上市公司尾部风险测度检验（基于Fama-French α 检验）部一

最新推荐文章于 2021-11-21 19:16:44 发布
最新推荐文章于 2021-11-21 19:16:44 发布
阅读量413 收藏
点赞数
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/jarry1/article/details/106832153
版权 
library("readr")
library("readxl")
library("dplyr")
library(stringr)
library(PerformanceAnalytics)
setwd("e:/R/tail risk/month")
load("r.RData")
listd<-read.csv("listd.csv");listy<-read.csv("listy.csv")
r<-left_join(r,listd,by="Stkcd")
y5<-read.csv("y6.csv")%>%tbl_df()# 读取个股市场月数据
y5<-left_join(y5,listy,by="Stkcd")
sy<-read_excel("sy.xlsx")%>%tbl_df()
wy<-read_excel("wy.xlsx")%>%tbl_df()
varp<-0.05
#
a0b1=numeric();a1b1=numeric();a2b1=numeric();a3b1=numeric();a4b1=numeric()
a0b2=numeric();a1b2=numeric();a2b2=numeric();a3b2=numeric();a4b2=numeric()
a0f1=list(NA,NA,NA,NA,NA);a1f1=list(NA,NA,NA,NA,NA);a2f1=list(NA,NA,NA,NA,NA);a3f1=list(NA,NA,NA,NA,NA);a4f1=list(NA,NA,NA,NA,NA)
a0f2=list(NA,NA,NA,NA,NA);a1f2=list(NA,NA,NA,NA,NA);a2f2=list(NA,NA,NA,NA,NA);a3f2=list(NA,NA,NA,NA,NA);a4f2=list(NA,NA,NA,NA,NA)

#  月度滚动
##通过尾部beta值分组
for(i in 0:21){
  for(h in 0:11){
    r1<-filter(r,Trdmnt>=(19950101+100*h+10000*i),Trdmnt<(19970101+100*h+10000*i))
    # 筛选出上市时期不大于1年窗口期第一个交易日的股票
    r1<-filter(r1,List<=min(r1$Trdmnt))
    k<-round(nrow(distinct(r1,Trdmnt))*varp)
    r2<-distinct(r1,Trdmnt,.keep_all = TRUE)%>%transmute(rme=Cdretwdos-Nrrdaydt/100,rme=-rme)%>%arrange(rme)
    r3<-slice(r2,(nrow(distinct(r1,Trdmnt))-k+1):n())
    r4<-transmute(r3,lrme=log(rme));a<-sum(r4)       
    α1<-1/k*a-log(as.numeric(slice(r2,nrow(distinct(r1,Trdmnt))-k))) #得出 Hill estimator
    r5<-mutate(r1,rje=-(Dretwd-Nrrdaydt/100),rme=-(Cdretwdos-Nrrdaydt/100))
    b<-group_by(r5,Stkcd)%>%arrange(rme)%>%slice(n()-round(n()*varp))%>%select(Stkcd,rme)%>%rename(frme=rme) #市场VAR
    f<-group_by(r5,Stkcd)%>%arrange(rje)%>%slice(n()-round(n()*varp))%>%select(Stkcd,rje)%>%rename(frje=rje) #个股VAR
    e<-group_by(r5,Stkcd)%>%summarise(k=round(n()*varp)) # 也可以求出k值
    # 检验分组正确性 ff<-filter(r5,Stkcd==2)%>%arrange(rje)
    # 有时用slice选择行会出错，可以用filter。
    c<-left_join(r5,f,by="Stkcd")%>%left_join(b,by="Stkcd")
    c1<-mutate(c,t=ifelse(rje>frje&rme>frme,1,0),tt=ifelse(rme>frme,1,0))
    c2<-group_by(c1,Stkcd)%>%summarise(τ=sum(t)/sum(tt)) 
    varm<-b
    varj<-f
    d<-left_join(c2,varj,by="Stkcd")%>%left_join(varm,by="Stkcd")%>%mutate(tβ=(τ^α1)*frje/frme)%>%select(-(2:4))%>%arrange(desc(tβ))%>%filter(tβ!=0)
    y6<-filter(y5,Trdmnt==(199701+h+100*i))
    
    a0b1[i*12+(h+1)]=mean(inner_join(y6,slice(d,1:(n()/5)),by="Stkcd")$eMretwd)
    a1b1[i*12+(h+1)]=mean(inner_join(y6,slice(d,(n()/5*1+1):(n()/5*(1+1))),by="Stkcd")$eMretwd)
    a2b1[i*12+(h+1)]=mean(inner_join(y6,slice(d,(n()/5*2+1):(n()/5*(2+1))),by="Stkcd")$eMretwd)
    a3b1[i*12+(h+1)]=mean(inner_join(y6,slice(d,(n()/5*3+1):(n()/5*(3+1))),by="Stkcd")$eMretwd)
    a4b1[i*12+(h+1)]=mean(inner_join(y6,slice(d,(n()/5*4+1):(n()/5*(4+1))),by="Stkcd")$eMretwd)
    
    a0b2[i*12+(h+1)]=weighted.mean(inner_join(y6,slice(d,1:(n()/5)),by="Stkcd")$eMretwd,inner_join(y6,slice(d,1:(n()/5)),by="Stkcd")$Msmvosd)
    a1b2[i*12+(h+1)]=weighted.mean(inner_join(y6,slice(d,(n()/5*1+1):(n()/5*(1+1))),by="Stkcd")$eMretwd,inner_join(y6,slice(d,(n()/5*1+1):(n()/5*(1+1))),by="Stkcd")$Msmvosd)
    a2b2[i*12+(h+1)]=weighted.mean(inner_join(y6,slice(d,(n()/5*2+1):(n()/5*(2+1))),by="Stkcd")$eMretwd,inner_join(y6,slice(d,(n()/5*2+1):(n()/5*(2+1))),by="Stkcd")$Msmvosd)
    a3b2[i*12+(h+1)]=weighted.mean(inner_join(y6,slice(d,(n()/5*3+1):(n()/5*(3+1))),by="Stkcd")$eMretwd,inner_join(y6,slice(d,(n()/5*3+1):(n()/5*(3+1))),by="Stkcd")$Msmvosd)
    a4b2[i*12+(h+1)]=weighted.mean(inner_join(y6,slice(d,(n()/5*4+1):(n()/5*(4+1))),by="Stkcd")$eMretwd,inner_join(y6,slice(d,(n()/5*4+1):(n()/5*(4+1))),by="Stkcd")$Msmvosd)
  
    ms<-as.numeric(str_sub(max(r1$Trdmnt),start=1L,end=6L))
    y11<-filter(y5,Trdmnt==ms)%>%select(1,3)
    y12<-left_join(d,y11,by="Stkcd")%>%filter(Msmvosd!="NA")%>%arrange(Msmvosd)
    
    ###根据月末流通市值排序大小：
    for(l in 0:4){
      a0f1[[l+1]][i*12+(h+1)]=mean(inner_join(y6,select(slice(arrange(slice(y12,(n()/5*l+1):(n()/5*(l+1))),desc(tβ)),(n()/5*0+1):(n()/5*(0+1))),-Msmvosd),by="Stkcd")$eMretwd)
      a1f1[[l+1]][i*12+(h+1)]=mean(inner_join(y6,select(slice(arrange(slice(y12,(n()/5*l+1):(n()/5*(l+1))),desc(tβ)),(n()/5*1+1):(n()/5*(1+1))),-Msmvosd),by="Stkcd")$eMretwd)
      a2f1[[l+1]][i*12+(h+1)]=mean(inner_join(y6,select(slice(arrange(slice(y12,(n()/5*l+1):(n()/5*(l+1))),desc(tβ)),(n()/5*2+1):(n()/5*(2+1))),-Msmvosd),by="Stkcd")$eMretwd)
      a3f1[[l+1]][i*12+(h+1)]=mean(inner_join(y6,select(slice(arrange(slice(y12,(n()/5*l+1):(n()/5*(l+1))),desc(tβ)),(n()/5*3+1):(n()/5*(3+1))),-Msmvosd),by="Stkcd")$eMretwd)
      a4f1[[l+1]][i*12+(h+1)]=mean(inner_join(y6,select(slice(arrange(slice(y12,(n()/5*l+1):(n()/5*(l+1))),desc(tβ)),(n()/5*4+1):(n()/5*(4+1))),-Msmvosd),by="Stkcd")$eMretwd)
      
      a0f2[[l+1]][i*12+(h+1)]=weighted.mean(inner_join(y6,select(slice(arrange(slice(y12,(n()/5*l+1):(n()/5*(l+1))),desc(tβ)),(n()/5*0+1):(n()/5*(0+1))),-Msmvosd),by="Stkcd")$eMretwd,
                                            inner_join(y6,select(slice(arrange(slice(y12,(n()/5*l+1):(n()/5*(l+1))),desc(tβ)),(n()/5*0+1):(n()/5*(0+1))),-Msmvosd),by="Stkcd")$Msmvosd)
      a1f2[[l+1]][i*12+(h+1)]=weighted.mean(inner_join(y6,select(slice(arrange(slice(y12,(n()/5*l+1):(n()/5*(l+1))),desc(tβ)),(n()/5*1+1):(n()/5*(1+1))),-Msmvosd),by="Stkcd")$eMretwd,
                                            inner_join(y6,select(slice(arrange(slice(y12,(n()/5*l+1):(n()/5*(l+1))),desc(tβ)),(n()/5*1+1):(n()/5*(1+1))),-Msmvosd),by="Stkcd")$Msmvosd)
      a2f2[[l+1]][i*12+(h+1)]=weighted.mean(inner_join(y6,select(slice(arrange(slice(y12,(n()/5*l+1):(n()/5*(l+1))),desc(tβ)),(n()/5*2+1):(n()/5*(2+1))),-Msmvosd),by="Stkcd")$eMretwd,
                                            inner_join(y6,select(slice(arrange(slice(y12,(n()/5*l+1):(n()/5*(l+1))),desc(tβ)),(n()/5*2+1):(n()/5*(2+1))),-Msmvosd),by="Stkcd")$Msmvosd)
      a3f2[[l+1]][i*12+(h+1)]=weighted.mean(inner_join(y6,select(slice(arrange(slice(y12,(n()/5*l+1):(n()/5*(l+1))),desc(tβ)),(n()/5*3+1):(n()/5*(3+1))),-Msmvosd),by="Stkcd")$eMretwd,
                                            inner_join(y6,select(slice(arrange(slice(y12,(n()/5*l+1):(n()/5*(l+1))),desc(tβ)),(n()/5*3+1):(n()/5*(3+1))),-Msmvosd),by="Stkcd")$Msmvosd)
      a4f2[[l+1]][i*12+(h+1)]=weighted.mean(inner_join(y6,select(slice(arrange(slice(y12,(n()/5*l+1):(n()/5*(l+1))),desc(tβ)),(n()/5*4+1):(n()/5*(4+1))),-Msmvosd),by="Stkcd")$eMretwd,
                                            inner_join(y6,select(slice(arrange(slice(y12,(n()/5*l+1):(n()/5*(l+1))),desc(tβ)),(n()/5*4+1):(n()/5*(4+1))),-Msmvosd),by="Stkcd")$Msmvosd)}
  }}

利用CAPM、三因子、五因子模型检验 α显著性

# 开始计算各值
# 投资组合收益率
for(o in 1:2){
  for(i in 1:5){
    print(mean(lapply(paste0("a",0:4,"b",o),get)[[i]]))}
  print(mean(lapply(paste0("a",0:4,"b",o),get)[[1]]-lapply(paste0("a",0:4,"b",o),get)[[5]]))
  
  for(i in 1:5){
    print(t.test(lapply(paste0("a",0:4,"b",o),get)[[i]])$statistic[[1]])}
  print(t.test(lapply(paste0("a",0:4,"b",o),get)[[1]]-lapply(paste0("a",0:4,"b",o),get)[[5]])$statistic[[1]])}

wf1<-filter(wy,Trdmnt>=199801,Trdmnt<201810)%>%arrange(Trdmnt)

#投资组合收益率经过CAPM模型回归的截距项
for(o in 1:2){
  for(i in 1:5){
    print(as.matrix(lm(eMretwd~mkt,data.frame(wf1,eMretwd=lapply(paste0("a",0:4,"b",o),get)[[i]]))$coefficients)[1])}
  print(as.matrix(lm(eMretwd~mkt,data.frame(wf1,eMretwd=lapply(paste0("a",0:4,"b",o),get)[[1]]-lapply(paste0("a",0:4,"b",o),get)[[5]]))$coefficients)[1])
  
  for(i in 1:5){   
    print(as.matrix(summary(lm(eMretwd~mkt,data.frame(wf1,eMretwd=lapply(paste0("a",0:4,"b",o),get)[[i]])))$coefficients)[1,3])}
  print(as.matrix(summary(lm(eMretwd~mkt,data.frame(wf1,eMretwd=lapply(paste0("a",0:4,"b",o),get)[[1]]-lapply(paste0("a",0:4,"b",o),get)[[5]])))$coefficients)[1,3])}

#投资组合收益率经过FF3模型回归的截距项
for(o in 1:2){
  for(i in 1:5){
    print(as.matrix(lm(eMretwd~mkt+smb+hml,data.frame(wf1,eMretwd=lapply(paste0("a",0:4,"b",o),get)[[i]]))$coefficients)[1])}
  print(as.matrix(lm(eMretwd~mkt+smb+hml,data.frame(wf1,eMretwd=lapply(paste0("a",0:4,"b",o),get)[[1]]-lapply(paste0("a",0:4,"b",o),get)[[5]]))$coefficients)[1])
  
  for(i in 1:5){   
    print(as.matrix(summary(lm(eMretwd~mkt+smb+hml,data.frame(wf1,eMretwd=lapply(paste0("a",0:4,"b",o),get)[[i]])))$coefficients)[1,3])}
  print(as.matrix(summary(lm(eMretwd~mkt+smb+hml,data.frame(wf1,eMretwd=lapply(paste0("a",0:4,"b",o),get)[[1]]-lapply(paste0("a",0:4,"b",o),get)[[5]])))$coefficients)[1,3])}

#投资组合收益率经过FF5模型回归的截距项
for(o in 1:2){
  for(i in 1:5){
    print(as.matrix(lm(eMretwd~mkt+smb+hml+rmw+cma,data.frame(wf1,eMretwd=lapply(paste0("a",0:4,"b",o),get)[[i]]))$coefficients)[1])}
  print(as.matrix(lm(eMretwd~mkt+smb+hml+rmw+cma,data.frame(wf1,eMretwd=lapply(paste0("a",0:4,"b",o),get)[[1]]-lapply(paste0("a",0:4,"b",o),get)[[5]]))$coefficients)[1])
  
  for(i in 1:5){   
    print(as.matrix(summary(lm(eMretwd~mkt+smb+hml+rmw+cma,data.frame(wf1,eMretwd=lapply(paste0("a",0:4,"b",o),get)[[i]])))$coefficients)[1,3])}
  print(as.matrix(summary(lm(eMretwd~mkt+smb+hml+rmw+cma,data.frame(wf1,eMretwd=lapply(paste0("a",0:4,"b",o),get)[[1]]-lapply(paste0("a",0:4,"b",o),get)[[5]])))$coefficients)[1,3])}

#经过规模细分的投资组合收益率经过FF5模型回归的截距项
for(o in 1:2){
  for(v in 1:5){
    for(l in 1:5){
      print(as.matrix(lm(eMretwd~mkt+smb+hml+rmw+cma,data.frame(wf1,eMretwd=lapply(paste0("a",0:4,"f",o),get)[[v]][[l]]))$coefficients)[1])}}
  for(l in 1:5){
    print(as.matrix(lm(eMretwd~mkt+smb+hml+rmw+cma,data.frame(wf1,eMretwd=lapply(paste0("a",0:4,"f",o),get)[[1]][[l]]-lapply(paste0("a",0:4,"f",o),get)[[5]][[l]]))$coefficients)[1])}
  
  for(v in 1:5){
    for(l in 1:5){
      print(as.matrix(summary(lm(eMretwd~mkt+smb+hml+rmw+cma,data.frame(wf1,eMretwd=lapply(paste0("a",0:4,"f",o),get)[[v]][[l]])))$coefficients)[1,3])}}
  for(l in 1:5){
    print(as.matrix(summary(lm(eMretwd~mkt+smb+hml+rmw+cma,data.frame(wf1,eMretwd=lapply(paste0("a",0:4,"f",o),get)[[1]][[l]]-lapply(paste0("a",0:4,"f",o),get)[[5]][[l]])))$coefficients)[1,3])}}

# 平均
for(o in 1:2){
  for(v in 1:5){
    print(as.matrix(lm(eMretwd~mkt+smb+hml+rmw+cma,data.frame(wf1,eMretwd=apply(do.call("cbind",lapply(paste0("a",0:4,"f",o),get)[[v]]),1,mean)))$coefficients)[1])}
  print(as.matrix(lm(eMretwd~mkt+smb+hml+rmw+cma,data.frame(wf1,eMretwd=apply(do.call("cbind",lapply(paste0("a",0:4,"f",o),get)[[1]]),1,mean)-apply(do.call("cbind",lapply(paste0("a",0:4,"f",o),get)[[5]]),1,mean)))$coefficients)[1])
  
  for(v in 1:5){   
    print(as.matrix(summary(lm(eMretwd~mkt+smb+hml+rmw+cma,data.frame(wf1,eMretwd=apply(do.call("cbind",lapply(paste0("a",0:4,"f",o),get)[[v]]),1,mean))))$coefficients)[1,3])}
  print(as.matrix(summary(lm(eMretwd~mkt+smb+hml+rmw+cma,data.frame(wf1,eMretwd=apply(do.call("cbind",lapply(paste0("a",0:4,"f",o),get)[[1]]),1,mean)-apply(do.call("cbind",lapply(paste0("a",0:4,"f",o),get)[[5]]),1,mean))))$coefficients)[1,3])}

直接生成表格

m1=numeric();m2=numeric();m3=numeric();m4=numeric();m5=numeric();m6=numeric()
for(o in 1:2){
  for(i in 1:5){
    m1[i+(o-1)*12]=mean(lapply(paste0("a",0:4,"b",o),get)[[i]])}
  m1[i+(o-1)*12+1]=mean(lapply(paste0("a",0:4,"b",o),get)[[1]]-lapply(paste0("a",0:4,"b",o),get)[[5]])
  
  for(i in 1:5){
    m1[i+(o-1)*12+6]=t.test(lapply(paste0("a",0:4,"b",o),get)[[i]])$statistic[[1]]}
  m1[i+(o-1)*12+7]=t.test(lapply(paste0("a",0:4,"b",o),get)[[1]]-lapply(paste0("a",0:4,"b",o),get)[[5]])$statistic[[1]]}

wf1<-filter(wy,Trdmnt>=199601,Trdmnt<201901)%>%arrange(Trdmnt)

#投资组合收益率经过CAPM模型回归的截距项
for(o in 1:2){
  for(i in 1:5){
    m2[i+(o-1)*12]=as.matrix(lm(eMretwd~mkt,data.frame(wf1,eMretwd=lapply(paste0("a",0:4,"b",o),get)[[i]]))$coefficients)[1]}
  m2[i+(o-1)*12+1]=as.matrix(lm(eMretwd~mkt,data.frame(wf1,eMretwd=lapply(paste0("a",0:4,"b",o),get)[[1]]-lapply(paste0("a",0:4,"b",o),get)[[5]]))$coefficients)[1]
  
  for(i in 1:5){   
    m2[i+(o-1)*12+6]=as.matrix(summary(lm(eMretwd~mkt,data.frame(wf1,eMretwd=lapply(paste0("a",0:4,"b",o),get)[[i]])))$coefficients)[1,3]}
  m2[i+(o-1)*12+7]=as.matrix(summary(lm(eMretwd~mkt,data.frame(wf1,eMretwd=lapply(paste0("a",0:4,"b",o),get)[[1]]-lapply(paste0("a",0:4,"b",o),get)[[5]])))$coefficients)[1,3]}

#投资组合收益率经过FF3模型回归的截距项
for(o in 1:2){
  for(i in 1:5){
    m3[i+(o-1)*12]=as.matrix(lm(eMretwd~mkt+smb+hml,data.frame(wf1,eMretwd=lapply(paste0("a",0:4,"b",o),get)[[i]]))$coefficients)[1]}
  m3[i+(o-1)*12+1]=as.matrix(lm(eMretwd~mkt+smb+hml,data.frame(wf1,eMretwd=lapply(paste0("a",0:4,"b",o),get)[[1]]-lapply(paste0("a",0:4,"b",o),get)[[5]]))$coefficients)[1]
  
  for(i in 1:5){   
    m3[i+(o-1)*12+6]=as.matrix(summary(lm(eMretwd~mkt+smb+hml,data.frame(wf1,eMretwd=lapply(paste0("a",0:4,"b",o),get)[[i]])))$coefficients)[1,3]}
  m3[i+(o-1)*12+7]=as.matrix(summary(lm(eMretwd~mkt+smb+hml,data.frame(wf1,eMretwd=lapply(paste0("a",0:4,"b",o),get)[[1]]-lapply(paste0("a",0:4,"b",o),get)[[5]])))$coefficients)[1,3]}

#投资组合收益率经过FF5模型回归的截距项
for(o in 1:2){
  for(i in 1:5){
    m4[i+(o-1)*12]=as.matrix(lm(eMretwd~mkt+smb+hml+rmw+cma,data.frame(wf1,eMretwd=lapply(paste0("a",0:4,"b",o),get)[[i]]))$coefficients)[1]}
  m4[i+(o-1)*12+1]=as.matrix(lm(eMretwd~mkt+smb+hml+rmw+cma,data.frame(wf1,eMretwd=lapply(paste0("a",0:4,"b",o),get)[[1]]-lapply(paste0("a",0:4,"b",o),get)[[5]]))$coefficients)[1]
  
  for(i in 1:5){   
    m4[i+(o-1)*12+6]=as.matrix(summary(lm(eMretwd~mkt+smb+hml+rmw+cma,data.frame(wf1,eMretwd=lapply(paste0("a",0:4,"b",o),get)[[i]])))$coefficients)[1,3]}
  m4[i+(o-1)*12+7]=as.matrix(summary(lm(eMretwd~mkt+smb+hml+rmw+cma,data.frame(wf1,eMretwd=lapply(paste0("a",0:4,"b",o),get)[[1]]-lapply(paste0("a",0:4,"b",o),get)[[5]])))$coefficients)[1,3]}

mm1<-matrix(c(m1,m2,m3,m4),16,6,byrow=TRUE)
#经过规模细分的投资组合收益率经过FF5模型回归的截距项
for(o in 1:2){
  for(v in 1:5){
    for(l in 1:5){
      m5[l+(v-1)*5+(o-1)*60]=as.matrix(lm(eMretwd~mkt+smb+hml+rmw+cma,data.frame(wf1,eMretwd=lapply(paste0("a",0:4,"f",o),get)[[v]][[l]]))$coefficients)[1]}}
  for(l in 1:5){
    m5[l+(v-1)*5+(o-1)*60+5]=as.matrix(lm(eMretwd~mkt+smb+hml+rmw+cma,data.frame(wf1,eMretwd=lapply(paste0("a",0:4,"f",o),get)[[1]][[l]]-lapply(paste0("a",0:4,"f",o),get)[[5]][[l]]))$coefficients)[1]}
  
  for(v in 1:5){
    for(l in 1:5){
      m5[l+(v-1)*5+(o-1)*60+30]=as.matrix(summary(lm(eMretwd~mkt+smb+hml+rmw+cma,data.frame(wf1,eMretwd=lapply(paste0("a",0:4,"f",o),get)[[v]][[l]])))$coefficients)[1,3]}}
  for(l in 1:5){
    m5[l+(v-1)*5+(o-1)*60+35]=as.matrix(summary(lm(eMretwd~mkt+smb+hml+rmw+cma,data.frame(wf1,eMretwd=lapply(paste0("a",0:4,"f",o),get)[[1]][[l]]-lapply(paste0("a",0:4,"f",o),get)[[5]][[l]])))$coefficients)[1,3]}}

# 平均
for(o in 1:2){
  for(v in 1:5){
    m6[v+(o-1)*12]=as.matrix(lm(eMretwd~mkt+smb+hml+rmw+cma,data.frame(wf1,eMretwd=apply(do.call("cbind",lapply(paste0("a",0:4,"f",o),get)[[v]]),1,mean)))$coefficients)[1]}
  m6[v+(o-1)*12+1]=as.matrix(lm(eMretwd~mkt+smb+hml+rmw+cma,data.frame(wf1,eMretwd=apply(do.call("cbind",lapply(paste0("a",0:4,"f",o),get)[[1]]),1,mean)-apply(do.call("cbind",lapply(paste0("a",0:4,"f",o),get)[[5]]),1,mean)))$coefficients)[1]
  
  for(v in 1:5){   
    m6[v+(o-1)*12+6]=as.matrix(summary(lm(eMretwd~mkt+smb+hml+rmw+cma,data.frame(wf1,eMretwd=apply(do.call("cbind",lapply(paste0("a",0:4,"f",o),get)[[v]]),1,mean))))$coefficients)[1,3]}
  m6[v+(o-1)*12+7]=as.matrix(summary(lm(eMretwd~mkt+smb+hml+rmw+cma,data.frame(wf1,eMretwd=apply(do.call("cbind",lapply(paste0("a",0:4,"f",o),get)[[1]]),1,mean)-apply(do.call("cbind",lapply(paste0("a",0:4,"f",o),get)[[5]]),1,mean))))$coefficients)[1,3]}

mm2<-matrix(m6,4,6,byrow = TRUE)
mm3<-rbind(mm1,matrix(m5[1:30],5,6),mm2[1,],matrix(m5[31:60],5,6),mm2[2,],matrix(m5[61:90],5,6),mm2[3,],matrix(m5[91:120],5,6),mm2[4,])
write.csv(mm3,"E:/R/tail risk/table/mm.csv",row.names = FALSE)
Jarry1
关注
Fama-French三因子模型的实证检验与风险分析
12-28
Fama-French三因子模型的实证检验与风险分析，严太华，胡宗斌，本文利用2007年5月-2017年6月月度数据检验和对比了三个定价模型--CAPM、二因子模型和Fama-French三因子模型在中国股市的适用性，并用GRS方�
利用3年日数据检验尾部风险测度（基于风险调整收益）
nlccc的博客
06-18 409
此部份为经过前期的数据分析后，得到了显著结果的方法 library("readr") library("readxl") library("dplyr") library(stringr) library(PerformanceAnalytics) setwd("e:/R/tail risk/month") load("r.RData") listd<-read.csv("listd.csv");listy<-read.csv("listy.csv") r<-left_join(r,lis
Python金融系列第八篇：Fama-French 多因子模型
CoderPai的博客
10-12 2万+
作者：chen_h 微信号 &amp;amp; QQ：862251340 微信公众号：coderpai 第一篇：计算股票回报率，均值和方差 第二篇：简单线性回归 第三篇：随机变量和分布 第四篇：置信区间和假设检验 第五篇：多元线性回归和残差分析 第六篇：现代投资组合理论 第七篇：市场风险 第八篇：Fama-French 多因子模型 介绍 我们在前面的章节中，我们了解到资本资产定价模型（CAPM）将市场...
统计学（五）：几种常见的假设检验
热门推荐
芦金宇的专栏
10-22 4万+
定义 假设检验是用来判断样本与样本，样本与总体的差异是由抽样误差引起还是本质差别造成的统计推断方法。其基本原理是先对总体的特征作出某种假设，然后通过抽样研究的统计推理，对此假设应该被拒绝还是接受作出推断。 基本原理 　　（1）先假设总体某项假设成立，计算其会导致什么结果产生。若导致不合理现象产生，则拒绝原先的假设。若并不导致不合理的现象产生，则不能拒绝原先假设，从而接受原先假设。
上市公司尾部风险测度检验（基于风险调整收益率）部一
nlccc的博客
06-18 691
读取上市公司收益率数据 # 用EVT方法计算得到的尾部贝塔值("readr") library("readr") library("readxl") library("dplyr") library(stringr) library(PerformanceAnalytics) setwd("e:/R/tail risk/month") r8<-read.csv("r8.csv") r<-data.frame(Trdmnt=as.numeric(str_replace_all(r8$Trddt,"
Python金融系列第五篇：多元线性回归和残差分析
CoderPai的博客
10-09 2万+
作者：chen_h 微信号 &amp;amp; QQ：862251340 微信公众号：coderpai 第一篇：计算股票回报率，均值和方差 第二篇：简单线性回归 第三篇：随机变量和分布 第四篇：置信区间和假设检验 第五篇：多元线性回归和残差分析 第六篇：现代投资组合理论 第七篇：市场风险 第八篇：Fama-French 多因子模型 介绍 在前某章中，我们介绍了简单的线性回归，它只有一个自变量。在本章中...
Fama-French三因子模型数据和Stata代码（2000-2020年）
04-16
**Fama-French三因子模型**是金融学领域的一个重要模型，由经济学家Eugene Fama和Kenneth French于1993年提出。该模型是资本资产定价模型（Capital Asset Pricing Model, CAPM）的一个扩展，旨在更好地解释股票收益...
Fama-French-Replication.R_三因子模型_
10-02
**Fama-French三因子模型**是金融学领域一个重要的投资组合理论，由经济学家Eugene Fama和Kenneth French在1992年提出。这个模型扩展了资本资产定价模型（CAPM），增加了市场风险之外的两个额外的风险因素，以更好地...
推荐中国版Fama-French三因子模型数据和Stata代码（2000-2023年）
04-16
制度下上市公司年度财务报表一般在次年3、4月份公布，且在一季度财务报表公布之前披 露，即4月底为年报披露截止期。财务报表信息披露的滞后性造成金融数据库中财务数据与 市场数据的时间不一致，即t年末的财务数据因...
上市公司尾部风险测度检验（基于风险调整收益率）部三
nlccc的博客
06-18 315
进一步挑选出市场月收益率处于极端损失时间范围 # 左右尾分布： ## 1月： ys<-distinct(y5,Trdmnt,.keep_all = TRUE)%>%filter(Trdmnt>=199801&Trdmnt<=201812)%>%arrange(ecm) ##季度化月收益： ys1<-distinct(y5,Trdmnt,.keep_all = TRUE)%>%filter(Trdmnt>=200001&Trdmnt<=2
极值理论（二）：阈值超越量与尾部估计
gggfff12345的博客
11-21 5408
1 广义帕累托分布对超额分布的估计： 超过阈值u的超额分布： 均值超额分布： 为什么广义帕累托分布能拟合超额分布： 广义帕累托分布： 分布特征： ,且当 举个例子： 2 如何利用广义帕累托分布实证： 1）模型假设： 2）极大似然估计参数： 3）非独立同分布数据如何操作：当 极值指数<1时，显然违背了独立假定，一般的做法时忽略这点，此时的极大似然估计称为拟极大似然（QML）方法，由此估计的分布，虽然估计标准误较小，但是点估计值依旧可靠 ...
利用Fama-French五因子模型的alpha进行行业轮动
小壁虎的春天
03-25 4814
摘要 文献来源：Mateus C, Todorovic N, Sarwar G. US Sector Rotation with Five-Factor Fama-French Alphas[J]. Journal of Asset Management, 2017,19(2):1-17. 推荐原因：在本文中，我们使用Fama-French五因子模型的alpha值来研究经风险调整后的美国行业...
spark_3_2_0-master-3.2.3-1.el7.noarch.rpm
09-16
Ambari+Bigtop 一站式编译和部署解决方案 https://gitee.com/tt-bigdata/ambari-env
浙大城市学院在河南2021-2024各专业最低录取分数及位次表.pdf
09-16
全国各大学在河北2021-2024年各专业最低录取分数及录取位次数据，高考志愿必备参考数据
第4周玩转案例分析.pdf
09-16
第4周玩转案例分析
基于MATLAB的教室人数统计系统源代码+使用说明，带有丰富的人机交互GUI界面
09-16
基于MATLAB的教室人数统计，带有丰富的人机交互GUI界面。实现教室人数的计数统计，进而统计出勤率，上课认真听讲的比例。原先预设总人数，未出勤或者书本遮住脸部、趴着玩手机等必然无法采集到人脸，从而对应数量缺失，得出出勤率或听讲率。该课题采用肤色原理进行人脸定位和人脸分割。本课题中，为了界面GUI的美观，刻意将分割出的人脸单独显示在GUI对应的axes里
java-ssm+jsp药品销售网站系统实现源码(项目源码-说明文档)
09-16
药品销售系统的主要使用者分为管理员、用户和医生，实现功能包括管理员；管理员个人中心、用户管理、医生管理、药品信息管理、药品分类管理、订单配送管理、系统管理、订单管理，用户；个人中心、订单配送管理、订单管理，医生：个人中心、药品信息管理、药品分类管理，前台首页：首页、药品信息、我的、跳转到后台、购物车、客服等功能。 项目关键技术 开发工具：IDEA 、Eclipse 编程语言: Java 数据库: MySQL5.7+ 后端技术：ssm 前端技术：jsp 关键技术：jsp、spring、ssm、MYSQL、MAVEN 数据库工具：Navicat、SQLyog
AI健身体能测试之基于paddlehub实现引体向上计数个数统计源码+模型+视频例子+视频结果文件.zip
最新发布
09-16
使用环境： paddlepaddle==2.4.2 paddlehub==2.4.0 理论上安装最新paddle环境也行。 实现的细节参考博文：https://blog.csdn.net/FL1623863129/article/details/142307043
中国股市实证分析：Fama-French三因子模型的检验与风险探索
"Fama-French三因子模型的实证检验与风险分析" Fama-French三因子模型是由经济学家Eugene Fama和Kenneth French在1992年提出的一个股票定价模型，它扩展了传统的资本资产定价模型（CAPM）。CAPM仅考虑市场风险...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值