Alfa a vícefaktorové modely

Úvod do řízení portfoliového rizika v Pythonu

Dakota Wixom

Quantitative Analyst | QuantCourse.com

Třífaktorový model Fama-French

$$ R_{P} = $$

$$ RF + \beta_{M}(R_{M}-RF)+b_{SMB} \cdot SMB + b_{HML} \cdot HML + \alpha $$

  • SMB: Faktor malé minus velké
  • $b_{SMB}$: Expozice vůči faktoru SMB
  • HML: Faktor vysoké minus nízké
  • $b_{HML}$: Expozice vůči faktoru HML
  • $\alpha $: Výkonnost nevysvětlená ostatními faktory
  • $\beta_{M}$: Beta vůči širokému tržnímu portfoliu B
Úvod do řízení portfoliového rizika v Pythonu

Třífaktorový model Fama-French

Úvod do řízení portfoliového rizika v Pythonu

Třífaktorový model Fama-French v Pythonu

Za předpokladu, že máte v objektu Data přebytečné výnosy portfolia a trhu:

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
Úvod do řízení portfoliového rizika v Pythonu

P-hodnoty a statistická významnost

Extrakce p-hodnoty HML za předpokladu, že máte v prostředí objekt fit:

fit.pvalues["HML"]

0.0063

Pro ověření statistické významnosti porovnejte hodnotu s daným prahem, obvykle 0,05:

fit.pvalues["HML"] < 0.05

True
Úvod do řízení portfoliového rizika v Pythonu

Extrakce koeficientů

Extrakce koeficientu HML za předpokladu, že máte v prostředí objekt fit:

fit.params["HML"]

0.502

fit.params["SMB"]

-0.243
Úvod do řízení portfoliového rizika v Pythonu

Alfa a hypotéza efektivních trhů

Za předpokladu, že máte v objektu fit již provedenu regresi:

portfolio_alpha = fit.params["Intercept"]
portfolio_alpha_annualized = ((1 + portfolio_alpha) ** 252) - 1
portfolio_alpha_annualized

0.045
Úvod do řízení portfoliového rizika v Pythonu

Passons à la pratique !

Úvod do řízení portfoliového rizika v Pythonu

Preparing Video For Download...