Fama-French 三因子模型

这篇具有很好参考价值的文章主要介绍了Fama-French 三因子模型。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

概述

自提出CAPM模型以后,不断有学者对其进行实证验证和应用。有证据表明,市场风险溢酬因子不能充分解释个别风险资产的收益率,因此学者们不断探寻影响资产定价的其它因子。

Fama和French于1992年7月和1993年8月对美国股票市场中股票收益的决定因素进行了全面性的研究分析,从可以解释股票收益率的众多因素中提取出3个重要的影响因子,即市场风险溢酬因子、市值因子和账面市值比因子,依照CAPM模型用这3个因子建立起线性模型来解释股票的收益率,这就是三因子模型。

其因子说明如下:

• 市场风险溢酬因子:对应市场投资组合的收益率

• 市值因子:对应的做多市值较小公司、做空市值较大公司的投资组合之收益率

• 账面市值比因子:对应的是做多高 B/M 比公司、做空低 B/M 比公司的投资组合之收益率。

其中:

B/M:账面市值比

  1. BM=股东权益/公司市值.
  2. 股东权益(净资产)=资产总额-负债总额 (每股净资产x流通股数)
  3. 公司市值=流通股数x每股股价
  4. 账面市值比(BM)=股东权益/公司市值=(每股净资产x流通股数)/(流通股数x每股股价)=每股净资产/每股股价=B/P=市净率的倒数

应用

在实证中,我们常用:

Fama-French 三因子模型

来做回归检验,公式中

为超额收益率。在进行实证研究应用时,投资组合(或个股)收益率Rit、无风险收益率Rft、市场投资组合Rmt、市值因子组合SMBt和账面市值比因子组合HMLt的数据都是已知的,通过线性回归拟合最小化残差平方和我们可以得到参数

Fama-French 三因子模型

Fama-French 三因子模型

Fama-French 三因子模型

Fama-French 三因子模型

的估计值检验超额收益及3个因子的系数是否显著地异于0,也就是检验3个因子是否能够解释收益率。

Rit和Rmt的数值获取:国泰安数据库、中国证券市场交易数据CSMAR等有提供股票交易及收益率数据,市场投资组合收益率Rmt可以直接从数据库中苑; 若研究对象为投资组合,Rit需要用个股收益率经过加权平均计算,加权平均有两种试:一种是等比例加权平均、另一种是按市值比例加权平均。

Rft的数值获取:无风险利率Rft可以取值为中国人民银行公布的人民币利率,也可以参考政府债券的利率。投资组合(或个股)i的风险溢酬 Rit-Rft和市场风险溢酬Rmt-Rft即可计算出。

模型代码实现:

以华夏银行股票(600015.SH)为例,获取2014年1月至2015年4月的数据,利用三因子模型计算影响其收益率受到哪方面影响比较大。

第一步:先计算华夏银行股票的各期收益率:

import ffn

import tushare as ts

import pandas as pd

import project_conf

import matplotlib

matplotlib.use('TkAgg')

import matplotlib.pyplot as plt

#----数据准备

pro = ts.pro_api(project_conf.tushare_token)

formStart ="20140101"

formEnd ="20150414"

#获取(600015.SH)华夏银行股票

stock_code='600015.SH'

#从公共配置文件中获取tushare的Key并且初始化pro对象

pro = ts.pro_api(project_conf.tushare_token)

#--------获取股票数据

df_hx= pro.daily(ts_code=stock_code, start_date=formStart, end_date=formEnd)

# #将日期列转换成日期格式并设置为索引

df_hx.index=pd.to_datetime(df_hx['trade_date'])

#将数据按正序排序

df_hx.sort_index(ascending=True,inplace=True)

#计算收益率

df_hx_return=ffn.to_returns(df_hx['close'])

df_hx_return.name='return'

df_hx_return.dropna(inplace=True)

运行结果:

Fama-French 三因子模型

第二步:载入三因子数据,并与第一步计算的收益率合并成一张表格

#获取三因子(文件中是已经计算好的三因子,见附件)

three_factors=pd.read_table('datafile/ThreeFactors.txt',index_col='TradingDate')

#设置日期作为索引

three_factors.index=pd.to_datetime(three_factors.index)

#截取2014年1月2日以后的数据

three_factors_2014=three_factors.query('index>"2014-01-02"')

#获取三个因子变量(其中,标1的是用流通市值加权平均计算的,标2的是用总市值加权平均计算的 这里取标2的

df_tf=three_factors_2014[['RiskPremium2','SMB2','HML2']]

df_data=pd.merge(df_hx_return,df_tf,left_index=True,right_index=True)

print(df_data.head())

运行结果:

Fama-French 三因子模型

第三步:制作散点图,分析华夏收益率分别与三个因子之间的相关性

#开始作图 分析相关性

plt.subplot(2,2,1)

plt.scatter(df_data['return'],df_data['RiskPremium2'])

plt.subplot(2,2,2)

plt.scatter(df_data['return'],df_data['SMB2'])

plt.subplot(2,2,3)

plt.scatter(df_data['return'],df_data['HML2'])

plt.show()

运行结果:

Fama-French 三因子模型

从图可以看到,其收益率与三个因子都是高度相关的。

第四步:训练线性回归模型,输出参数

#开始训练模型

import statsmodels.api as sm

reg_three_facter=sm.OLS(df_data['return'],sm.add_constant(df_data.iloc[:,1:4]))

res=reg_three_facter.fit()

print(res.summary())

#提取模型参数

print("模型输出参数为")

print(res.params)

运行结果:

Summary输出的结果:

Fama-French 三因子模型

提取的参数:

模型输出参数为

const 0.000166

RiskPremium2 1.046047

SMB2 0.246412

HML2 0.509862

dtype: float64

结论:

综合上述模型的输出结果,可以看到,三个因子对华夏银行股价均有不同程度的影响,其中RiskPremium2(即市场风险溢酬)对其股价影响最大,说明华夏银行自身经营较稳健,价格受自身波动影响不明显,而受市场、行业影响较大。文章来源地址https://www.toymoban.com/news/detail-412408.html

到了这里,关于Fama-French 三因子模型的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 大模型的数据隐私问题有解了,浙江大学提出联邦大语言模型

    作者 | 小戏、Python 理想化的 Learning 的理论方法作用于现实世界总会面临着诸多挑战,从模型部署到模型压缩,从数据的可获取性到数据的隐私问题。 而面对着公共领域数据的稀缺性以及私有领域的数据隐私问题,联邦学习(Federated Learning)作为一种分布式的机器学习框架吸

    2024年02月13日
    浏览(33)
  • NIPS2022|南京大学提出基于点击后行为的广义延迟反馈模型

    Generalized Delayed Feedback Model with Post-Click Information in Recommender Systems Jia-Qi Yang De-Chuan Zhan Nanjing University https://proceedings.neurips.cc/paper_files/paper/2022/file/a7f90da65dd41d699d00e95700e6fa1e-Paper-Conference.pdf 转化率预估(比如预测某个用户购买某个商品的概率)在机器学习推荐系统中是一个基本问

    2024年02月05日
    浏览(45)
  • 12秒内AI在手机上完成作画!谷歌提出扩散模型推理加速新方法

    本文源自:量子位 只需12秒,只凭手机自己的算力,就能拿Stable Diffusion生成一张图像。 而且是完成了20次迭代的那种。 要知道,现在的扩散模型基本都超过了10亿参数,想要快速生成一张图片,要么基于云计算,要么就是要本地硬件够强大了。 而随着大模型应用逐渐普及开

    2024年02月01日
    浏览(43)
  • 3D建模完成以后,如何用编程语言控制这些模型的展示和动画

    完成 3D 建模后,需要使用一些图形编程库来控制模型的展示和动画。下面是一些常用的图形编程库: OpenGL:OpenGL 是一个跨平台的图形编程接口,可以使用多种编程语言进行开发,比如 C/C++,Python,Java 等。OpenGL 提供了强大的图形渲染能力,可以用来绘制各种 2D 和 3D 图形,

    2024年02月04日
    浏览(31)
  • 从错误中学习!腾讯AI Lab提出诱导大模型自身幻觉来消除幻觉

    现有的大规模语言模型(LLM)在众多任务中取得了惊艳的效果,但它们在实际应用时仍然会出现生成与事实不符的内容。这种现象如今通常被称为“幻觉”。幻觉问题在真实场景中可能带来严重的后果,大大阻碍了大语言模型的落地。 来自苏州大学和腾讯 AI Lab 的研究者近期

    2024年01月16日
    浏览(44)
  • 7B LLaMA模型接近ChatGPT 95%的能力!港科大提出全新对抗蒸馏框架Lion

    ©PaperWeekly 原创 · 作者 |  黄一天 单位 |  华为 研究方向 |  自然语言处理 由香港科技大学提出的针对闭源大语言模型的对抗蒸馏框架,成功将 ChatGPT 的知识转移到了参数量  7B   的 LLaMA 模型(命名为 Lion),在只有  70k   训练数据的情况下,实现了近  95 % 的 ChatGPT 能力近

    2024年02月12日
    浏览(31)
  • 微软亚研院提出模型基础架构RetNet或将成为Transformer有力继承者

    作为全新的神经网络架构,RetNet 同时实现了良好的扩展结果、并行训练、低成本部署和高效推理。这些特性将使 RetNet 有可能成为继 Transformer 之后大语言模型基础网络架构的有力继承者。实验数据也显示,在语言建模任务上: RetNet 可以达到与 Transformer 相当的困惑度(perpl

    2024年02月15日
    浏览(34)
  • 开源语音大语言模型来了!阿里基于Qwen-Chat提出Qwen-Audio!

    论文链接: https://arxiv.org/pdf/2311.07919.pdf 开源代码: https://github.com/QwenLM/Qwen-Audio 大型语言模型(LLMs)由于其良好的知识保留能力、复杂的推理和解决问题能力,在通用人工智能(AGI)领域取得了重大进展。然而,语言模型缺乏像人类一样感知非文本模态(如图像和音频)的

    2024年01月18日
    浏览(44)
  • Meta提出全新参数高效微调方案,仅需一个RNN,Transformer模型GPU使用量减少84%!

    近来,随着 ChatGPT和GPT-4模型 的不断发展,国内外互联网大厂纷纷推出了自家的大语言模型,例如谷歌的PaLM系列,MetaAI的LLaMA系列,还有国内公司和高校推出的一些大模型,例如百度的文心一言,清华的ChatGLM等模型。几乎隔几天就会有一个全新的大模型发布,但是对于研究者

    2024年02月16日
    浏览(40)
  • 如何向大模型ChatGPT提出问题以获得优质回答:基于AIGC和深度学习的实践指南

    提示工程 | 高性能计算 | ChatGPT 深度学习 | GPU服务器 |Ibrahim John 在当今信息爆炸的时代,人们对于知识获取的需求日益增长。特别是在深度学习、高性能计算和人工智能领域,这些前沿技术的不断发展让人们对其应用场景和实现方法有了更多的探索和研究。其中,作为一种基

    2024年02月04日
    浏览(62)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包