Alpha och multifaktormodeller

Introduktion till portföljriskhantering i Python

Dakota Wixom

Quantitative Analyst | QuantCourse.com

Fama-French trefaktormodell

$$ R_{P} = $$

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

SMB: Small minus big-faktorn
$b_{SMB}$: Exponering mot SMB-faktorn
HML: High minus low-faktorn
$b_{HML}$: Exponering mot HML-faktorn
$\alpha $: Avkastning som inte förklaras av övriga faktorer
$\beta_{M}$: Beta mot den breda marknadsportföljen B

Fama-French trefaktormodell

Fama-French trefaktormodell i Python

Anta att du redan har överavkastning för portfölj och marknad i objektet 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-värden och statistisk signifikans

För att extrahera p-värdet för HML, anta att du har ett anpassat regressionsmodellobjekt i din arbetsyta som fit:

fit.pvalues["HML"]

0.0063

För att testa statistisk signifikans, kontrollera om värdet understiger ett givet tröskelvärde, normalt 0,05:

fit.pvalues["HML"] < 0.05

True

Extrahera koefficienter

För att extrahera koefficienten för HML, anta att du har ett anpassat regressionsmodellobjekt i din arbetsyta som fit:

fit.params["HML"]

0.502

fit.params["SMB"]

-0.243

Alpha och den effektiva marknadshypotesen

Anta att du redan har en anpassad regressionsanalys i objektet fit:

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

0.045

Nu kör vi en övning!

Introduktion till portföljriskhantering i Python