fama-french五因子模型的python实现

Rmt - Rft ：市场风险溢价因子。

SMB（Small minus Big）：当SMB增加，即小市值公司股票收益率相对大市值公司股票收益率较好，则若因子暴露βi2>0，投资组合收益率将会更高。从市值的角度解释股票收益率。

HML（High minus Low）：BM（账面市值比，市净率的倒数）越低估值越高，若BM高(低估值)的股票相对于BM低（高估值）的股票收益率提升，则HML变大，若若因子暴露βi3>0 ，股票收率会上升。从估值的角度用该因子解释股票收益率。

RMW（盈利好和盈利差的投资组合收益率差异，用息税前利润与与股东权益之比衡量）和CMA（投资高和投资低的投资组合收益率差异，用新增总资产除以上财年末的总资产衡量）通过盈利能力和投资角度来解释股票的收益率。如果因子暴露均反应了预期回报的所有变化，超额收益率阿尔法为0。

导入需要的包和数据：

import pandas as pd
import numpy as np
import datetime
import matplotlib.pyplot as plt
import matplotlib.ticker as ticker
from WindPy import w
w.start()
w.isconnected()
import statsmodels.api as sm
#沪深300成分股代码和财报数据
code=pd.read_csv('./code.csv') 
code = code['code']
code = list(code)

通过wind接口获取沪深300成分股的日频数据，数据期间：2020.1.1----2021.12.28

date_list=w.tdays("2020-01-01", "2021-12-28"," ")
close = np.zeros(shape=(len(date_list.Times),0))
close=pd.DataFrame(close)
close.index = pd.to_datetime(date_list.Times)
close = pd.DataFrame(close)
for i in code:
    history=w.wsd(i,"close","2020-01-01", "2021-12-28","Fill=Previous") 
    df=pd.DataFrame(history.Data,index=history.Fields).T #转置数据表    
    df.index = pd.to_datetime(date_list.Times)
    df = pd.DataFrame(df)
    df =df.sort_index(ascending=True)    
    df =df[['CLOSE']]
    close[i]=df
#close.to_csv('./close.csv')

cap = np.zeros(shape=(len(date_list.Times),0))
cap =pd.DataFrame(cap)
cap.index = pd.to_datetime(date_list.Times)
for i in code:
    history=w.wsd(i,"mkt_cap_ard","2020-01-01", "2021-12-28","Fill=Previous") 
    df=pd.DataFrame(history.Data,index=history.Fields).T #转置数据表    
    df.index = pd.to_datetime(date_list.Times)
    df = pd.DataFrame(df)