python求真因子,python质因子列表

　　代码和数据见文末。

　　主要内容：

　　首先，CAPM的缺陷和三因素模型的诞生

　　双因素和三因素模型原理

　　三、Python三因素模型选股实践

　　首先，CAPM的缺陷和三因素模型的诞生

　　在CAPM模型经历了大量的实证研究和应用之后，有证据表明市场风险溢价并不能完全解释单个风险资产的收益率。于是很多研究者开始探索其他因素，如公司市值、PE、杠杆率、市净率等。

　　法马和弗伦奇对各种因素进行了综合组合分析。当单独使用或与其他因素结合使用时，的解释力较弱。市值、PE(市盈率)、杠杆率、BM(市净率，PB的倒数)单独使用时，都对收益率有很强的解释力，但组合使用时，市值和BM会削弱杠杆率和PE的解释力。

　　后来，Fama和French提取了市场风险溢价因子、市场价值因子和市净率因子三个重要因子，以收益率为因变量构建了类似CAPM的线性模型，即著名的三因子模型。

　　双因素和三因素模型原理

　　三因子模型中的三个因子是组合的收益率：市场风险溢价因子对应市场组合的收益率，市值因子对应市值小的长公司和市值大的短公司的组合的收益率，市净率因子对应BM高的长公司和BM低的短公司的组合的收益率。三因素模型的形式为：

　　你可以看到这里使用了期望，所以我们仍然转换成线性回归模型的形式：

　　所以大家都很熟悉一个常数项，三个自变量，一个误差项，一个因变量，一个合适的多元线性回归模型。和CAPM一样，代表超额收益率。越高越好，我们的投资组合就越好。

　　看到这么多名词不要怕。在实际应用中，这些数据都是已知的。我们只是把数据扔给计算机，通过最小二乘法得到，B，S，H的估计值以及它们是否显著。

　　唯一稍微麻烦的是SMB和HML的计算。这部分股票需要按照流通市值分为1: 1的大盘股(B)和小盘股(S)。根据BM数据，股票分为三组：3: 4: 3的高、中、低(H/M/L)；这样我们一共有6个23的投资组合(SL/SM/SH/BL/BM/BH)。然后我们通过市值加权平均计算各组的收益率，最后我们计算中小企业和HML:

　　三、Python三因素模型选股实践

　　1.计算中小企业和HML

　　导入必要的库。

　　定义计算函数

　　计算和存储数据。

　　根据我的实际测试，计算两年的数据大概需要七八分钟。我们可以将整个历史数据一次性计算出来，存储在本地或者数据库中，然后直接调用。

　　毕竟这两种组合的收益率的计算不是我们这一节的重点。

　　2.选择股票和基准指数

　　以这些股票为例，但这些股票可能代表性太强，接近指数的波动形态。自己动手练的时候，建议选择不同市值和PB水平的股票进行测试。这里只说明方法。

　　这里的GeA指的是全国a股指数，可以更好的代表整个a股市场。

　　数据集成和简单探索

　　观察数据之间的相关性。

　　红色代表正相关，蓝色代表负相关。颜色越深，相关性越强。

　　产出顺序图

　　累积产量序列图

　　多元线性方程的求解

　　求解过程如下。这次不帮你解读结果了。让我们试着自己去理解它们。

　　我想提供一些建议。x1、x2和x3分别对应市场风险溢价因子、市值因子和市净率因子。const对应的是常数项，即超额收益率。

　　一般来说，当p的值小于0.05时，我们认为这个因素对成品率有显著影响。

　　这里放个图就行了，剩下的结果可以在我提供的J里找到。

　　Upyter笔记本文件。

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。