Fama-French 三因子模型在A股市场的实证研究

最新推荐文章于 2024-05-04 17:37:39 发布
最新推荐文章于 2024-05-04 17:37:39 发布
阅读量2.9w 收藏 127
点赞数 18
分类专栏： 量化投资 文章标签： fama

https://uqer.io/community/share/5784b3d1228e5b8a09932d9e

Fama-French 三因子在A股市场的实证研究

Fama-French三因子模型无疑是量化领域最经典的模型之一，该模型的提出是在论文《commom risk factors in returns on bonds and stocks>里，本帖本着学习的精神对其进行了学习，并使用论文中的方法在中国A股市场上进行了实证。\begin{align}E(R(t))=R_f(t)+bE(R_M(t)-R_f(t))+sE(SMB(t))+hE(HML(t))\end{align}

RM−Rf 表示的是市场因子， SMB 表示的是规模(市值)因子， HML 表示账面市值比因子

一.背景

资本资产定价模型（CAPM）问世以后，许多学者对其进行了实证研究，如Black和Scholes（1972）及Fama(1973)的检验证明，对1969年以前的数据而言，资本资产定价模型是有效的，而对之后的数据，却缺乏说服力。在横截面数据里，股票的平均收益和市场 β 相关性很低，因而更多影响股票收益的因素亟待发掘。

Fama和French(1992)研究了市场 β , 市值(size), 账面市值比(book-to-market equity),财务杠杆(leverage) 和市盈率(E/P)对平均收益的影响。横截面回归后发现，在独立检验四者对平均收益的影响时，四者都表现出了很强的解释能力，而 β 很弱；在进行多变量回归时，市值和账面市值比这两个因子吸收了另两个因子的解释能力，成为了解释平均收益的决定性变量

1993年，Fama和French的论文《commom risk factors in returns on bonds and stocks〉正式标志着三因子模型的建立。在该论文里，他们不仅研究了影响股票收益的因子模型，还研究了对债券收益的因子模型；更重要的是，不同于以往的横截面回归，该论文使用了Black,Jensen和Scholes的时间序列回归方法，对影响股票收益的市场超额收益，规模和账面市值比三个因子进行了实证研究。

下面，本帖就论文里对股票三因子模型的研究思路，在优矿平台上对中证800成分股从2007.6到2016.5的数据进行了实证研究，以验证三因子模型的有效性。

二.研究思路

1.Black-Jensen-Scholes时间序列回归

横截面回归大家都非常熟悉，无论是单变量还是多变量回归，都是在研究解释变量对响应变量的解释能力。Black-Jensen-Scholes时间序列回归的方法是Black,Jensen和Scholes所提出来验证CAPM的。早期的验证方法是先使用一个单只股票的时间序列回归估计贝塔，再用横截面回归验证CAPM推出的假设。但是这样回归会有误差项存在相关性，贝塔非平稳等问题，时间序列回归则避免了这些问题。即根据前一期估计的贝塔值对股票排序再进行分组，分别估计各投资组合的阿尔法和贝塔，每五年重新估计贝塔，然后检验各个投资组合的阿尔法是否显著为0,从而验证CAPM\begin{align}E(R(t))=R_f(t) +\beta(E(R_M(t))-R_f(t))\end{align}

2.解释变量

解释变量就是我们需要验证的三个因子，市场超额收益，规模和账面市值比。我们要按照论文里的思路对其进行处理。

1）分组

把股票按每年5月末时的市值（size）大小进行排序，按照50%分位值把股票分为S(small)和B(big)两组；

再依据5月末时的账面市值比（我们取1/PB）大小对800只股票进行排序，分为L（low，30%）,M(medium,40%),H(high,30%)三组;

再分别对S,B和L,M,H取交集，股票即被分为了SL,SM,SH,BL,BM,BH六组。

也就是说，分组每年5月末进行一次，800只股票每次被重新分为了SL,SM,SH,BL,BM,BH六组，前一年6月到第二年5月重新分组时的投资组合都是一样的

这里为什么要按市值分为两组，按账面市值比分为三组呢？是因为账面市值比有更强的作用，我们要把它分得更细。

(PS:论文里是6月末按照市值大小分组，账面市值比依据的是前一年末时的数据，个人以为5月末也没事)

1 
#定义了一个进行分组的函数get_6groups，方便对每年的数据进行分组
2 
#这里的账面市值比用的是1/PB
3 
import numpy as np
4 
import pandas as pd
5 
def get_6groups(breakpoint):   #breakpoint是每年进行分组的时间点，这里是每年5月末
6 
    C=DataAPI.MktEqudGet(ticker='000028',beginDate=str(int(breakpoint)-20),endDate=breakpoint,field=u"ticker,tradedate")
7 
    breakpoint=filter(lambda x:x.isdigit(),C.iat[len(C)-1,1])                         #取breakpoint前最近一个交易日日期
8 
    universe = set_universe('000906.ZICN',date=breakpoint)                           #取当时的中证800股指成分股
9 
    ME=DataAPI.MktEqudGet(tradeDate=breakpoint,secID=universe,field=u"ticker,marketValue").dropna()   #取当时的市值
10 
    ME50=np.percentile(ME['marketValue'],50)                                     #算出市值大小的50%分位值
11 
    S=ME[ME['marketValue']<=ME50]['ticker'].tolist()                                #按市值大小分为两组，存为列表
12 
    B=ME[ME['marketValue']>ME50]['ticker'].tolist()
13 
    BP=DataAPI.MktStockFactorsOneDayGet(tradeDate=breakpoint,secID=universe,field=u"ticker,PB").dropna()
14 
    BP=BP[BP>0].dropna()                                                  #去掉PB值为负的股票
15 
    BP[['PB']]=1/BP[['PB']]                                                #取1/PB，为账面市值比
16 
    BP30=np.percentile(BP['PB'],30)
17 
    BP70=np.percentile(BP['PB'],70)
18 
    L=BP[BP['PB']<=BP30]['ticker'].tolist()                                      #按1/PB大小分为三组
19 
    H=BP[BP['PB']>BP70]['ticker'].tolist()
20 
    M=list(set(BP['ticker'].tolist()).difference(set(L+H)))
21 
    SL=list(set(S).intersection(set(L)))                                       #对S组和L组的股票取交集，作为SL组的股票组合
22 
    SM=list(set(S).intersection(set(M)))
23 
    SH=list(set(S).intersection(set(H)))
24 
    BL=list(set(B).intersection(set(L)))
25 
    BM=list(set(B).intersection(set(M)))
26 
    BH=list(set(B).intersection(set(H)))
27 
    return SL,SM,SH,BL,BM,BH
查看全部

下面我们要计算每个投资组合的月收益率，计算投资组合的月收益率时，要算市值加权的收益率，这是为了最小化方差（风险）

1 
#得到投资组合x从Year的6月到Year+1的5月的月收益率序列
2 
def get_returnMonthly(x,Year):
3 
    #先用交易日日历得到Year的5月到Year+1的5月的月末交易日日期
4 
    from CAL.PyCAL import *
5 
    data=DataAPI.TradeCalGet(exchangeCD=u"XSHG",beginDate=str(Year*10000+501),endDate=str((Year+1)*10000+601),field=['calendarDate','isMonthEnd'])
6 
    data = data[data['isMonthEnd'] == 1]
7 
    date= map(lambda x: x[0:4]+x[5:7]+x[8:10], data['calendarDate'].values.tolist())
8 
    #调用投资组合x每只股票每个月末的市值，收盘价用来计算收盘价
9 
    returnMonthly=np.zeros(12)
10 
    for i in range(12):
11 
        inf1=DataAPI.MktEqudAdjGet(tradeDate=date[i],ticker=x,field=u"ticker,closePrice").set_index('ticker')  #前一个月的收盘价
12 
        inf2=DataAPI.MktEqudAdjGet(tradeDate=date[i+1],ticker=x,field=u"ticker,marketValue,closePrice").set_index('ticker')   #当月的收盘价和市值
13 
        Return=pd.concat([inf2,inf1],axis=1)
14 
        Return.columns=['Weight','Return','WReturn']                   #计算每只股票收益率和市值加权的权重以及两者的乘积
15 
        Return['Weight']=Return['Weight']/Return['Weight'].sum()
16 
        Return['Return']=Return['Return']/Return['WReturn']-1
17 
        Return['WReturn']=Return['Weight']*Return['Return']
18 
        returnMonthly[i]=Return['WReturn'].sum()
19 
    return returnMonthly
查看全部

2）因子

市值因子：\begin{align}SMB = 1/3(SL+SM+SH)-1/3(BL+BM+BH)\end{align}表示的是由于公司规模不同造成的风险溢价

账面市值比因子:\begin{align}HML = (SH+BH)/2-(SL+BL)/2\end{align}表示由于账面市值比不同造成的风险溢价

可以看出因子的值是一个市值加权月收益率序列,我们研究了九年的数据，所以因子的长度是9*12=108

1 
#计算每年的SMB和HML因子，合在一起
2 
SMB=[]
3 
HML=[]
4 
r_groups=pd.DataFrame()  #用于存储每个组合的月收益率序列，方便我们之后查看
5 
r_groups['SL']=np.zeros(108)
6 
r_groups['SM']=np.zeros(108)
7 
r_groups['SH']=np.zeros(108)
8 
r_groups['BL']=np.zeros(108)
9 
r_groups['BM']=np.zeros(108)
10 
r_groups['BH']=np.zeros(108)
11 
for Year in [2007,2008,2009,2010,2011,2012,2013,2014,2015]:
12 
    SL,SM,SH,BL,BM,BH=get_6groups(str(Year*10000+531))  #依据当年5月末的市值和账面市值比分组
13 
    r_SL=get_returnMonthly(SL,Year)       #得到当年5月末到次年的市值加权月收益率序列
14 
    r_SM=get_returnMonthly(SM,Year)
15 
    r_SH=get_returnMonthly(SH,Year)
16 
    r_BL=get_returnMonthly(BL,Year)
17 
    r_BM=get_returnMonthly(BM,Year)
18 
    r_BH=get_returnMonthly(BH,Year)
19 
    
20 
    r_groups.iloc[(Year-2007)*12:(Year-2006)*12,[0]]=r_SL.reshape(12,1)   #把组合SL当年5月末到次年的市值加权月收益率序列
21 
    r_groups.iloc[(Year-2007)*12:(Year-2006)*12,[1]]=r_SM.reshape(12,1)
22 
    r_groups.iloc[(Year-2007)*12:(Year-2006)*12,[2]]=r_SH.reshape(12,1)
23 
    r_groups.iloc[(Year-2007)*12:(Year-2006)*12,[3]]=r_BL.reshape(12,1)
24 
    r_groups.iloc[(Year-2007)*12:(Year-2006)*12,[4]]=r_BM.reshape(12,1)
25 
    r_groups.iloc[(Year-2007)*12:(Year-2006)*12,[5]]=r_BH.reshape(12,1)
26 
    
27 
    SMBr=(r_SL+r_SM+r_SH)/3-(r_BL+r_BM+r_BH)/3                         #当年的SMB和HML因子，存为list
28 
    HMLr=(r_SH+r_BH)/2-(r_SL+r_BL)/2  
29 
    SMB += SMBr.tolist()
30 
    HML += HMLr.tolist()
31 
SMB=np.array(SMB)
32 
HML=np.array(HML)
查看全部
1 
#加载画图需要用的包
2 
import matplotlib as mpl
3 
import matplotlib.pyplot as plt
4 
mpl.style.use('ggplot')
5 
import seaborn as sns
查看全部

下面我们先看一看我们得到的六个组合的市值加权月收益率的情况，直观上符合常理

1 
from CAL.PyCAL import *
2 
data=DataAPI.TradeCalGet(exchangeCD=u"XSHG",beginDate=str(2007*10000+501),endDate=str((2015+1)*10000+601),field=['calendarDate','isMonthEnd'])
3 
data = data[data['isMonthEnd'] == 1]
4 
date= map(lambda x: x[0:4]+x[5:7]+x[8:10], data['calendarDate'].values.tolist())
5 
r_groups.index=date[1:]
6 
r_groups.plot(figsize=[12,7])
查看全部
<matplotlib.axes._subplots.AxesSubplot at 0x7a79650>

市场因子：\begin{align}R_M-R_f\end{align}RM取的就是中证800指数的收益，Rf取的是银行间质押式回购利率_同业拆借中心R007

1 
#先用交易日日历得到Year的5月到Year+1的5月的月末交易日日期
2 
from CAL.PyCAL import *
3 
data=DataAPI.TradeCalGet(exchangeCD=u"XSHG",beginDate='20070501',endDate='20160601',field=['calendarDate','isMonthEnd'])
4 
data = data[data['isMonthEnd'] == 1]
5 
date = map(lambda x: x[0:4]+x[5:7]+x[8:10], data['calendarDate'].values.tolist())
6 
RmMonthly=np.zeros(108)
7 
RfMonthly=np.zeros(108)
8 
for i in range(108):
9 
    index1=DataAPI.MktIdxdGet(tradeDate=date[i],indexID=u"000906.ZICN",field=u"closeIndex") #上月指数收盘
10 
    index2=DataAPI.MktIdxdGet(tradeDate=date[i+1],indexID=u"000906.ZICN",field=u"closeIndex")  #当月指数收盘
11 
    RmMonthly[i]=index2['closeIndex'][0]/index1['closeIndex'][0]-1
12 
    rf=DataAPI.ChinaDataInterestRateInterbankRepoGet(indicID=u"M120000068",beginDate=date[i+1],endDate=date[i+1],field=u"dataValue")  #当月无风险收益
13 
    RfMonthly[i]=rf['dataValue'][0]/100/12    #给出的是年化无风险收益，这里需要转化成月的
14 
MF=RmMonthly-RfMonthly  #市场因子
查看全部

三个因子我们都得到了，再来看看三个因子的状况：

1 
factor=pd.DataFrame()
2 
factor['MF']=MF
3 
factor['SMB']=SMB
4 
factor['HML']=HML
5 
factor.index=date[1:]
6 
factor.plot(figsize=[12,7])
7 
factor.describe()
查看全部
 MFSMBHML
count108.000000108.000000108.000000
mean0.0012370.014489-0.001268
std0.0961890.0589290.049805
min-0.262845-0.209948-0.157205
25%-0.063134-0.014343-0.025673
50%0.0052960.014957-0.004887
75%0.0588380.0514840.022718
max0.1926180.2149160.248741

到这里，我们的三个因子就处理完了，三个解释变量都做成了数组，下面可以分析一下各个因子之间的相关系数

1 
x=np.zeros((3,108))
2 
x[0]=MF
3 
x[1]=SMB
4 
x[2]=HML
5 
Correlations=pd.DataFrame(np.corrcoef(x))
6 
Correlations.columns=['MF','SMB','HML']
7 
Correlations.index=['MF','SMB','HML']
8 
Correlations
查看全部
 MFSMBHML
MF1.0000000.212499-0.031912
SMB0.2124991.000000-0.424261
HML-0.031912-0.4242611.000000

3. 响应变量

首先我们将股票按之前的方法分为25个组合，即：

在每年5月末，按照市值大小将股票排序并分为5组，然后按照账面市值比大小把股票分为5组，交叉取交集，得到5*5=25个股票组合

也就是说，我们将作25个回归，每次回归时的解释变量都一样，响应变量不同

1 
#每年5月末，按照市值大小将股票排序分为5组
2 
def get_25groups(breakpoint):
3 
    universe = set_universe('000906.ZICN',date=breakpoint)
4 
    C=DataAPI.MktEqudGet(ticker='000028',beginDate=str(int(breakpoint)-20),endDate=breakpoint,field=u"ticker,tradedate")
5 
    breakpoint=filter(lambda x:x.isdigit(),C.iat[len(C)-1,1])                             #取breakpoint前最近一个交易日日期
6 
    ME=DataAPI.MktEqudGet(tradeDate=breakpoint,secID=universe,field=u"ticker,marketValue").dropna()
7 
    MEq=np.zeros(6) #用于存储ME的分位值
8 
    ME_5=pd.Series([]) #用于存储依据市值分好的5个组
9 
    BP=DataAPI.MktStockFactorsOneDayGet(tradeDate=breakpoint,secID=universe,field=u"ticker,PB").dropna()
10 
    BP=BP[BP>0].dropna()                                                  #去掉PB值为负的股票
11 
    BP[['PB']]=1/BP[['PB']]                                               #取1/PB，为账面市值比
12 
    BPq=np.zeros(6)  #用于存储1/PB的分位值
13 
    BP_5=pd.Series([]) #用于存储依据账面市值比分好的5个组
14 
    for i in range(5):
15 
        MEq[i+1]=np.percentile(ME['marketValue'],(i+1)*20)                           #算出市值大小的20%,40%,60%,80%分位值
16 
        BPq[i+1]=np.percentile(BP['PB'],(i+1)*20)
17 
        D=ME[(ME['marketValue']>MEq[i]) & (ME['marketValue']<=MEq[i+1])]['ticker'].tolist()     #取市值处于相应分位值区间的股票
18 
        ME_5=pd.concat([ME_5,pd.Series(D)],axis=1)                                 #存于dataframe里
19 
        E=BP[(BP['PB']>BPq[i]) & (BP['PB']<=BPq[i+1])]['ticker'].tolist()
20 
        BP_5=pd.concat([BP_5,pd.Series(E)],axis=1)
21 
    ME_5.columns=range(5) #重命名列名
22 
    BP_5.columns=range(5)
23 
    Group25=pd.Series([]) #用于存著交叉取交集后的25个股票组合
24 
    for i in range(5):
25 
        for j in range(5):
26 
            s1=ME_5[i].dropna().tolist()
27 
            s2=BP_5[j].dropna().tolist()
28 
            stocks=pd.Series(list(set(s1).intersection(set(s2)))) #取交集
29 
            Group25=pd.concat([Group25,stocks],axis=1)
30 
    Group25.columns=range(25)
31 
    return Group25
查看全部

计算25个股票组合，每个组合的市值加权月收益率序列

1 
EReturn=np.zeros((25,12*9)) #用于存储25个组合的超额收益序列
2 
for i in range(25):
3 
    a=[]
4 
    for Year in [2007,2008,2009,2010,2011,2012,2013,2014,2015]:
5 
        Group25=get_25groups(str(Year*10000+531))   #每年进行分组
6 
        a=a+(get_returnMonthly(Group25[i].dropna().tolist(),Year)).tolist()   #收益率转化为list，方便每年相加
7 
    EReturn[i]=np.array(a)-RfMonthly
查看全部

我们看一下25个组合平均每年的公司数：

1 
number=np.zeros((25,9))
2 
for i in range(25):
3 
    for j in range(9):
4 
        Group25=get_25groups(str((j+2007)*10000+531))   #每年进行分组
5 
        number[i][j]=len(Group25[i].dropna().tolist())
6 
number_mean=np.zeros(25)
7 
for i in range(25):
8 
    number_mean[i]=number[i].mean()
9 
numbers=pd.DataFrame(number_mean.reshape(5,5))
10 
numbers.columns=['small_BE/ME','1','2','3','big_BE/ME']
11 
numbers.index=['small_size','1','2','3','big_size']
12 
numbers
查看全部
 small_BE/ME123big_BE/ME
small_size12.88888927.88888935.77777841.33333341.888889
125.33333334.66666736.77777834.55555628.666667
239.55555634.22222234.44444425.55555625.555556
344.11111136.66666727.33333328.00000023.888889
big_size38.11111126.22222225.11111130.22222240.000000

还可以看一下25个组合平均每年的总市值大小，验证一下分组的正确性：

1 
MarketValue=np.zeros((25,9))
2 
for i in range(25):
3 
    for j in range(9):
4 
        breakpoint=str((j+2007)*10000+531)
5 
        Group25=get_25groups(breakpoint)  #每年进行分组
6 
        C=DataAPI.MktEqudGet(ticker='000028',beginDate=str(int(breakpoint)-20),endDate=breakpoint,field=u"ticker,tradedate")
7 
        breakpoint=filter(lambda x:x.isdigit(),C.iat[len(C)-1,1])                             #取breakpoint前最近一个交易日日期
8 
        data=DataAPI.MktEqudGet(tradeDate=breakpoint,ticker=Group25[i].dropna().tolist(),field=u"ticker,marketValue").dropna()
9 
        MarketValue[i][j]=data['marketValue'].sum()
10 
MarketValue_mean=np.zeros(25)
11 
for i in range(25):
12 
    MarketValue_mean[i]=MarketValue[i].mean()
13 
MV=pd.DataFrame(MarketValue_mean.reshape(5,5))
14 
MV.columns=['small_BE/ME','1','2','3','big_BE/ME']
15 
MV.index=['small_size','1','2','3','big_size']
16 
MV
查看全部
 small_BE/ME123big_BE/ME
small_size6.007957e+101.175193e+111.455794e+111.798913e+111.646767e+11
11.745471e+112.368089e+112.355071e+112.167016e+111.717474e+11
23.920921e+113.309705e+113.278397e+112.391956e+112.118269e+11
37.007655e+115.851388e+114.300714e+114.208436e+114.202868e+11
big_size2.054059e+122.041996e+122.416426e+123.877098e+127.510095e+12

上面的股票组合从左到右，账面市值比越来越大；从上往下，市值越来越大，说明我们的分组是正确的

看一下25个组合超额收益的均值和方差：

1 
EReturn_mean=np.zeros(25)
2 
for i in range(25):
3 
    EReturn_mean[i]=EReturn[i].mean()
4 
mean=pd.DataFrame(EReturn_mean.reshape(5,5))
5 
mean.columns=['small_BE/ME','1','2','3','big_BE/ME']
6 
mean.index=['small_size','1','2','3','big_size']
7 
mean
查看全部
 small_BE/ME123big_BE/ME
small_size0.0254330.0227990.0434280.0229990.019819
10.0192330.0224190.0233660.0223560.016953
20.0165950.0155790.0173920.0170740.020958
30.0194330.0121990.0149420.0136590.009995
big_size0.0061330.0008010.0060650.0075800.005248
1 
EReturn_std=np.zeros(25)
2 
for i in range(25):
3 
    EReturn_std[i]=EReturn[i].std()
4 
std=pd.DataFrame(EReturn_std.reshape(5,5))
5 
std.columns=['small_BE/ME','1','2','3','big_BE/ME']
6 
std.index=['small_size','1','2','3','big_size']
7 
std
查看全部
 small_BE/ME123big_BE/ME
small_size0.1259900.1119120.2169300.1112230.109084
10.1103470.1137260.1101960.1160360.111958
20.1041150.1058760.1102420.1125610.110588
30.1065250.1068460.1074910.1025900.110776
big_size0.0973510.0972360.1005610.1025530.092128

三.回归和结果

1.回归一

CAPM回归模型：\begin{align}R(t)-R_f(t) = a+b(R_M(t)-R_f(t))+e(t)\end{align}这就是经典的CAPM模型，我们可以检验一下它在中国A股市场的有效性：

1 
#作25次回归
2 
import numpy as np
3 
from sklearn import linear_model
4 
a1=np.zeros(25)   #a项
5 
b1=np.zeros(25)   #市场因子项系数
6 
e1=np.zeros((25,108))   #残差项
7 
R2_1=np.zeros(25)   #R2相关系数平方
8 
tb1=np.zeros(25)
9 
ta1=np.zeros(25)
10 
import statsmodels.api as sm
11 
from statsmodels.sandbox.regression.predstd import wls_prediction_std
12 
ap1=np.zeros(25)  #a显著性检验的P值，下面类同
13 
bp1=np.zeros(25)
14 
for i in range(25):
15 
    X=np.zeros((1,108))
16 
    X[0]=MF
17 
    X=X.T
18 
    X = sm.add_constant(X,has_constant='skip')
19 
    y=EReturn[i]
20 
    model = sm.OLS(y, X)
21 
    results = model.fit()
22 
    a1[i] = results.params[0]
23 
    b1[i] = results.params[1]
24 
    ap1[i]=results.pvalues[0]
25 
    bp1[i]=results.pvalues[1]
26 
    R2_1[i] = results.rsquared
27 
    e1[i] = results.resid
28 
    tb1[i] = results.tvalues[1]
29 
    ta1[i] = results.tvalues[0]
查看全部

先看一下这25个回归的判定系数R2，它度量了拟合程度的好坏。

1 
R2inf1=pd.DataFrame(R2_1.reshape(5,5))
2 
R2inf1.columns=['small_BE/ME','1','2','3','big_BE/ME']
3 
R2inf1.index=['small_size','1','2','3','big_size']
4 
R2inf1
查看全部
 small_BE/ME123big_BE/ME
small_size0.5943530.7141500.3504860.8247080.825360
10.7160480.7319420.7915290.8283430.859161
20.7183640.7450720.8843440.8600490.804825
30.7452270.8708850.9067940.8950850.878805
big_size0.7952970.8948260.8345210.7836040.786575

25个回归的R2大多处于0.7~0.9之间，已经是比较好的结果了，这点可以和其它的回归模型对比。

下面看一下市场因子的系数 β ：

1 
binf1=pd.DataFrame(b1.reshape(5,5))
2 
binf1.columns=['small_BE/ME','1','2','3','big_BE/ME']
3 
binf1.index=['small_size','1','2','3','big_size']
4 
binf1
查看全部
 small_BE/ME123big_BE/ME
small_size1.0145000.9877961.3413761.0549651.035088
10.9752731.0162361.0239921.1030411.083893
20.9216800.9545281.0828091.0902981.036224
30.9604861.0414431.0691081.0137541.084644
big_size0.9067790.9607050.9594960.9481840.853405

我们可以看到 β 大多处于1左右。下面我们来检验其显著性，回归系数的显著性检验用的是t检验：原假设为t=0,若t统计量的值大于给定显著水平下的t分位值，则拒绝原假设，说明该系数显著大于0

1 
import scipy.stats as stats
2 
t107=stats.t.isf(0.025,106)  #自由度为n-p，显著水平5%下的t分位值
3 
t107
查看全部
1.9825972617102912
1 
tbinf1=pd.DataFrame(tb1.reshape(5,5))
2 
tbinf1.columns=['small_BE/ME','1','2','3','big_BE/ME']
3 
tbinf1.index=['small_size','1','2','3','big_size']
4 
tbinf1
查看全部
 small_BE/ME123big_BE/ME
small_size12.46238516.2734217.56299322.33174522.382173
116.34939417.01282620.06147622.61658225.428921
216.44301217.60121828.46945925.52264320.906988
317.60841926.73894132.11332830.07227427.724048
big_size20.29340330.03089823.12065619.59187819.765164

我们可以看到所有回归里 β 的t统计量的值都大于临界值，我们应该拒绝原假设，即表明 β 系数显著

以上，说明资本资产定价模型是有效的，市场因子的影响是显著的

2.回归二

如上，我们检验了CAPM模型的有效性，现在我们不妨检验一下另外两个因子对股票超额收益的解释作用。\begin{align}R(t)-R_f(t) = a+sSMB(t)+hHML(t)+e(t)\end{align}SMB和HML分别代表规模(市值)因子和账面市值比因子。

1 
#作25次回归
2 
import numpy as np
3 
from sklearn import linear_model
4 
a2=np.zeros(25)   #a项
5 
s2=np.zeros(25)   #规模因子项系数
6 
h2=np.zeros(25)   #账面价值比项系数
7 
e2=np.zeros((25,108))   #残差项
8 
R2_2=np.zeros(25)   #R2相关系数平方
9 
ta2=np.zeros(25)
10 
tb2=np.zeros(25)
11 
import statsmodels.api as sm
12 
from statsmodels.sandbox.regression.predstd import wls_prediction_std
13 
ap2=np.zeros(25)  #a显著性检验的P值，下面类同
14 
sp2=np.zeros(25)
15 
hp2=np.zeros(25)
16 
for i in range(25):
17 
    X=np.zeros((2,108))
18 
    X[0]=SMB
19 
    X[1]=HML
20 
    X=X.T
21 
    X = sm.add_constant(X,has_constant='skip')
22 
    y=EReturn[i]
23 
    model = sm.OLS(y, X)
24 
    results = model.fit()
25 
    ap2[i]=results.pvalues[0]
26 
    sp2[i]=results.pvalues[1]
27 
    hp2[i]=results.pvalues[2]
28 
    a2[i] = results.params[0]
29 
    s2[i] = results.params[1]
30 
    h2[i] = results.params[2]
31 
    R2_2[i] = results.rsquared
32 
    e[i] = results.resid
33 
    tb2[i] = results.tvalues[1]
34 
    ta2[i] = results.tvalues[0]
查看全部

同样，我们看一下25个回归的判定系数R2的情况：

1 
R2inf2=pd.DataFrame(R2_2.reshape(5,5))
2 
R2inf2.columns=['small_BE/ME','1','2','3','big_BE/ME']
3 
R2inf2.index=['small_size','1','2','3','big_size']
4 
R2inf2
查看全部
 small_BE/ME123big_BE/ME
small_size0.4292060.3938040.1214990.2985280.280941
10.3737880.3877740.2917210.2919670.232686
20.3982900.3193920.2229780.2079270.249022
30.2429460.1901580.1522700.1617530.129395
big_size0.1161280.0058020.0044710.0624310.124630

从R2可以看到，基本都在0.5以下，这个回归的结果比回归一差了很多，这个模型并不好,也就是说只用市值因子和账面市值比因子来解释股票超额收益是不合适的

3.回归三

这里的回归模型就是我们经典的三因子模型

\begin{align}R(t)-R_f(t) = a+b(R_M(t)-R_f(t))+sSMB(t)+hHML(t)+e(t)\end{align}

R(t)−Rf(t) ：市场因子

SMB(t) ：规模(市值)因子

HML(t) ：账面市值比因子

1 
#作25次回归
2 
import numpy as np
3 
from sklearn import linear_model
4 
a=np.zeros(25)   #a项
5 
b=np.zeros(25)   #市场因子项系数
6 
s=np.zeros(25)   #规模因子项系数
7 
h=np.zeros(25)   #账面价值比项系数
8 
e=np.zeros(25)   #残差项
9 
R2=np.zeros(25)   #R2相关系数平方
10 
for i in range(25):
11 
    x=np.zeros((3,108))
12 
    x[0]=MF
13 
    x[1]=SMB
14 
    x[2]=HML
15 
    y=EReturn[i]
16 
    x=np.mat(x).T
17 
    y=np.mat(y).T
18 
    regr = linear_model.LinearRegression()
19 
    regr.fit(x,y)
20 
    b[i]=regr.coef_[0][0]
21 
    s[i]=regr.coef_[0][1]
22 
    h[i]=regr.coef_[0][2]
23 
    a[i]=regr.intercept_[0]
24 
    e[i]=regr.residues_
25 
    R2[i]=regr.score(x,y)
查看全部
1 
import statsmodels.api as sm
2 
from statsmodels.sandbox.regression.predstd import wls_prediction_std
3 
ap=np.zeros(25)  #a显著性检验的P值
4 
ta=np.zeros(25)
5 
tb=np.zeros(25)
6 
ts=np.zeros(25)
7 
th=np.zeros(25)
8 
for i in range(25):
9 
    X=np.zeros((3,108))
10 
    X[0]=MF
11 
    X[1]=SMB
12 
    X[2]=HML
13 
    X=X.T
14 
    X = sm.add_constant(X,has_constant='skip')
15 
    y=EReturn[i]
16 
    model = sm.OLS(y, X)
17 
    results = model.fit()
18 
    ap[i]=results.pvalues[0]
19 
    ta[i] = results.tvalues[0]
20 
    tb[i] = results.tvalues[1]
21 
    ts[i] = results.tvalues[2]
22 
    th[i] = results.tvalues[3]    
查看全部

我们先看一下回归的R2：

1 
R2inf3=pd.DataFrame(R2.reshape(5,5))
2 
R2inf3.columns=['small_BE/ME','1','2','3','big_BE/ME']
3 
R2inf3.index=['small_size','1','2','3','big_size']
4 
R2inf3
查看全部
 small_BE/ME123big_BE/ME
small_size0.8505040.9323590.4015010.9521280.942172
10.9285050.9476540.9286490.9499360.943393
20.9601490.9242520.9622770.9262400.903547
30.9161070.9454700.9447910.9339450.924949
big_size0.9324920.9292730.9019790.9331920.942885

我们可以看到R2基本上都在0.9以上，三因子模型的拟合程度非常好，说明三因子模型是比CAPM更有效的模型

4.回归结果分析

如上三因子模型的有效性已经得到验证，确实能够解释股票收益来源，那么A股市场对这些因子有什么偏好呢？比如：长期来看，小盘股跑赢大盘股，还是大盘股能跑赢小盘股呢？

我们可以从第一个回归(CAPM)的截距项找到答案：

1 
ainf1=pd.DataFrame(a1.reshape(5,5))
2 
ainf1.columns=['small_BE/ME','1','2','3','big_BE/ME']
3 
ainf1.index=['small_size','1','2','3','big_size']
4 
tainf1=pd.DataFrame(ta1.reshape(5,5))
5 
tainf1.columns=['small_BE/ME','1','2','3','big_BE/ME']
6 
tainf1.index=['small_size','1','2','3','big_size']
7 
print '第一个回归的a值：'
8 
print ainf1.to_html()
9 
print '自由度为n-p，显著水平5%下的t分位值:'+str(stats.t.isf(0.025,106))
10 
print '第一个回归的a的t检验统计量：'
11 
print tainf1.to_html()
查看全部
第一个回归的a值：
 small_BE/ME123big_BE/ME
small_size0.0241770.0215770.0417680.0216940.018538
10.0180260.0211620.0220990.0209910.015612
20.0154550.0143980.0160520.0157250.019676
30.0182440.0109110.0136190.0124050.008653
big_size0.005011-0.0003880.0048780.0064060.004192
自由度为n-p，显著水平5%下的t分位值:1.98259726171第一个回归的a的t检验统计量：
 small_BE/ME123big_BE/ME
small_size3.1018163.7124812.4595004.7959154.186454
13.1560423.6999294.5216624.4950193.825185
22.8795192.7727334.4077693.8443954.145978
33.4931392.9256294.2723533.8432622.309965
big_size1.171278-0.1265301.2275961.3824851.013901

可以看到25个回归里只有最后5个回归的a值是显著为0的，其余a值我们可以认为是不显著为0的，也就是说超额收益没有被完全解释，这也是三因子模型存在的必要。

我们从市值的角度来分析一下，以上结果，从上到下组合的市值越来越大，a值越来越小，a代表的是超额收益，也就是说市值越小的股票越容易获得超额收益，这点和我们的认知相同

从左到右，组合的账面市值比越来越大，a值从趋势上是越来越大，但也有很多反转，也就是说账面市值比越高的组合越容易获得超额收益这个结论并不准确。

四.总结

通过对三个模型的回归进行对比，我们可以看到，从R2来看，拟合结果最差的是第二个模型（只用市值因子和账面市值比），拟合结果最好的是第三个模型，也就是fama三因子模型。

综上，我们验证了Fama三因子模型在中国A股市场是有效的，也印证了市值小的股票更容易获得超额收益这一点。

本帖重在过程，学习交流。


RoQuant
关注
  • 18
    点赞
  • 踩
  • 127
    收藏
    觉得还不错? 一键收藏
  • 6
    评论
专栏目录
fama matlab源码_Fama French （1996）3因子模型 论文数据及matlab程序
weixin_35282782的博客
12-23 925
接受管理员的建议，附上我的matlab程序：r=data196307199312(:,1:25);% 25-size value weighted returnsT=size(r,1); %366个月N=size(r,2);% 25rmrf=data196307199312(:,26);% rm-rfrf=data196307199312(:,29); % rfmeans=resh...
MATLAB FF三因子代码
11-17
该文件是基于fama-French三因子模型而编写的MATLAB程序代码。里面有详细说明和PDF文档
Fama-French三因子和五因子模型和Stata代码（内附原始数据）
li514006030的博客
11-27 3021
Fama-French三因子和五因子模型和Stata代码（内附原始数据）
Fama-French三因子模型数据和Stata代码（2000-2020年）
04-16
Fama-French三因子模型数据和Stata代码（2000-2020年）
Python数据分析案例43——Fama-French回归模型资产定价(三因子/五因子)
最新发布
weixin_46277779的博客
05-04 2057
三因子五因子模型寻找2024年有投资价值的A股资产定价。
数据分析---Fama-French三因子模型
热门推荐
FightingBob的博客
03-31 2万+
短短二十行，只需两个库，就能构建Fama-French三因子模型，快来看看吧！
【FM】Fama-French 三因子模型
0x00
09-08 2775
Fama-French三因子模型
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�
论文研究 - 用新的Fama-French 5因子模型分析美国服务业
06-02
在本文中，我们使用美国服务业的数据对新模型进行了经验检验，这是Fama和French（2015）[1]中5要素模型的扩展。 比较了5种因素的3种类型（全球，北美和美国）。 实证结果表明，Fama-French 5个因素仍然有效！ 与Fama...
Fama-French五因子模型数据和Stata代码（2000-2020年）
04-16
Fama-French五因子模型是金融学领域一个重要的资产定价模型，由经济学家Eugene Fama和Kenneth French于2015年提出，是对原有的三因子模型的扩展。这个模型旨在解释股票收益的差异，提供了更全面的风险溢价估算方法。...
用 Fama-French 增强七因素模型重新审视中国 A 股的羊群行为-研究论文
06-10
针对现有研究的矛盾结果，本文提出了一种新的加权横截面方差（WCSV）模型来重新审视中国 A 股市场的羊群行为水平。... 我们的研究结果表明，中国 A 股的羊群行为在市场大动荡期间更为普遍，尤其是在市场低迷的情况下。
CRSP Fama-French 3因子模型 日数据 1926.7.1-2018.5.31
07-07
CRSP Fama-French 3因子模型 日数据 1926.7.1-2018.5.31 源自美国著名的金融数据库CRSP
利用python构建Fama-French三因子模型.py
12-17
以python构建Fama and French三因子（MKT、SMB、HML），代码从网络整理，可以运行，数据可通过tushare pro下载。
fama-french three factors_stata_三因子_三因子模型_fama-french_fama-frenc
09-11
利用中国A股数据实现Fama-French三因子模型，stata代码
CRSP Fama-French 5因子模型 年度数据 1964-2017
07-07
CRSP Fama-French 5因子模型 年度数据 1964-2017 源自美国著名的金融数据库CRSP
Fama三因子选股的python实现
07-06
Fama三因子选股的python实现,是做量化投资的基本策略，
（二十六）Fama-French三因素模型及应用
小粉桥反手王的博客
02-06 1万+
建立Fama-French三因素模型的思路是根据某区间所有股票数据分为6组，然后加权平均求得SMB和HML，最后挑选合适的市场指数计算Rf，与研究对象的Ri一起回归即可。注意df.query()、df.map()、df.apply()函数的使用。
The Cross-Section of Expected Stock Returns （EUGENE F. FAMA and KENNETH R. FRENCH*）
qq_28436129的博客
09-15 7706
摘要 市值和账面/市值这两个易于衡量的变量结合起来，可以捕获与市场β\betaβ，市值，杠杆，账面/市值和市盈率相关的平均股票收益的横截面变化。 而且，当检验允许与市值无关的β\betaβ的变化时，即使β\betaβ是唯一的解释变量，市场β\betaβ与平均回报之间的关系也是平坦的。 Sharpe（1964），Lintner（1965）和Black（1972）的资产定价模型长期影响着学者和从业者对平均收益和风险的思考方式。 该模型的中心预测是，就Markowitz（1959）而言，投资的市场投资组合具有均
Fama-French三因子模型
weixin_44956173的博客
07-03 3226
Fama-French三因子模型 模型 tushare ID=399224 在多因子模型出现以前，CAPM模型被奉为典型，几乎所有定价均是按照CAPM模型计算的。后来学者们发现了各种异象，这些异象无法用CAPM模型解释。较为典型的有Basu发现的盈利市值比效应和Banz发现的小市值效应。遗憾的是，虽然单一异象被发现后都对CAPM提出了挑战，但并没有形成合力，直到Fama三因子模型出现。本文通过对沪深300指数成分的子集的三因子模型进行选股，后对筛选出的股票使用支持向量机进行短期预测。再三因子模型中以单个股票
fama-french三因子模型python代码
09-10
Fama-French三因子模型是一个用来解释股票回报率的封闭形式模型。模型中的三个因子分别是市场因子、规模因子和价值因子。下面是一个使用Python编写的Fama-French三因子模型的代码示例： ```python import pandas as pd import numpy as np import statsmodels.api as sm # 读取数据 data = pd.read_csv('data.csv') # 示例数据包含股票回报率、市值和账面市值比 # 计算市场因子 data['Rm-Rf'] = data['Market_Returns'] - data['Risk-Free_Rate'] # 计算市值因子 data['SMB'] = np.where(data['Market_Cap'] < data['Market_Cap'].median(), 1, -1) # 计算价值因子 data['HML'] = np.where(data['Book-to-Market'] < data['Book-to-Market'].median(), 1, -1) # 添加截距项 data['intercept'] = 1 # 定义自变量矩阵X X = data[['Rm-Rf', 'SMB', 'HML', 'intercept']] # 定义因变量矩阵y y = data['Stock_Returns'] # 运行回归模型 model = sm.OLS(y, X) results = model.fit() # 输出回归结果 print(results.summary()) ``` 这段代码首先读取包含股票回报率、市值和账面市值比的数据。然后，根据数据计算市场因子、市值因子和价值因子。接着，添加截距项，并定义自变量矩阵X和因变量矩阵y。最后，运行OLS回归模型，输出回归结果。 该代码能够提供数据的概要信息和回归结果，有助于分析股票回报率的解释变量。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 6
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