Modelos de factores

Introducción al análisis de carteras en Python

Charlotte Werger

Data Scientist

Usar factores para explicar rendimiento

Los factores se usan para gestionar riesgo.
Los factores ayudan a explicar el rendimiento.
Los modelos de factores vinculan factores con rendimientos del portafolio.
Existen modelos empíricos probados con datos históricos.
El modelo de 3 factores de Fama-French es muy conocido.

Modelo multifactor Fama-French

$ $

$ R_{pf} = \alpha + \beta_m MKT + \beta_s SMB + \beta_h HML $
MKT es el exceso de retorno del mercado, es decir, $R_m - R_f$
SMB (Small Minus Big): factor de tamaño
HML (High Minus Low): factor de valor

Repaso: modelo de regresión

Ajuste de una recta a puntos con regresión lineal

Diferencia entre beta y correlación

Tabla que compara beta con correlación

Modelo de regresión en Python

import statsmodels.api as sm

# Define the model
model = sm.OLS(factor_data['sp500'],
               factor_data[['momentum','value']]).fit()

# Get the model predictions
predictions = model.predict(factor_data[['momentum','value']])

b1, b2 = model.params

Salida del resumen de la regresión

# Print out the summary statistics
model.summary()

Resumen del modelo de regresión lineal

Obtener betas rápidamente

# Get just beta coefficients from linear regression model
b1, b2 = regression.linear_model.OLS(df['returns'], 
                          df[['F1', 'F2']]).fit().params

# Print the coefficients 
print('Sensitivities of active returns to factors:'
      '\nF1: %f\nF2: %f' % (b1, b2))

Sensibilidades de los rendimientos activos a los factores:
F1: -0.0381
F2: 0.9858

¡Vamos a practicar!

Introducción al análisis de carteras en Python