资本资产定价模型和套利定价理论绝不是实践中度量风险资产的收益仅有的模型与技术。资本资产定价模型和套利定价理论都是以风险为基础的模型，两者分别通过某个或某些系统风险因素的贝塔系数来度量证券的风险，而且认为预期额外收益必须与贝塔系数成一定比例。尽管我们已经明白这在直观上很有说服力，而且有坚实的理论基础，但是还是存在其他可供选择的方法的。
这些可供选择的方法大多数可以归为参数模型或实证棋型（empirical model），“实证研究”一词指的是这些方法较少涉及金融市场如何运作的理论，而较多涉及寻找市场历史数据中的规律和关系。通过这些研究方法，研究人员确定与所研究证券相关的参数和特征，然后通过直接观察数据，从而总结归纳出这些特征和期望收益的关系。例如，大量研究是关于公司的期望收益是否与该公司的规模有关。小公司的平均收益是否比大公司的平均收益高？研究人员还检验了各种各样的会计指标，比如股票价格与每股盈利的比率，即市盈率（P/E），公司股票的市场价值与公司账面价值之比，即市值与账面价值比（M/B）。这里争论的主要问题是，P/E低或者是M/R低的公司，其价值是否被低估了？在未来是否会有比较高的收益呢？
在进行数据检验的时候，这些参数研究方法似乎效果很好。实际上当比较用估计的参数预测股票收益和用贝塔系数预测股票收益时，诸如P/E和M/B这些参数似乎预测得好一些。对于这些结果有各种各样的解释，问题当然没有得到解决。实证研究方法的批评者怀疑这就是所谓的“数据挖掘”。那些研究人员经常用的特定参数通常都会被选取，因为它们已经显示了与收益是相关的。例如，有人要你解释美国某一个州过去40年SAT考试成绩的变动。假设为了做这项研究，你在所有你能找到的数据当中搜索。经过很多搜索，你可能发现亚利桑那州考试成绩的变化与那里的长耳大野兔的总数有直接关系。我们知道任何诸如此类的关系纯属偶然，但是如果你搜索的时间足够长，而且选择足够多。你肯定会发现某些关系，即使这种关系实际上并不存在。这有点像盯着云朵看，过了一阵子你会发现那些云朵看起来像你想要的任何东西，小丑、熊或者别的什么，但你实际上正在做的是“数据挖掘”工作。
不用说，从事这方面工作的研究人员会为他们所做的工作辩护，反驳说他们不是在挖掘数据，简单地测试数据关系，而是十分谨慎地避开这些“陷阱”。当然，作为一个纯理论的问题，因为市场上任何人都可以轻易查出公司的市盈率，所以我们肯定不会期望发现市盈率低的公司比市盈率高的公司表现好，仅仅认为它们的价值被低估了。在一个有效的市场，这种公众度量出来的价值低估将迅速地被发现，不会持续太久。
也许对实证研究的成功比较好的解释是把基于风险的方法和实证的方法综合起来。有效市场的收益和风险是相关的，因此或许与收益相关的参数或特征也是较好地度量风险的指标。例如，如果我们确实发现市盈率低的公司比市盈率高的公司表现好，而且这种情况甚至在具有相同贝塔系数的公司中也存在。那么我们至少有两种可能的解释：第一，我们可以简单抛弃以风险为基础的理论，认为它们是不正确的。此外，我们还可以指出市场并不是有效的，买入市盈率低的股票为我们提供了一个赚取超过期望收益的机会。第二，我们可以指出上述两种观点都是正确的。相比直接从数据中估算贝塔系数，市盈率确实是一个更好度量系统风险（即贝塔系数）的方法。
