中国市场的 SDF 实证还有一些特有难点，值得专门提醒。其一，样本短：A 股有效交易历史相对较短，区间内还包含股权分置改革、注册制等重大制度变迁，长期矩估计的精度受限。其二，结构变化大：涨跌停、融券约束、散户占比高和较强的政策周期，都会让风险价格在不同子样本间不稳定。其三，无风险利率与因子构造口径不统一：基准利率、可投资标的和因子定义都需谨慎选择。因此在中国做 SDF 检验时，子样本稳健性、滚动窗口或状态切换处理、对交易摩擦的处理和经济机制的可信度，往往比样本内拟合优度更重要。

全书回看

本章放在全书最后，是因为它能把前面章节重新连起来。第二章收益与风险讲的是资产收益的统计性质；第三章组合理论讲的是如何在均值和方差之间选择；第四章 CAPM 说市场组合风险被定价；第五章 APT 把风险扩展到多个因子；第九章债券用贴现现金流和期限结构定价；第十三至十五章衍生品用无套利和风险中性测度定价；第十九章业绩评价则用阿尔法和因子暴露检验投资能力。SDF 是这些内容背后的共同语言。CAPM、APT 与期权定价在本章前面已各自给出过完整推导，这里不再重复，只把一个尚未单独讨论过的接口——业绩评价——接进来，再用一个案例和一条学习路线收束全书。

业绩评价

第十九章的阿尔法，本质上是模型 \(M\) 无法解释的平均收益。如果选错基准或遗漏因子，阿尔法就会被高估。一个基金经理若长期获得小盘、价值、动量或低波因子收益，其业绩可能是因子暴露而非纯粹能力。换句话说，业绩评价就是把上一节的定价误差 \(g(\theta)\) 用在单只基金上：先问基金收益与哪些被定价风险同涨同跌，把这些暴露折算成应得的风险补偿，剩下的才是难以由风险暴露解释的管理能力。SDF 框架提醒我们：评价业绩时，先问收益与哪些被定价风险共同波动，再谈能力。

学习路线

本章是全书最抽象的一章，读者常见误区有四个。第一，把 \(M\) 当成无风险折现率。事实上，\(M\) 是随机的，坏时光高、好时光低。第二，把风险中性概率当成真实概率。事实上，\(\mathbb{Q}\) 是经 \(M\) 调整后的定价概率。第三，以为模型因子越多越好。事实上，因子越多越需要经济机制和样本外检验。第四，把高平均收益理解为优质资产。事实上，若高收益来自坏时光暴露，它只是风险补偿。

学习路线可以分三层。入门层面，掌握 \(P=E[MX]\)、\(1=E[MR]\)、风险溢价由协方差决定；CAPM 和 APT 是对 \(M\) 加结构后的特例，风险中性测度则是把 \(M\) 吸收进概率的等价改写。进阶层面，进一步学习 HJ 界、GMM、状态价格、市场不完全、消费模型和期限结构。研究前沿层面，再进入长期风险、罕见灾难、期权隐含 SDF、机器学习资产定价和气候风险定价。

模型法治

SDF 框架的基石是无套利与一价定律（同样的现金流应有同样的价格）。这两条原则既是定价的数学前提，也具有深刻的制度与监管含义：市场依靠套利者的交易把价格推向无套利水平，因此凡是阻碍套利或制造虚假价格的行为——操纵市场、虚假陈述、内幕交易（第六、十六章）——都会破坏价格发现，让观察到的价格难以反映实际现金流、风险补偿和投资者信息。从这个意义上说，打击操纵与维护市场诚信，正是在保护无套利定价赖以成立的制度环境。

另一个监管接口是模型风险治理。SDF 与风险中性定价被广泛用于衍生品估值、风险计量和监管资本计算，但模型一旦用错（参数、假设、校准错误），就可能系统性低估风险（2008 年危机中的信用衍生品定价即是重要教训）。因此监管对内部模型提出严格的验证与治理要求（如巴塞尔市场风险内部模型法、模型验证与回溯检验），要求金融机构对“用什么 \(M\) 定价、模型在什么条件下失效”负责。

本章小结

本章用随机贴现因子（SDF）框架统一了全书的资产定价理论。从代表性投资者的欧拉方程出发，得到基本定价方程 \(P=E[MX]\) 与 \(1=E[MR]\)，其中 \(M=\beta\,u'(c_{t+1})/u'(c_t)\) 是边际效用增长率；资产的风险溢价只取决于其与 \(M\) 的协方差——“值钱的不是平均收益，而是在坏时光的支付”。状态价格提供了另一种直觉：SDF 等于状态价格除以真实概率，坏时光状态价格高，所以坏时光现金流更贵。

在有限状态模型中，SDF 与无套利等价（存在正的 \(M\) 当且仅当无套利），而风险中性测度只是把 \(M\) 的风险修正吸收进概率（\(M=e^{-r}\,d\mathbb{Q}/d\mathbb{P}\)）。市场完全时 SDF 唯一，市场不完全时可能存在多个 SDF，这解释了复杂衍生品和非可复制风险为何依赖模型假设。从 \(P=E[MX]\) 可导出“期望收益—贝塔”表示：CAPM 是 \(M\) 关于市场收益线性的特例，APT 是 \(M\) 关于多因子线性的特例，均值--方差前沿则是同一 SDF 几何的组合选择版本。Hansen-Jagannathan 界把最高夏普比率与 SDF 波动联系起来，并直接引出股权溢价之谜，由此催生习惯形成、长期风险、罕见灾难等模型。本章还讨论了最小方差 SDF、定价误差、期权隐含风险中性密度与方差风险溢价、期限结构、机器学习 SDF、流动性与信用风险。SDF 还是 GMM 实证、检验资产设计、衍生品定价与监管模型的共同语言，而其基石——无套利与一价定律——既是数学前提，也依赖法治维护的市场诚信与模型风险治理。

本章关键概念

随机贴现因子 SDF {} 定价核 {} 欧拉方程 {} 基本定价方程 \(P=E[MX]\) {} 边际效用增长率 {} 状态价格 {} Arrow-Debreu 证券 {} 风险溢价与协方差 {} 无套利与正 SDF {} 市场完全/不完全 {} 风险中性测度 {} 最小方差 SDF {} HJ 界 {} 期望收益—贝塔表示 {} CAPM/APT 作为线性 SDF {} CCAPM {} 股权溢价之谜 {} 习惯形成 {} 长期风险 {} 罕见灾难 {} 风险中性密度 {} 方差风险溢价 {} 期限溢价 {} 机器学习 SDF {} 流动性溢价 {} 信用利差 {} GMM {} 检验资产 {} 一价定律 {} 模型风险治理