20世纪80年代以来,股票市场出现了许多传统CAPM无法解释的诸如价值溢价、规模溢价等“金融市场异象”,传统CAPM理论受到挑战。虽然国外诸多学者对传统的CAPM进行了许多修改和扩展,但是对中国股票市场应用国外学者修正的CAPM所得到的实证结果并不理想,因为中国股票市场相较于发达国家而言起步较晚,“金融市场异象”比国外市场更加严重。此外,在应用发达国家的经济理论于我国市场时,也会出现一些“水土不服”的问题。比如我国股票市场存在大量国有企业,其控股、运营方式与西方国家的私人企业有很大不同。因此,虽然一些扩展的CAPM能够较好地拟合中国股票市场的数据,但是其实证结果背后的经济学意义却难以解释。本文提出一种基于学习过程的条件CAPM来解决传统CAPM所无法解释的规模溢价、价值溢价等金融市场异象问题,并能得到优于其他状态空间模型的实证结果。模型利用卡尔曼滤波的方法,将不可观测变量纳入模型之中,并利用沪深A股市场的数据进行实证分析。实证结果显示,将符合贝叶斯法则的学习过程与条件CAPM相结合,即便在观测方程中不包含各种横截面数据,仅保留CAPM的单因素形式,模型仍然能够解决传统的单因素CAPM所无法解释的规模溢价与价值溢价问题。