Introdução ao Gerenciamento de Risco de Portfólio em Python
Dakota Wixom
Quantitative Analyst | QuantCourse.com
$$ R_{P} = $$
$$ RF + \beta_{M}(R_{M}-RF)+b_{SMB} \cdot SMB + b_{HML} \cdot HML + \alpha $$

Supondo que você já tenha os retornos em excesso do portfólio e do mercado no objeto Data:
import statsmodels.formula.api as smf
model = smf.ols(formula='Port_Excess ~ Mkt_Excess + SMB + HML',
data=Data)
fit = model.fit()
adjusted_r_squared = fit.rsquared_adj
adjusted_r_squared
0.90
Para extrair o p-valor de HML, supondo que você tenha um objeto de regressão ajustado chamado fit no seu workspace:
fit.pvalues["HML"]
0.0063
Para testar se é estatisticamente significativo, verifique se é menor que um limiar dado, normalmente 0,05:
fit.pvalues["HML"] < 0.05
True
Para extrair o coeficiente de HML, supondo que você tenha um objeto de regressão ajustado chamado fit no seu workspace:
fit.params["HML"]
0.502
fit.params["SMB"]
-0.243
Supondo que você já tenha uma regressão ajustada no objeto fit:
portfolio_alpha = fit.params["Intercept"]
portfolio_alpha_annualized = ((1 + portfolio_alpha) ** 252) - 1
portfolio_alpha_annualized
0.045
Introdução ao Gerenciamento de Risco de Portfólio em Python