In this paper we introduce a simple continuous-time asset pricing framework, based on general multi-dimensional diffusion processes, that combines semi-analytic pricing with a nonlinear specification for the market price of risk. Our framework guarantees existence of weak solutions of the nonlinear SDEs under the physical measure, thus allowing to work with nonlinear models for the real world dynamics not considered in the literature so far. It emerges that the additional flexibility in the time series modelling is econometrically relevant: a nonlinear stochastic volatility diffusion model for the joint time series of the S&P 100 and the VXO implied volatility index data shows superior forecasting power over the standard specifications for implied and realized variance forecasting.
本研究将人力资本因素引入Fama和French的五因子模型提出了一个均衡的六因素资产定价模型。该研究采用了四组投资组合的集合，这些投资组合模仿了不同规模和行业。第一组由三组六个投资组合组成，每个投资组合按规模到B/M、规模到投资和规模到动量排序。第二组包括五个指数投资组合，第三组是四组，每组25个投资组合，每个投资组合按规模到B/M、规模到投资、规模到盈利能力、规模到动量进行排序，最后一组由30个行业投资组合组成。为了估计四组不同投资组合的六因素资产定价模型的参数，我们使用OLS和基于广义矩方法的稳健工具变量技术（IVGMM）。从相关性、内隐性、过度识别限制和Hausman规范检验中获得的结果表明，使用IVGMM的六因子模型因子模型的参数估计是稳健的，并且优于OLS方法。在解释投资组合回报率变化方面，人力资本成分与框架中的因素具有同等的预测能力。此外，我们评估的t-比率的人力资本组成部分的每个IVGMM估计的六因素资产定价模型的四组变量组合。83个IVGMM估计的人力资本的t比大于3.00，参考Harvey et al.（2016）提出的标准。这表明六因素资产定价模型在解释资产回报变化方面取得了实证成功。
