杠杆厌恶因子(Frazzini-Pedersen)：被杠杆约束压低的低 Beta 溢价

CAPM 告诉我们：想多赚，就多承担市场风险（高 β）。但 Frazzini & Pedersen (2014) 用一份名为 Betting Against Beta（做空 Beta，简称 BAB） 的因子，把这句话钉在了墙上。他们的发现是反直觉的：低 β 股票长期跑赢高 β 股票——而且是在「做多低 β、做空高 β」、把组合 β 中性化之后，依然截获到显著正 alpha。

结论先放这：杠杆厌恶是这背后的机制，而不是传统的「高风险高收益」。在我们的自洽合成里，受杠杆约束的投资者把高 β 股票价格推高（其预期收益被压低、CAPM 斜率从理论 0.060 压平到实际的 −0.013，截距却抬到 +0.048），低 β 股票被压低（预期收益抬高）。BAB 组合（多低 β / 空高 β、各按 1/β 加杠杆）实现年化 +9.95%、波动 5.3%、Sharpe 1.88，而全市场买入持有只有 Sharpe 0.18、高 β 腿 Sharpe 0.07——这中间的落差，正是被「杠杆约束」错误定价出来的 alpha。

一、为什么高 β 没有拿到足额补偿#

CAPM 的预言很干净：证券市场线（SML）是过原点的直线

$E[r_i] - r_f = \beta_i \cdot (E[r_m] - r_f)$

斜率就是市场风险溢价。问题是这条直线在真实数据里太平了——甚至可能是向下弯的。Frazzini-Pedersen 的解释是杠杆约束（leverage aversion）：

1. 很多投资者（共同基金、养老金、散户）被禁止或强烈不情愿用杠杆；
2. 他们想「多配市场敞口」时，唯一的办法是买高 β 股票（一只 β=2 的股票 ≈ 自带 2 倍杠杆）；
3. 于是高 β 股票需求被拉高 → 价格被推高 → 未来预期收益被压低；
4. 反过来，低 β 股票因为「不够刺激」被抛售 → 价格压低 → 预期收益抬高。

结果：SML 不是过原点的直线，而是截距为正、斜率偏低——低 β 被系统性抬高、高 β 被系统性压低。这正是我们图 1 看到的现象。

注意：这不是「低风险高收益」的另一种说法。它是说 即便控制 β，低 β 也拿到比 CAPM 预言更多的收益——是定价错误，不是风险补偿。

二、从零构造合成数据：把异常写进生成过程#

为了干净地演示机制，我们生成 300 只股票、240 个月（20 年）的月度超额收益。核心设定就是「SML 太平」：

import numpy as np
rng = np.random.default_rng(20260714)
N, T = 300, 240
Rf = 0.002            # 月度无风险
mu_m, sig_m = 0.005, 0.040   # 市场月度超额收益 均值/波动
C_ANOM = 0.0060       # 杠杆厌恶异常强度

beta = rng.uniform(0.3, 2.2, N)          # 个股 beta 0.3~2.2
idio = rng.uniform(0.015, 0.045, N)      # 特质波动
mkt_ex = rng.normal(mu_m, sig_m, T)      # 市场月度超额收益
eps = rng.standard_normal((T, N)) * idio

# 关键设定：alpha = C·(1 - beta)，低 beta 正、高 beta 负
alpha = C_ANOM * (1.0 - beta)
ret = alpha[None, :] + beta[None, :] * mkt_ex[:, None] + eps
excess = ret - Rf

这里 alpha = C·(1−β) 就是「SML 截距为正、斜率偏低」的生成来源：低 β 拿到正 alpha，高 β 拿到负 alpha。注意这纯粹是人为写进去的定价错误，用来演示估计与组合逻辑——真实世界的异常来自投资者行为，落地要用真实数据库（见文末）。

三、检验 SML：斜率被压平、截距被抬高#

把个股年化超额收益对 β 做 OLS，看实际 SML：

ann_ex = excess.mean(0) * 12
A = np.vstack([np.ones(N), beta]).T
coef = np.linalg.lstsq(A, ann_ex, rcond=None)[0]
capm_int, capm_slope = coef[0], coef[1]
mkt_prem_ann = mkt_ex.mean() * 12        # 理论 SML 斜率
print(capm_slope, capm_int, mkt_prem_ann)
# 实际斜率 -0.0130, 截距 +0.0482, 理论斜率 +0.060

三个数字连起来就是杠杆厌恶的证据：

• 理论斜率 = +0.060：如果市场有效，SML 就该这么陡；
• 实际斜率 = −0.013：不仅不陡，还略微向下——高 β 完全没有按 β 线性拿到更多收益；
• 实际截距 = +0.048：所有股票（即便 β=0）都被抬高了 4.8% 年化，这是低 β 端被错误定价最直观的体现。

图 1 里灰色点是 300 只个股，红线是理论 SML（陡），绿虚线是实际 SML（平且上移）——两条线之间的「缺口」，就是被杠杆约束压低/抬高的 alpha。

四、beta 十分位：高 β 实际收益远低于 CAPM 预测#

把 300 只股票按 β 切成 10 个十分位，比较「实际年化收益」与「CAPM 预测收益 = β × 市场溢价」：

order = np.argsort(beta)
deciles = np.array_split(order, 10)
dec_ann = np.array([excess[:, d].mean(1).mean() * 12 for d in deciles])
dec_beta = np.array([beta[d].mean() for d in deciles])
dec_pred = dec_beta * mkt_prem_ann          # CAPM 预测
alpha_by_dec = dec_ann - dec_pred

结果一览（十分位从低 β 到高 β）：

低 β 十分位实际拿到 4.5%，而 CAPM 只预言 2.4%——正的 2.0% alpha；高 β 十分位实际只有 2.2%，CAPM 却预言 12.7%——被压低了 10.5%。图 2 把这两条柱子并排画出来，缺口一目了然。

注意一个常被误读的点：高 β 组实际收益（2.2%）依然高于无风险，只是远低于 CAPM 预言。杠杆厌恶因子赚的不是「高 β 亏钱」，而是「高 β 没赚到它该赚的钱」与「低 β 多赚了」之间的落差。

五、构造 BAB 组合：多低 β、空高 β，各按 1/β 加杠杆#

Frazzini-Pedersen 的 BAB 因子做法很巧妙：只取两端，并让两条腿各自的 β 都放大到 1，这样组合整体 β ≈ 0（市场中立），截获的是纯 alpha 而非市场方向。

D1 = deciles[0]    # 低 beta 十分位
D10 = deciles[9]   # 高 beta 十分位
beta_D1, beta_D10 = beta[D1].mean(), beta[D10].mean()
ex_D1 = excess[:, D1].mean(1)     # 低 beta 腿月度超额(等权)
ex_D10 = excess[:, D10].mean(1)   # 高 beta 腿月度超额(等权)

lev_long = 1.0 / beta_D1          # ≈ 2.45
lev_short = 1.0 / beta_D10         # ≈ 0.47
bab_ex = lev_long * ex_D1 - lev_short * ex_D10
bab_beta = lev_long * beta_D1 - lev_short * beta_D10   # ≈ 0
bab_ann = bab_ex.mean() * 12
bab_vol = bab_ex.std(ddof=1) * np.sqrt(12)
bab_shp = bab_ann / bab_vol
# BAB: 年化 +9.95%, 波动 5.3%, Sharpe 1.88, beta ≈ 0

为什么各按 1/β 加杠杆？因为低 β 腿本身市场敞口只有 0.41，乘以 2.45 之后变成 1；高 β 腿市场敞口 2.11，乘以 0.47 之后也变成 1。多空相减，市场敞口几乎抵消（β≈0），剩下的就是两条腿的 alpha 落差。

六、结果：BAB 碾压市场与高 β 腿#

把 BAB 与全市场买入持有、单独做多高 β 腿对比：

bab_cum = np.cumprod(1 + bab_ex)
mkt_cum = np.cumprod(1 + excess.mean(1))
hb_cum = np.cumprod(1 + ex_D10)

BAB 用 1/3 的波动，拿到了市场 3 倍的 Sharpe，且几乎不暴露市场方向。图 3 的累积净值曲线里，BAB（绿）一路平稳上行，市场和做多高 β（灰/红）则大幅波动、长期落后。

直觉校验：如果 BAB 只是「低波动异象」的换皮，那它应该和市场负相关或低相关；但这里的 BAB 是多空 β 中性，它赚的是「SML 斜率被压平」的结构性错误定价，和低波动因子的来源不同（低波动因子多为单边多头低 β，仍带方向敞口）。

七、六类真实陷阱（高阶必读）#

1. 幸存者偏差与数据覆盖。 我们用 300 只「始终存活」的股票。真实世界里高 β 股票更容易在崩盘中退市，幸存者偏差会系统性高估高 β 的实际收益、削弱 BAB 信号。落地必须用 point-in-time 无幸存者数据库（如 CRSP 全样本）。

2. 杠杆约束的假设强度。 模型把异常完全归因于杠杆约束。但低 β 跑赢也可能是杠杆供给有限 + 散户偏好彩票股等多因素叠加。BAB 在 2008 后、低利率时代强度明显变化——它不是常量异常。

3. 1/β 加杠杆的实务不可行。 低 β 腿要加 2.45 倍杠杆、且要能做空高 β 腿。真实里融资约束、做空成本（借券费率、难以借到）、保证金追缴，会直接吃掉 alpha。我们完全没有建模这些成本。

4. 流动性与规模。 低 β 股票常是小盘、低流动性标的，建仓冲击成本可能让理论 Sharpe 1.88 在真实里大幅缩水。BAB 的实际容量远低于论文里的大盘版本。

5. 回归窗口与 β 估计误差。 β 用全样本 OLS 估计，存在估计误差 + 时变 β。真实里要用滚动窗口或收缩估计，且 β 会 regime switch，固定 β 分位会漂移。

6. 截距为正的「伪异常」风险。 我们的 SML 截距 +0.048 部分来自生成时把异常写进了 alpha。真实数据里，若全市场收益序列本身有未被风险因子解释的共同漂移，截距可能被错误解读为 alpha。务必用多因子模型（FF3/FF5）后再看 BAB 的截距是否仍显著。

八、代码清单与落地路径#

完整可运行脚本已生成：generate_leverage_aversion_images.py，含全部数据生成、SML 检验、十分位与 BAB 组合逻辑（配图同源）。落地到真实研究时：

1. 用 CRSP/Compustat 取美国股票的月度收益与市值；
2. 用过去 3 年滚动 OLS 估 β，避免时变偏差；
3. 按 NYSE 分位点切 β 十分位，每月再平衡；
4. 多空两端各按 1/β 缩放，扣除借券费率与交易成本后看净 alpha；
5. 跑 FF5 回归，确认 BAB 截距在控制规模/价值/盈利/投资后仍显著。

BAB 的价值不在于「无脑买低 β」，而在于它证伪了 CAPM 的线性定价，暴露出「杠杆约束」本身就是一类可被定价、可被交易的风险/错误定价来源。理解它，比复制它更重要。

本文为量化专栏第 N 篇。所有数值来自自洽合成，仅用于演示估计与组合机制；真实异常强度、显著性请以无幸存者偏差数据库为准。