文章标题

模型主要都是关注：
1.如何估计参数
2.如何计算估计参数的标准误
3.如何计算定价误差的标准误
4.如何检验模型（一般都是有一个$\hat \alpha' V^{-1} \hat \alpha$形式的检验统计量）

时间序列数据回归
截面数据（同一时间的）回归

$R_t^{ei}$表示资产$i$在时刻$t$的excess return。
$R_t^{ei} = \alpha_i + \beta_i f_t + \varepsilon_t^i \quad (12.1)$
由模型可知，期望回报是$\beta$的线性函数，即：
$E(R^{ei}) = \beta_i E(f) \quad (12.2)$
由模型可知，对所有的资产$i$，其回归截距$\alpha_i$应为0。故回归得到的截距是定价误差。这里的$E(f) = \lambda$

对$(12.1)$进行时间序列回归TS，可以得到对风险溢价因子$\lambda$的估计即是该因子的样本均值：$\hat \lambda = \text{E}_T(f)$

同时也想知道定价误差$\alpha$是否jointly equal to zero，进行$\chi^2$检验（这里是对大样本而言，即$T \to \infty$）：
$T\left[1+\left(\frac{\text{E}_T(f)}{\hat \sigma (f)}\right)^2\right]^{-1} \hat \alpha' \hat \Sigma^{-1} \hat \alpha \sim \chi_N^2$
$\text{E}_T(f)$：样本均值
$\hat \sigma (f)$：样本方差
$T$：样本数目
$\hat \alpha$：估计截距向量，即$\hat \alpha = [\hat \alpha_1 \ \hat \alpha_2 \ \cdots \ \hat \alpha_N ]'$
$\hat \Sigma$：残差协方差矩阵，对$\text{E}(\varepsilon_t \varepsilon_t') = \Sigma$的样本估计，这里：$\varepsilon_t = [\varepsilon_t^1 \ \varepsilon_t^2\ \cdots \ \varepsilon_t^N]'$

对小样本而言，样本服从F分布，用GRS统计量来检验：
$\frac{T-N-1}{N}\left[1+\text{E}_T(f)' \hat \Omega ^{-1} \text{E}_T(f)' \right]^{-1} \hat \alpha' \hat \Sigma^{-1} \hat \alpha \sim F_{N,T-N-1}$

$\hat \alpha' V^{-1} \hat \alpha$是用来检验误差$\hat \alpha$是否过大的统计量，若大于某阈值，则拒绝该模型。

标准误：抽样导致的不确定性。

1. Time Series
2. Cross Sectional
3. Fama-MacBeth
4. SDF GMM

12.2 截面数据回归
K因子模型：
$\text{E}(R^{ei}) = \beta_i' \lambda, \quad i = 1,2,\cdots,N$
核心的经济学问题是：为什么不同的资产平均回报不同。

首先对下式进行TS回归来找到各个$\beta_i$的估计：
$R_t^{ei} = a_i + \beta_i' f_t + \varepsilon_t^i, \quad t = 1,2,\cdots,T, \quad \text{for each } i$
再根据每一个资产$i$所对应的$\beta_i$来估计风险溢价因子$\lambda$，即对资产在betas上的平均回报做回归分析：
$\text{E}_T(R^{ei}) = \beta_i' \lambda + \alpha_i, \quad i = 1,2,\cdots,N \quad (12.10)$
在$(12.10)$中，$\beta$是Right-Hand Variables，而$\lambda$是回归系数，CS回归的残差$\alpha_i$是定价误差。
这即是two-pass回归估计，即先进行TS估计，再进行CS估计。
CS估计可以有常数项也可以没有。因为理论表明常数项应为0。

OLS的CS估计如下：
$\hat \lambda = (\beta' \beta)^{-1} \beta' \text{E}_T(R^e)$
$\hat \alpha = \text{E}_T(R^e)- \hat \lambda \beta$
接下来寻找估计参数的分布情况，当误差在时间上是iid的，同时和因子独立。

OLS回归$Y = X \beta + u$且$\text{E}(uu') = \Omega$

估计参数$\hat \beta$的方差为：$\text{var}(\hat \beta) = (X'X)^{-1} X' \Omega X (X'X)^{-1}$

残差的协方差矩阵为：$(I-X(X'X)^{-1}X') \Omega (I-X(X'X)^{-1}X')'$

为了计算这两个参数的方差，需要知道矩阵$\Omega$即$\text{cov}(\alpha, \alpha')$。当因子和误差在时间上是iid的，则$\Omega = \frac{1}{T} (\beta \Sigma_f \beta' + \Sigma)$
这里的$\Sigma_f = \text{cov}(f_t, f_t')$，$\Sigma = \text{cov}(\varepsilon_t, \varepsilon_t')$

---

A1
在截面数据回归中，有rmrf，smb，hml这三组证券组合。
实际中经常不使用这三组，这并不合适
一般而言hml是那10组证券的线性组合（根据票面价值和市值的比值按大小次序分成的10组证券），因此协方差矩阵是奇异的。这并不会对参数的估计和标准误带来问题。但如果需要有效估计，或是对协方差矩阵需要求逆时会带来问题。
现在的问题是，究竟是否需要包括那10个证券组合。如果hml是这10组证券的因子定价模型中的因子，则不必包含这10组，因为hml即包含了这10组证券的信息。（即$\text{portfolio}_i = \text{hml}\cdot \beta_i + \alpha_i$）

A2
CAPM模型不能应用于价值股。
消费增长解释了HML溢价，因此可以解释10组BM证券组合。
和之前一样，HML和SMB有着相同的预期回报，但本质上和市场不相关

A5
很多文章提出的不被拒绝的模型，主要是因为放大的标准误