Mô hình nhân tố

Nhập môn Phân tích Danh mục đầu tư với Python

Charlotte Werger

Data Scientist

Dùng nhân tố để giải thích hiệu quả

Nhân tố dùng để quản trị rủi ro.
Nhân tố giúp giải thích hiệu quả.
Mô hình nhân tố liên hệ nhân tố với lợi nhuận danh mục.
Có mô hình nhân tố thực nghiệm đã kiểm định trên dữ liệu lịch sử.
Mô hình 3 nhân tố Fama–French rất nổi tiếng.

Mô hình đa nhân tố Fama–French

$ $

$ R_{pf} = \alpha + \beta_m MKT + \beta_s SMB + \beta_h HML $
MKT là lợi nhuận vượt trội của thị trường, tức $R_m - R_f$
SMB (Small Minus Big) là nhân tố quy mô
HML (High Minus Low) là nhân tố giá trị

Ôn lại mô hình hồi quy

Khớp đường thẳng cho dữ liệu bằng hồi quy tuyến tính

Khác biệt giữa beta và tương quan

Bảng so sánh beta và tương quan

Mô hình hồi quy trong 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

Kết quả tóm tắt hồi quy

# Print out the summary statistics
model.summary()

Tóm tắt mô hình hồi quy tuyến tính

Lấy beta nhanh chóng

# 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))

Độ nhạy của lợi nhuận chủ động với các nhân tố:
F1: -0.0381
F2: 0.9858

Ayo berlatih!

Nhập môn Phân tích Danh mục đầu tư với Python