팩터 모형

Python으로 배우는 포트폴리오 분석 입문

Charlotte Werger

Data Scientist

요인으로 성과 설명하기

요인은 리스크 관리에 사용됩니다.
요인은 성과 설명에 도움을 줍니다.
팩터 모형은 요인을 포트폴리오 수익률과 연결합니다.
과거 데이터로 검증된 실증 팩터 모형이 있습니다.
파마-프렌치 3요인 모형은 대표적 팩터 모형입니다.

파마-프렌치 다요인 모형

$ $

$ R_{pf} = \alpha + \beta_m MKT + \beta_s SMB + \beta_h HML $
MKT: 시장의 초과수익, 즉 $R_m - R_f$
SMB(Small Minus Big): 규모 요인
HML(High Minus Low): 가치 요인

회귀 모형 복습

선형 회귀로 데이터에 직선 적합

베타와 상관의 차이

베타와 상관계수 비교 표

Python에서의 회귀 모형

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

회귀 요약 출력

# Print out the summary statistics
model.summary()

선형 회귀 모형 요약

베타를 빠르게 구하기

# 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))

요인에 대한 초과수익의 민감도:
F1: -0.0381
F2: 0.9858

Ayo berlatih!

Python으로 배우는 포트폴리오 분석 입문