Fama—French五因子模型在中国股票市场适用吗?

资产定价历来是金融经济学研究的核心问题。自Sharpe,Lintner,Treynor等于1964年提出资本资产定价模型(CAPM)以来,通过单一风险因素确定资产收益率受到理论和市场等多方面的挑战。为了提高模型的解释能力和预测能力, Fama and French于1993年建立三因子模型来解释投资策略的超额回报,三个因子分别是:市场资产组合、市值因子(SMB)、账面市值比因子(HML),该模型能够较好地解释横截面上股票组合的期望收益率,很快被学术界和实务界广泛接受。而近年来有关证据表明,三因子模型并不能解释与盈利能力和投资风格相关的股票平均收益率的变化。Fama and French于2015年基于红利贴现模型的讨论框架在三因子模型的基础上加入盈利能力(RMW)和投资风格因子(CMA),以更好地描述横截面上股票组合的期望收益率,并且五因子模型的适用性已经在国际市场得到检验。就中国股市而言,五因子模型是否适用?五因子模型是否比三因子模型更胜一筹?由李志冰等四位作者合作并发表于《金融研究》的论文“Fama—French五因子模型在中国股票市场的实证检验”试图对这些问题进行探究。

文章参照五因子模型的因子构建方法,以1994年7月至2015年8月A股上市公司的日度和月度数据为样本,来考察五因子模型在中国股市的应用。通过实证模型发现A股市场“规模效应[1]”、“账面市值比效应”、“盈利能力效应”、“投资风格效应”显著,而“动量或反转效应[2]”影响不大。由此可知,与三因子模型等相比,五因子模型在中国市场更适用。

与其它论文不同,作者按股改[3]将完整的数据样本分为两个子样本,分别探究五因子模型在股改前后的适用性,对各因子模型在中国A股市场进行分时期检验,通过比较股改前后资本市场效率,发现股改前盈利能力、投资风格及动量因子不显著,作者认为可能与股改前市场风险占据主导地位有关,股改后这三个因子具有显著的风险溢价,市场效率有所提高。

进一步,该论文也探究了六因子模型中动量因子在中国A股市场的表现,作者通过GRS模型有效性检验,发现全样本下加入动量因子并没有提高五因子模型表现,可能由于股改前的模型产生了较大的干扰;而在股改后的样本下,加入动量因子可以显著提高模型的解释力,说明风险调整后显著的“反转效应”主要存在于股改后。

作者发现股改后实际收益率与预期收益率的差异更加接近于0,五因子模型在中国市场有效。由于五因子模型与六因子模型在某些股票组合分组方式下均无法通过GRS检验,说明它们仍然不能解释中国股市股票组合平均收益率的波动,作者指出探索其他适合中国股市的定价因子和风险因子,以构造更精确、更适用于中国市场的资产定价模型仍然是这一领域未来的研究方向。

该文将资产定价理论前沿的五因子模型与我国股票市场实际情况相结合,分析了各因子的解释能力,丰富和发展了我国资产定价领域的研究。

该文与赵胜民等三位学者合作发表于《南开经济研究》的论文“Fama—French五因子模型比三因子模型更胜一筹吗——来自中国A股市场的经验证据”利用1995年至2014年股票市场的数据得到了不一样的结论,可能是由于两篇论文在全样本情况下采取的分组方式不同而导致的,且后者也未进行分时期检验。


[1]“规模效应”是指公司规模对股票收益率的解释作用。“账面市值比效应”、“盈利能力效应”等同理。

[2]动量效应指股票的收益率有延续原来的运动方向的趋势,即过去一段时间收益率较高的股票在未来获得的收益率仍会高于过去收益率较低的股票。反转效应是指在过去一段时间内,表现差的股票倾向于其后出现好的表现,表现好的股票倾向于出现差的表现。

[3]股改就是股权分置改革。股权分置是指上世纪的八九十年代,国家担心在国有企业的股份制改革过程中因为股权稀释而丧失国家对国有企业的控制权,在A股市场上的上市公司股份按能否在证券交易所上市交易,人为地将股票分为非流通股和流通股。其中,非流通股大多为国有股和法人股,流通股主要成分为社会公众股;这是我国经济体制转轨过程中形成的特殊问题。股改前,中国股票市场主要是国有企业上市股票,一般国有企业的控股股东是国家或各级国有资产管理部门。这也是国有股和法人股的由来,国有股和法人股不能像普通股一样上市流通。国有股、法人股、普通股这三者就形成了“同股不同权,同股不同利”局面,不利于股票市场的发展。这样就慢慢的开始了“股权分置”,股权分置不能适应资本市场改革开放和稳定发展的要求。股改的目的是让国有股和法人股“享受”普通股的市场待遇,能够参与市场流通,通过全流通实现同股同权,同股同利。

--------------------------------------------------------------------------------------------------------

推荐阅读:

1.一个量化策略师的自白(好文强烈推荐)

2.股票期货经典的量化交易策略都在这里了!(源码)

3.期货/股票数据大全查询(历史/实时/Tick/财务等)

4.全网优秀的量化交易干货文章分享都在这里啦!

5.学习Python量化有哪些书籍?这里有一份书单送给你

6.量化金融经典理论、重要模型、发展简史大全

7.干货 | 量化选股策略模型大全

8.量化交易入门(精华必读版)

  • 0
    点赞
  • 7
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Fama-French因子模型是基于资产收益率与市场收益率之间的关系进行建模的一种经典的资产定价模型。下面是使用Python实现Fama-French因子模型的一般步骤: 1. 获取股票市场数据,并计算每只股票的收益率。 2. 获取市场收益率数据,并计算市场收益率的平均值和标准差。 3. 获取无风险收益率数据,并计算每只股票的超额收益率。 4. 获取市值因子、账面市值比因子、动量因子、投资因子和质量因子的数据,并计算每只股票在这些因子上的暴露度。 5. 使用多元回归模型,将每只股票的超额收益率作为因变量,市场收益率、市值因子、账面市值比因子、动量因子、投资因子和质量因子的暴露度作为自变量,估计模型的系数。 下面是一个简单的Python代码实现示例: ```python import pandas as pd import numpy as np import statsmodels.api as sm # 获取股票市场数据并计算每只股票的收益率 stock_data = pd.read_csv('stock_data.csv') stock_returns = stock_data.pct_change().dropna() # 获取市场收益率数据并计算平均值和标准差 market_data = pd.read_csv('market_data.csv') market_returns = market_data['return'].mean() market_std = market_data['return'].std() # 获取无风险收益率数据并计算每只股票的超额收益率 rf_data = pd.read_csv('rf_data.csv') rf_returns = rf_data['return'] excess_returns = stock_returns.sub(rf_returns, axis=0) # 获取市值因子、账面市值比因子、动量因子、投资因子和质量因子的数据 factor_data = pd.read_csv('factor_data.csv') # 计算每只股票在这些因子上的暴露度 factor_exposures = sm.add_constant(factor_data[['Mkt-RF', 'SMB', 'HML', 'Mom', 'CMA']]) results = sm.OLS(excess_returns, factor_exposures).fit() # 打印模型系数 print(results.params) ``` 需要注意的是,上述代码中的数据文件需要自己准备,而且实际应用中还需要进行更多的数据处理和模型检验等工作。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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