fama matlab源码_基于优化算法改造的Fama-French三因子模型

基于光大证券金融工程研报《站在巨人的肩膀上，从牛基组合到牛股发现 ——FOF 专题研究系列之十六 》中提及的Carhart四因子Alpha优化模型，本文在Fama-French三因子模型上进行了优化算法的Python代码实现，并对优化模型中的最优化T-统计量进行重构，得到了令人满意的结果。

一、Fama-French三因子模型简介

对于最基本的收益率归因模型CAPM而言，投资组合的收益率仅与整个市场的系统风险存在线性关系，然而CAPM模型在某些特定情况下并不能很好的解释收益，因此我们需要在模型中加入其他因子对收益率进行解释，其中广泛使用的模型有Fama-French三因子模型、Carhart四因子模型、Fama-French五因子模型。

研报(《站在巨人的肩膀上，从牛基组合到牛股发现 ——FOF 专题研究系列之十六 》)选取了Carhart四因子模型对基金的收益进行归因，而本文由于数据的缺失，退而求其次采用了Fama-French三因子模型。尽管三因子模型在收益率解释度上与四因子模型存在差异，但是从验证算法的角度而言，两者并不存在太大的差别。因此，我们最终选取Fama-French三因子模型进行归因分析，模型如下：

其中，上标

代表某一时间段的数据；

代表投资组合的复权净值收益率；

代表同时段内的无风险收益率，采用十年期国债收益率替代；

则代表投资组合的Alpha收益，即基金选股能力。其余三个因子的解释如下：

：代表市场因子。

表示市场基准组合收益率，参考研报中的取值，本文同样以中证全指收益率代替。相同的，

代表同时段内的无风险收益率，采用十年期国债收益率替代。

：代表规模因子，意即Small minus Big，表示小盘股与大盘股收益率之差。本文参考研报中取值，分别用中证500指数和中证100指数代表小盘股和大盘股。

：代表市值账面比因子，意即High minus Low主要是衡量高市值账面比与低市值账面比的股票收益率之差，本文采用沪深300成长与沪深300价值指数收益率之差作为替代(研报中采用中证800成长与中证800价值做替代)。对于SMB和HML的计算，也有另外的方法。首先根据流通市值将股票分为1：1的大市值(B)和小市值(S)股票；根据账面市值比数据将股票分为3：4：3的高中低(H/M/L)三组；通过组合可以得到2×3共计6种投资组合(SL/SM/SH/BL/BM/BH)。通过市值加权平均的方式求得各组的收益率，最后求得SMB和HML：

二、直接套用模型的Alpha偏差

对于被动的基准指数而言，其收益在Fama-French三因子模型上的Alpha应趋于0；对于研报中需要归因的大部分基金而言，这些基金的基准大多数为沪深300指数，因此原则上沪深300指数在Fama-French模型上的Alpha应该接近于0.

将三因子模型

中的

替换为沪深300指数收益率，收益率数据采用月频，数据计算区间为1年，每月进行滚动计算(本文的数据计算区间为12个月，即每个区间的数据长度为12)，计算出的年化Alpha (α*12)结果如下：图1：沪深300指数年化Alpha

可以看出沪深300指数在Fama-French模型中存在明显的Alpha收益，这是不符合假设的；同时，若直接套用上述模型对基金进行回归计算，则计算出的Alpha将有一定程度上的失真。因此，我们将通过文章《Alphas in disguise: A new approach to uncovering them》中的优化算法，对Alpha进行调整。

三、基于优化算法改造Fama-French模型

同样的，本文基于《Alphas in disguise: A new approach to uncovering them》中的最优化算法，对三因子模型中的Alpha进行重新计算。其基本思路是对三个因子进行微调，其中微调参数为

、

、

(均为常数)，则调整后的因子序列为 ：

、

、

，

于是，我们可以得到改造后的模型为：

对新模型进行回归计算，就可以得到新的(

)Alpha收益。

根据以上模型，我们下一步应该考虑的即是如何选取合适的调整参数，使得

尽可能的小。首先，我们应该意识到，模型调整后，其回归系数

、

、

的值是不会改变的，这是容易理解的，因为坐标系的平移变换只改变直线的截距，不改变直线的斜率。

接下来，我们考虑(1.1)式经过回归计算的经验回归方程：

将(1.2)式与(1.3)式等号右侧部分进行对比，考虑到回归系数相等，且误差项

期望为0，可以得到：

令