pythonipo模型_【python量化】Fama-French三因子回归A股实证（附源码）

01

三因子回归模型

Fama-French三因子回归是量化中最经典的模型之一，最早提出是在论文《Common risk factors in the returns on stocks and bonds》中，FAMA三因子回归模型可表示如下

其中，rt为投资组合的收益率，rf为无风险收益率，SMB为规模因子，HML为账面市值比因子，MKT为市场因子。

Fama-French三因子回归通过计算上述的三个因子，对股票的收益来源进行了分解。本文基于这篇论文，在A股上实现Fama-French三因子回归全流程。

论文及源码数据的获取方式见文末

。

02

解释变量

解释变量为三个因子SMB、HML、MKT，先贴上论文中因子定义原文，当然如果你不想看英语，可以跳过看后面我给的说明。

股票按规模分组

股票按账面市值比分组

分组后计算SMB、HML

MKT定义

总结一下

每年五月末，将股票按市值等分为两组Big(B)、Small(S)，将账面市值比按30%、40%、40%分为三组Low(L)、Middle(M)、High(H)。上述分组组合之后可以得到六个组合：B/L、B/M、B/H、S/L、S/M、S/H。作者提到之所以规模分两组，账面市值比分三组是考虑到账面市值比的效果更强(黄色部分)。

计算这六个组合的市值加权收益率(Value-weighted return) ,作者提到计算市值加权收益率一方面是为了最小化方差，另一方面可以捕捉到大市值和小市值股票的不同特征。

HML、SMB因子定义如下

公式中左边代表每个组合的市值加权收益率，HML、SMB分别刻画了规模因子和账面市值比因子的风险溢价。

MKT因子定义为RM-RF，其中RM为全市场股票市值加权收益率,RF是无风险利率

以上是解释变量的定义。

03

被解释变量

被解释变量为投资组合的收益率，作者使用doublesort的方法构建了25个投资组合(关于doublesort可以看往期推文：

因子评估——双重排序

)。

还是先给出论文的定义

总结一下

，其实和前文自变量分组的方式是一样的，每年的5月末进行分组，只不过这一次对市值和账面市值比都分别分成5等分，组合之后得到25个投资组合，并计算这25个投资组合的市值加权收益率，作为因变量。

以上就是本文模型部分的全部说明，论文中还讨论了一些其他处理细节，有兴趣可以看看。

在定义好了自变量和因变量之后，就可以做25次回归，对结果进行分析。接下来用A股数据进行实证分析。

04

FF3因子的A股实证

先说明使用的数据

HML、SMB、因变量：使用2009年-2019年全A股月度数据进行计算(用其他频率也可)

MKT：MKT的计算比较简单，直接使用中国资产管理研究中心提供的数据了，当然如果想自己算的话，RM可以考虑用中证全指的收益率，RF可以用10年期国债到期收益率。

数据格式如下，如果你有其他数据源，处理成如下的形式，可以直接使用本文的代码

价格数据

估值数据

市值数据

MKT因子

接下来是实证部分，首先把账面市值比BM和市值mkt数据拼在一起，然后剔除新股和ST股，让结果稳健一些，当然也可以不剔。

price = pd.read_csv(

'复权价格.csv')

ST = pd.read_csv(

'ST.csv')

pb = pd.read_csv(

'PB.csv')

mkt = pd.read_csv(

'mkt.csv')

ipodate = pd.read_csv(

'上市日期.csv')

# 日期处理

price[

'tradedate'] = pd.to_datetime(price.tradedate)

ST[

'entry_dt'] = pd