Modele alfa și multifactoriale

Introducere în gestionarea riscului de portofoliu în Python

Dakota Wixom

Quantitative Analyst | QuantCourse.com

Modelul Fama-French cu 3 factori

$$ R_{P} = $$

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

SMB: Factorul small minus big
$b_{SMB}$: Expunere la factorul SMB
HML: Factorul high minus low
$b_{HML}$: Expunere la factorul HML
$\alpha $: Performanță neexplicată de alți factori
$\beta_{M}$: Beta față de portofoliul de piață B

Modelul Fama-French cu 3 factori

Modelul Fama-French cu 3 factori în Python

Presupunând că aveți randamentele excedentare ale portofoliului și pieței în obiectul 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

P-valori și semnificație statistică

Pentru a extrage p-valoarea HML, presupunând că aveți un model de regresie ajustat în spațiul de lucru ca fit:

fit.pvalues["HML"]

0.0063

Pentru a testa semnificația statistică, verificați dacă valoarea este mai mică decât pragul dat, de obicei 0.05:

fit.pvalues["HML"] < 0.05

True

Extragerea coeficienților

Pentru a extrage coeficientul HML, presupunând că aveți un model de regresie ajustat în spațiul de lucru ca fit:

fit.params["HML"]

0.502

fit.params["SMB"]

-0.243

Alfa și ipoteza piețelor eficiente

Presupunând că aveți o regresie ajustată în obiectul fit:

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

0.045

Să exersăm!

Introducere în gestionarea riscului de portofoliu în Python