Đầu tư công nghệ trong định giá tài sản: Đề xuất mở rộng mô hình Carhart tại Việt Nam

Vương Yến Linh

Trường Kinh tế - Đại học Cần Thơ; Email: [email protected]

Trương Đông Lộc

Trường Kinh tế - Đại học Cần Thơ

Tóm tắt

Sự gia tăng vai trò của tài sản vô hình và công nghệ đặt ra câu hỏi liệu các mô hình định giá tài sản truyền thống đã phản ánh đầy đủ nguồn lực tạo giá trị của doanh nghiệp hay chưa. Bài viết sử dụng tổng quan tài liệu có định hướng để hệ thống hóa sự phát triển từ CAPM đến mô hình Carhart 4 nhân tố và phân tích cơ sở kinh tế của đầu tư công nghệ trong định giá cổ phiếu. Tổng hợp tài liệu cho thấy đầu tư công nghệ có thể liên quan đến lợi nhuận cổ phiếu qua bốn cơ chế: dòng tiền kỳ vọng, cơ hội tăng trưởng, rủi ro triển khai và bất cân xứng thông tin. Trên cơ sở đó, MML (cao trừ nhóm thấp) được đề xuất như một nhân tố ứng viên phản ánh chênh lệch lợi nhuận giữa doanh nghiệp có mức đầu tư công nghệ cao và thấp. Bài viết nhấn mạnh yêu cầu đo lường và kiểm định giá trị giải thích gia tăng trước khi xem MML là một nhân tố định giá độc lập tại Việt Nam.

Từ khóa: Đầu tư công nghệ, định giá tài sản, động lượng, mô hình Carhart, tài sản vô hình

Abstract

The growing importance of intangible assets and technology raises the question of whether traditional asset pricing models adequately capture the value-generating resources of firms. This paper employs a focused literature review to trace the development from the CAPM to the Carhart four-factor model and examine the economic rationale linking technology investment to stock returns. The literature suggests that technology investment may affect stock returns through four main mechanisms: expected cash flows, growth opportunities, implementation risk, and information asymmetry. Accordingly, MML (High Minus Low) is proposed as a candidate factor capturing the return differential between firms with high and low levels of technology investment. The paper emphasizes the need to establish appropriate measurement and test the incremental explanatory power of MML before considering it an independent pricing factor in Viet Nam.

Keywords: Technology investment, asset pricing, momentum, Carhart model, intangible assets

GIỚI THIỆU

Mối quan hệ giữa rủi ro và lợi nhuận là vấn đề trung tâm của tài chính hiện đại. CAPM cho rằng lợi nhuận kỳ vọng phụ thuộc vào rủi ro thị trường (Lintner, 1965; Mossin, 1966; Sharpe, 1964), nhưng bằng chứng thực nghiệm cho thấy beta chưa giải thích đầy đủ khác biệt lợi nhuận giữa các cổ phiếu.

Fama và French (1992, 1993) bổ sung quy mô và tỷ số giá trị sổ sách trên giá trị thị trường; Carhart (1997) tiếp tục bổ sung động lượng từ bằng chứng của Jegadeesh và Titman (1993). Mô hình Carhart 4 nhân tố vì vậy kết hợp rủi ro thị trường, quy mô, giá trị và động lượng.

Cấu trúc nguồn lực doanh nghiệp đã thay đổi với vai trò ngày càng lớn của phần mềm, dữ liệu, hệ thống thông tin, sở hữu trí tuệ và các nguồn lực vô hình. Nhiều nguồn lực này không được phản ánh đầy đủ trên bảng cân đối kế toán. Các nghiên cứu về vốn vô hình cho thấy việc bỏ qua chúng có thể làm sai lệch giá trị sổ sách, đầu tư, khả năng sinh lợi và các đặc điểm doanh nghiệp dùng trong định giá tài sản (Aboody và Lev, 1998; Crouzet và cộng sự, 2022; Ewens và cộng sự, 2024; Gulen và cộng sự, 2024; Lev và Sougiannis, 1996; Peters và Taylor, 2017).

Vì vậy, câu hỏi trọng tâm là liệu đầu tư công nghệ còn chứa thông tin về lợi nhuận cổ phiếu sau khi đã kiểm soát các nhân tố Carhart. Nếu tác động của thông tin này đã được phản ánh vào các yếu tố rủi ro phổ biến của thị trường, gồm quy mô doanh nghiệp (SMB), giá trị (HML) hoặc động lượng (WML), thì thông tin đó không còn tạo ra tác động riêng biệt đến lợi suất cổ phiếu. việc bổ sung nhân tố mới là không cần thiết; nếu vẫn còn phần thông tin độc lập, đầu tư công nghệ trở thành ứng viên đáng kiểm định. Tại Việt Nam, vấn đề càng đáng chú ý do thông tin về tài sản vô hình và công nghệ chưa được trình bày đồng nhất giữa doanh nghiệp.

Bài viết tổng hợp sự phát triển từ CAPM đến Carhart 4 nhân tố, làm rõ cơ sở kinh tế của đầu tư công nghệ và đề xuất khung 5 nhân tố gồm thị trường, quy mô, giá trị, động lượng và đầu tư công nghệ. Nhóm cao trừ nhóm thấp (MML) chỉ được xem là nhân tố ứng viên cần kiểm định về khả năng giải thích gia tăng. Khung này mở rộng Carhart 4 nhân tố, không phải mô hình Fama-French 5 nhân tố.

CƠ SỞ LÝ THUYẾT VÀ PHƯƠNG PHÁP NGHIÊN CỨU

Từ CAPM đến cách tiếp cận định giá tài sản đa nhân tố

CAPM đặt nền tảng cho quan hệ giữa rủi ro hệ thống và lợi nhuận kỳ vọng, với beta thị trường là thước đo chủ yếu (Lintner, 1965; Mossin, 1966; Sharpe, 1964). Hạn chế của CAPM thúc đẩy sự phát triển của các mô hình đa nhân tố.

Fama và French (1992, 1993) bổ sung SMB (quy mô nhỏ trừ quy mô lớn) và HML (giá trị cao trừ giá trị thấp) lần lượt phản ánh chênh lệch lợi nhuận giữa các doanh nghiệp có quy mô nhỏ và lớn và giữa các cổ phiếu có tỷ số giá trị sổ sách trên giá trị thị trường (B/M) cao và thấp.

Jegadeesh và Titman (1993) ghi nhận động lượng lợi nhuận; Carhart (1997) đưa hiện tượng này vào mô hình Fama-French 3 nhân tố thông qua WML, hình thành mô hình 4 nhân tố:

R_it - R_ft = α_i + β_iMKT_t + s_iSMB_t+ h_iHML_t+ w_i WML_t+ ε_it

Trong đó, R_it - R_ft là lợi nhuận vượt trội của cổ phiếu hoặc danh mục; MKT là phần bù rủi ro thị trường; SMB là nhân tố quy mô; HML là nhân tố giá trị; WML là nhân tố động lượng.

Nguyên tắc rút ra là nhân tố mới chỉ có ý nghĩa khi cung cấp thông tin mà các nhân tố hiện hữu chưa phản ánh đầy đủ; đây cũng là tiêu chuẩn đánh giá MML.

Tài sản vô hình và đầu tư công nghệ trong giá trị doanh nghiệp

Trong nền kinh tế ngày càng dựa vào tri thức và công nghệ, nguồn lực vô hình chiếm tỷ trọng lớn hơn trong giá trị kinh tế nhưng thường khó được phản ánh đầy đủ bằng hệ thống kế toán truyền thống (Lev, 2001).

Lev & Sougiannis (1996) cho thấy R&D chứa đựng lợi ích kinh tế trong tương lai; Aboody và Lev (1998) chỉ ra giá trị thông tin của phần mềm vốn hóa. Các nghiên cứu sau tiếp tục ghi nhận khoảng cách giữa nguồn lực kinh tế doanh nghiệp sử dụng và tài sản được ghi nhận trên báo cáo tài chính (Corrado và cộng sự, 2006; Crouzet và cộng sự, 2022; Peters và Taylor, 2017). Gần đây, Ewens và cộng sự (2024) cho thấy, ước lượng vốn vô hình ngoài bảng cân đối có thể giảm sai lệch của market-to-book và ROE, còn Gulen và cộng sự (2024) cho thấy, điều chỉnh đặc điểm doanh nghiệp theo vốn vô hình cải thiện khả năng giải thích của các mô hình nhân tố.

Trong định giá tài sản, câu hỏi không chỉ là tài sản vô hình có giá trị, mà là liệu khác biệt về nguồn lực công nghệ còn liên quan đến lợi nhuận kỳ vọng sau khi kiểm soát các nhân tố truyền thống.

Đầu tư công nghệ trong bài được hiểu là khái niệm kinh tế tiềm ẩn phản ánh nguồn lực dành cho phần mềm, hệ thống thông tin, dữ liệu và tài sản vô hình liên quan đến công nghệ phục vụ sản xuất, quản trị và kinh doanh. Khái niệm này không đồng nghĩa với chuyển đổi số hoặc một khoản mục kế toán đơn lẻ; doanh nghiệp có thể thuê ngoài công nghệ hoặc ghi nhận phần lớn chi tiêu dưới dạng chi phí.

Vì vậy, cần phân biệt “đầu tư công nghệ” với biến đại diện thực nghiệm. Các khoản mục tài sản vô hình hoặc phần mềm trên báo cáo tài chính chỉ phản ánh một phần nguồn lực công nghệ, đặc biệt khi mức độ thuyết minh khác nhau giữa doanh nghiệp.

Khoảng trống nghiên cứu và cơ sở đề xuất nhân tố đầu tư công nghệ

Tài sản vô hình, R&D, phần mềm và vốn tổ chức có liên quan đến giá trị doanh nghiệp và lợi nhuận cổ phiếu, nhưng giá trị kinh tế của một nguồn lực không đồng nghĩa với việc nó tạo thành nhân tố định giá độc lập. Khoảng trống là xác định liệu đầu tư công nghệ còn giải thích lợi nhuận sau khi kiểm soát MKT, SMB, HML và WML.

Các nghiên cứu gần đây củng cố câu hỏi này. Ewens và cộng sự (2024) cho thấy, đo lường vốn vô hình ảnh hưởng đáng kể đến các tỷ số kế toán; Gulen et al. (2024) chỉ ra rằng việc đưa vốn vô hình ngoài bảng cân đối vào đặc điểm doanh nghiệp có thể cải thiện hiệu quả mô hình nhân tố. Tuy nhiên, các kết quả đó chủ yếu điều chỉnh cách đo đặc điểm hiện hữu, chưa chứng minh một nhân tố đầu tư công nghệ riêng biệt. Vì vậy, MML chỉ có ý nghĩa nếu phản ánh thông tin không bị MKT, SMB, HML và WML hấp thụ.

Phương pháp nghiên cứu

Bài viết sử dụng tổng quan tài liệu có định hướng, tập trung vào:

(i) CAPM và định giá đa nhân tố;

(ii) quy mô, giá trị, động lượng;

(iii) tài sản vô hình, R&D, phần mềm và vốn vô hình; và

(iv) các nghiên cứu liên hệ công nghệ với đặc điểm doanh nghiệp, rủi ro và lợi nhuận cổ phiếu.

Các công trình nền tảng và nghiên cứu gần đây liên quan trực tiếp được ưu tiên.

Đây không phải tổng quan hệ thống theo PRISMA. Mục tiêu là xây dựng chuỗi lập luận có thể kiểm chứng về cơ sở của Carhart, các cơ chế liên kết công nghệ với lợi nhuận và điều kiện để MML có giá trị giải thích bổ sung. Các từ khóa định hướng gồm "asset pricing“, ”Carhart model“, ”intangible capital“, ”software capitalization“, ”technology investment“ và ”stock returns"; việc lựa chọn tập trung vào các công trình có liên hệ trực tiếp với chuỗi lập luận của nghiên cứu.

KẾT QUẢ VÀ THẢO LUẬN

Bốn nhân tố nền tảng trong mô hình Carhart

Trong Carhart, MKT kiểm soát rủi ro thị trường; SMB kiểm soát quy mô; HML kiểm soát đặc điểm giá trị có thể bị ảnh hưởng bởi vốn vô hình; WML kiểm soát động lượng và khả năng phản ánh chậm thông tin. Vì vậy, MML chỉ có giá trị gia tăng nếu còn khả năng giải thích sau bốn nhân tố này.

Đầu tư công nghệ có thể liên quan đến lợi nhuận cổ phiếu

Tổng hợp tài liệu cho thấy 4 cơ chế có thể kết nối thông tin công nghệ với định giá cổ phiếu, gồm dòng tiền kỳ vọng, cơ hội tăng trưởng, rủi ro và bất cân xứng thông tin. Các cơ chế này không hàm ý trước chiều tác động của MML.

Thứ nhất, công nghệ có thể cải thiện dòng tiền kỳ vọng thông qua năng suất, chi phí, kiểm soát và phối hợp. Dehning và Richardson (2002) cho thấy giá trị kinh tế của đầu tư công nghệ thông tin phụ thuộc vào khả năng chuyển hóa đầu tư thành kết quả hoạt động.

Thứ hai, công nghệ có thể mở rộng cơ hội tăng trưởng qua sản phẩm, kênh phân phối, quy mô và mô hình kinh doanh mới. Peters và Taylor (2017) cho thấy vốn vô hình làm thay đổi cách đánh giá quan hệ giữa đầu tư và cơ hội tăng trưởng.

Thứ ba, đầu tư công nghệ hàm chứa rủi ro: dự án có thể vượt ngân sách, chậm triển khai, nhanh lỗi thời hoặc không tương thích với tổ chức. Vì vậy, đầu tư cao có thể đồng thời phản ánh triển vọng tăng trưởng và mức rủi ro cao hơn.

Thứ tư, tài sản công nghệ có thể làm tăng bất cân xứng thông tin do khó định giá và so sánh. Khi công bố không đủ chi tiết, nhà đầu tư khó đánh giá chất lượng và hiệu quả của nguồn lực công nghệ, khiến thông tin được phản ánh vào giá chậm hoặc không đồng đều.

Đầu tư công nghệ cao không đồng nghĩa với lợi nhuận cổ phiếu cao. Quan hệ có thể dương nếu công nghệ làm tăng dòng tiền hoặc thông tin được phản ánh chậm; có thể âm nếu chi phí, rủi ro triển khai, lỗi thời hoặc đầu tư quá mức chiếm ưu thế. Một phần tác động cũng có thể đã nằm trong HML hoặc các đặc điểm kế toán sau điều chỉnh vốn vô hình (Gulen và cộng sự, 2024). Vì vậy, dấu và tính độc lập của MML là vấn đề thực nghiệm.

Đề xuất khung 5 nhân tố mở rộng từ Carhart

Từ các lập luận trên, mô hình Carhart có thể được mở rộng bằng một nhân tố ứng viên phản ánh khác biệt về đầu tư công nghệ giữa các doanh nghiệp. Dạng khái quát của khung thực nghiệm được đề xuất như sau:

R_it - R_ft = α_i + β_iMKT_t + s_iSMB_t+ h_iHML_t+ w_i WML_t+ m_i MML_t + ε_it

Ngoài 4 nhân tố của mô hình Carhart, MML được xác định là chênh lệch lợi nhuận giữa danh mục doanh nghiệp có mức đầu tư công nghệ cao và thấp. Cách xây dựng này chỉ phản ánh nguyên tắc hình thành danh mục, không giả định trước dấu của phần bù lợi nhuận. Do đó, MML mới chỉ là nhân tố ứng viên, cần được kiểm định về giá trị giải thích gia tăng, mức độ tương quan với các nhân tố Carhart và độ bền của kết quả khi sử dụng các thước đo công nghệ khác nhau (Bảng).

Bảng: Cấu trúc và mối liên hệ của các nhân tố trong khung Carhart mở rộng

Nguồn: Tổng hợp và đề xuất của nhóm tác giả.

Khung này khác mô hình Fama-French 5 nhân tố (Fama và French, 2015), vốn bổ sung khả năng sinh lợi và đầu tư vào mô hình 3 nhân tố. Ở đây, bốn nhân tố Carhart được giữ nguyên và MML được thêm vào để kiểm tra giá trị giải thích gia tăng. Do vốn vô hình có thể làm thay đổi cách đo các đặc điểm hiện hữu, MML phải được đánh giá cả về tính độc lập và khả năng bị các nhân tố truyền thống hấp thụ (Gulen và cộng sự, 2024).

Vấn đề đo lường đầu tư công nghệ trong điều kiện Việt Nam

Thách thức chính khi phát triển MML là xây dựng biến đại diện đầu tư công nghệ có nội hàm rõ ràng và có thể so sánh giữa doanh nghiệp.

Báo cáo tài chính không phản ánh đầy đủ nguồn lực công nghệ. Phần mềm có thể được vốn hóa, ghi nhận chi phí, mua dưới dạng dịch vụ hoặc không trình bày riêng; tài sản vô hình lại bao gồm nhiều khoản mục không liên quan trực tiếp đến công nghệ. Điều này tạo sai số đo lường tương tự vấn đề vốn vô hình ngoài bảng cân đối được Ewens và cộng sự (2024) và Gulen và cộng sự (2024) thảo luận.

Không nên đồng nhất toàn bộ tài sản vô hình với đầu tư công nghệ. Trong dữ liệu Việt Nam, tài sản vô hình sau khi loại trừ các khoản mục rõ ràng không liên quan đến công nghệ, nhất là quyền sử dụng đất, có thể là biến đại diện trên mẫu lớn nhưng chỉ nên được xem là chỉ báo gần đúng.

Tài sản phần mềm là lựa chọn gần nội hàm công nghệ hơn khi thuyết minh cho phép, nhưng phạm vi quan sát có thể nhỏ và bỏ sót dữ liệu, điện toán đám mây, hệ thống thuê ngoài hoặc năng lực tổ chức hỗ trợ công nghệ.

Do đó, nghiên cứu thực nghiệm phải cân bằng độ chính xác khái niệm và độ bao phủ dữ liệu, đồng thời kiểm định độ bền với nhiều biến đại diện nếu có thể.

HÀM Ý VÀ KẾT LUẬN

Hàm ý đối với nghiên cứu tại thị trường chứng khoán Việt Nam

Tại Việt Nam, việc kiểm định MML không xuất phát đơn thuần từ xu hướng phát triển công nghệ, mà nhằm trả lời câu hỏi liệu sự khác biệt về nguồn lực và mức độ đầu tư công nghệ giữa các doanh nghiệp có chứa thông tin về lợi nhuận mà mô hình Carhart chưa giải thích được hay không. Theo đó, MML được xem là nhân tố ứng viên, và giá trị của nhân tố này phải được xác định thông qua kiểm định thực nghiệm.

MML có thể cho kết quả dương, âm hoặc không có ý nghĩa thống kê; cả ba khả năng đều có giá trị về mặt nghiên cứu nếu cách xây dựng nhân tố, lựa chọn dữ liệu và phương pháp kiểm định được thực hiện minh bạch. Do đó, mục tiêu của nghiên cứu không phải là chứng minh trước rằng MML là một nhân tố định giá, mà là đánh giá liệu MML có tạo ra giá trị giải thích gia tăng so với mô hình Carhart hay không.

Trong bối cảnh Việt Nam, vấn đề này càng đáng quan tâm do mức độ không đồng nhất trong ghi nhận và thuyết minh tài sản vô hình giữa các doanh nghiệp. Sự khác biệt này có thể làm gia tăng sai số đo lường và khiến thông tin liên quan đến công nghệ được phản ánh không đồng đều vào giá cổ phiếu. Vì vậy, tác động của nguồn lực công nghệ đến lợi nhuận cổ phiếu có thể chưa được phản ánh đầy đủ thông qua các nhân tố truyền thống.

Trên cơ sở đó, khung nghiên cứu kết hợp lý thuyết định giá tài sản, vốn vô hình và kinh tế học về đầu tư công nghệ để kiểm định liệu MML có chứa phần thông tin công nghệ chưa được các nhân tố trong mô hình Carhart giải thích hay không. Cách tiếp cận này đặt trọng tâm vào giá trị giải thích gia tăng của MML, thay vì giả định trước về dấu hoặc ý nghĩa của nhân tố.

Kết luận

Nhân tố mới chỉ có ý nghĩa khi phản ánh những thông tin chưa được các mô hình hiện hữu giải thích. Việc chưa phản ánh đầy đủ vốn vô hình có thể làm sai lệch thông tin kế toán và ảnh hưởng đến khả năng giải thích của các mô hình nhân tố (Ewens và cộng sự, 2024; Gulen và cộng sự, 2024), qua đó tạo cơ sở để xem xét vai trò của đầu tư công nghệ đối với lợi nhuận cổ phiếu.

Nghiên cứu đề xuất 4 cơ chế liên kết đầu tư công nghệ với lợi nhuận cổ phiếu, gồm dòng tiền kỳ vọng, cơ hội tăng trưởng, rủi ro triển khai và bất cân xứng thông tin. Trên nền tảng mô hình Carhart, MML được xây dựng để kiểm định chênh lệch lợi nhuận giữa nhóm doanh nghiệp có mức đầu tư công nghệ cao và thấp, sau khi kiểm soát các nhân tố MKT, SMB, HML và WML.

Đóng góp của nghiên cứu là xác định rõ cơ sở lý thuyết và phương pháp đo lường khi kiểm định nhân tố công nghệ, đồng thời phân biệt đầu tư công nghệ với các biến đại diện kế toán và tránh đồng nhất tài sản vô hình với công nghệ. Nghiên cứu cũng xem xét khả năng MML bị các nhân tố hiện hữu hấp thụ, qua đó đánh giá liệu MML có tạo ra giá trị giải thích gia tăng hay không.

Trong bối cảnh Việt Nam, cần ưu tiên xây dựng biến đại diện có tính minh bạch, kiểm định MML trong mô hình đầy đủ và đánh giá độ bền của kết quả qua nhiều phương pháp phân nhóm và thước đo. MML do đó chỉ được xem là nhân tố ứng viên, còn tính độc lập cần được xác định bằng kiểm định thực nghiệm. Đồng thời, việc cải thiện công bố thông tin về phần mềm, hệ thống thông tin và các tài sản vô hình liên quan đến công nghệ có thể hỗ trợ nâng cao chất lượng định giá tài sản và quyết định đầu tư.

Tài liệu tham khảo:

1. Aboody, D., & Lev, B. (1998). The value relevance of intangibles: The case of software capitalization. Journal of Accounting Research, 36(Supplement), 161–191. https://doi.org/10.2307/2491312.

2. Carhart, M. M. (1997). On persistence in mutual fund performance. The Journal of Finance, 52(1), 57–82. https://doi.org/10.1111/j.1540-6261.1997.tb03808.x.

3. Corrado, C. A., Hulten, C. R., & Sichel, D. E. (2006). Intangible capital and economic growth (NBER Working Paper No. 11948). National Bureau of Economic Research. https://doi.org/10.3386/w11948.

4. Crouzet, N., Eberly, J. C., Eisfeldt, A. L., & Papanikolaou, D. (2022). The economics of intangible capital. Journal of Economic Perspectives, 36(3), 29–52. https://doi.org/10.1257/jep.36.3.29.

5. Dehning, B., & Richardson, V. J. (2002). Returns on investments in information technology: A research synthesis. Journal of Information Systems, 16(1), 7–30. https://doi.org/10.2308/jis.2002.16.1.7.

6. Ewens, M., Peters, R. H., & Wang, S. (2024). Measuring intangible capital with market prices. Management Science, 71(1), 407–427. https://doi.org/10.1287/mnsc.2021.02058.

7. Fama, E. F., & French, K. R. (1992). The cross-section of expected stock returns. The Journal of Finance, 47(2), 427–465. https://doi.org/10.1111/j.1540-6261.1992.tb04398.x.

8. Fama, E. F., & French, K. R. (1993). Common risk factors in the returns on stocks and bonds. Journal of Financial Economics, 33(1), 3–56. https://doi.org/10.1016/0304-405X(93)90023-5.

9. Fama, E. F., & French, K. R. (2015). A five-factor asset pricing model. Journal of Financial Economics, 116(1), 1–22. https://doi.org/10.1016/j.jfineco.2014.10.010.

10. Gulen, H., Li, D., Peters, R. H., & Zekhnini, M. (2024). Intangible capital in factor models. Management Science, 71(2), 1756–1778. https://doi.org/10.1287/mnsc.2022.01261.

11. Jegadeesh, N., & Titman, S. (1993). Returns to buying winners and selling losers: Implications for stock market efficiency. The Journal of Finance, 48(1), 65–91. https://doi.org/10.1111/j.1540-6261.1993.tb04702.x.

12. Lev, B. (2001). Intangibles: Management, measurement, and reporting. Brookings Institution Press.

13. Lev, B., & Sougiannis, T. (1996). The capitalization, amortization, and value-relevance of R&D. Journal of Accounting and Economics, 21(1), 107–138. https://doi.org/10.1016/0165-4101(95)00410-6.

14. Lintner, J. (1965). The valuation of risk assets and the selection of risky investments in stock portfolios and capital budgets. The Review of Economics and Statistics, 47(1), 13–37. https://doi.org/10.2307/1924119.

15. Mossin, J. (1966). Equilibrium in a capital asset market. Econometrica, 34(4), 768–783. https://doi.org/10.2307/1910098.

16. Peters, R. H., & Taylor, L. A. (2017). Intangible capital and the investment-q relation. Journal of Financial Economics, 123(2), 251–272. https://doi.org/10.1016/j.jfineco.2016.03.011.

17. Sharpe, W. F. (1964). Capital asset prices: A theory of market equilibrium under conditions of risk. The Journal of Finance, 19(3), 425–442. https://doi.org/10.1111/j.1540-6261.1964.tb02865.x.