Python实现Fama French五因子模型

发布网友发布时间：2024-09-24 15:31

共1个回答

热心网友时间：2024-09-24 16:37

本文聚焦于构建并实现Fama French五因子模型的Python版本，探讨了数据准备、构建因子的变量、代码处理以及因子计算方法。五因子模型相较于传统的三因子模型增加了两个关键因子：规模因子（SMB）和投资因子（CMA），引入了总资产增长率作为第五个因子，从而对投资决策提供更全面的视角。接下来，本文将详细解析五因子模型的构建过程和实现步骤。

首先，构建股票池包括了深圳主板、中小板、创业板、上海主板以及科创板的全部在市股票，剔除上市不满12个月的新股、风险警示股（ST）、退市股、净资产为负的股票以及停牌股票。对于财务数据的准备，需要收集无风险利率、量价数据。量价数据来源于Wind股票行业序列，采用后复权股票价格，无风险利率则从CSMAR数据库中获取月度数据。数据更新频率采取每月更新，股票组合进行月度换仓，不同于Fama French年度换仓策略。

在数据处理上，本文遵循了之前文章的处理方式，包括了数据匹配和生成月度频率数据的步骤。为了补充模型所需的财务数据，ROE数据和总资产增长率数据被整合到现有的数据集中。通过外连接（outer join）操作，确保了每个股票每个月末都能获取到最新的财务数据信息，向前填充缺失值以保证数据的一致性。

接下来，本文详细介绍了五个因子的计算方法。市场因子（MARKET）通过计算市场组合的收益率，将市场组合收益率减去对应的无风险利率得出。价值因子（HML）计算与三因子模型中类似，通过独立双重排序法构建，将股票按照市值大小和账面市值比进行分类，计算不同组合的收益率。在规模因子（SMB）的计算上，规模因子的计算方式发生了变化，采用了独立双重排序法，分别以市值和账面市值比为基准对股票进行分类，计算不同组合的收益率。

盈利因子（RMW）和投资因子（CMA）的计算同样采用独立双重排序法，分别按照ROE（TTM）和总资产增长率对股票进行分类。计算过程涉及到将股票分为大市值、小市值、高账面市值比、中账面市值比、低账面市值比、高ROE、中ROE、低ROE、保守投资、中等投资、积极投资的多个组合，并计算不同组合的收益率。最终，通过公式得出因子的计算结果。

代码实现中，首先对数据匹配进行了优化，通过读取数据、缩尾处理和外连接操作，实现了更高效的数据整合。因子计算的实现逻辑清晰，通过独立分组标记、计算特定组合的收益率，以及选择对应公式计算因子值。代码处理过程包括了参数检查、特征变量独立分组、组合构建、因子计算等步骤，确保了模型的准确性和可靠性。

在模型检验方面，本文展示了五因子模型中各因子的累计收益情况，并进行了t检验，结果显示投资因子的不显著性，以及市场因子的潜在不显著性。此外，通过Alpha检验和GRS检验，比较了CHN三因子模型与Fama French五因子模型的性能，结论显示尽管两者都能解释部分异象，但CHN三因子模型的解释效果更优。