fama french-3 模型个人理解
FF-3 Model
- CAPM
- FF-3
- Model
- 边际分析
- β \beta β的意义
- FF3和APT
CAPM
CAPM是在大一时便开始接触的一个定价模型,运用较为简单的回归原理和简洁的公式给人留下了深刻的印象,而单看它的公式,似乎也是十分易于理解:
E ( r p t − r f t ) = β p ( E ( r m t − r f t ) ) E(r_{pt}-r_{ft})=\beta_p(E(r_{mt}-r_{ft})) E(rpt−rft)=βp(E(rmt−rft))
而对于其回归模型:
r p t − r f t = α p + β p ( r m t − r f t ) r_{pt}-r_{ft}=\alpha_p+\beta_p(r_{mt}-r_{ft}) rpt−rft=αp+βp(rmt−rft)
当我们试图去分析它时,在它的假设之上,边际分析往往是个不错的方法,比如当我们的 R m R_{m} Rm上升1%时我们 R p R_{p} Rp会上升1%* β \beta β,这种边际分析法可以帮助我们很快的确认市场风险和投资组合的正负相关性并且给我们一个感觉良好的分析结果。
FF-3
但是当我们过渡到三因子模型时,我们会发现我们很难得到一些实质性的理解。单单从回归角度,这是一个类似于APT的模型,利用边际效应也可以去解释他们的消极和积极影响。但是从实际的角度,SMB,HML到底代表了什么?它的系数到底在实际过程有什么意义?而当我们讲FF-3扩展到国际金融上时,这种迷惑显然更大了,我们可以从这些因子上获得的启示到底是什么?
Model
回到模型我们来看,这是ff3的预测模型:
E ( r p t − r f t ) = β m p E ( r m t − r f t ) + β S M B p E ( S M B t ) + β H M L p E ( H M L t ) E(r_{pt}-r_{ft})=\beta_{mp} E(r_{mt}-r{ft})+\beta_{SMBp}E(SMB_t)+\beta_{HMLp}E(HML_t) E(rpt−rft)=βmpE(rmt−rft)+βSMBpE(SMBt)+βHMLpE(HMLt)
SMB是经过分组平均处理以后的return of small minus return of big, HML是同样的道理。
边际分析
当我们进行分析时,往往会选择去固定 β \beta β,这时候分析就很容易变成当市场对于小盘股的溢价上升时,股票的预期收益率会随着敏感度 β \beta β一起改变。从这个角度,我们可以得出的结论是,除了市场系统性风险以外,规模和市盈率等因素也是构成风险收益的一部分,投资组合的收益率会随着这些因素的改变而改变。HML和SMB这些因子本质上也是市场的总体看法,整个市场对于不同种类的公司的总体认知,和 R m R_m Rm这个系统风险并没有本质的差距。
β \beta β的意义
我们在作回归时会将回归系数认为是一个判定因子影响的敏感度系数,但是 β \beta β本身是否有意义呢?
系数的正负可以揭示很多的东西,我们可以从超额收益率这个角度去看,如果一个基金经理鼓吹自己的超额收益率很高,并展示了自己的CAPM模型和 β \beta β系数,表面上来看似乎确实如此。但是正如FF3所揭露的,CAPM并不能很好的揭示股票收益率的本质,我们可以使用FF3去对他的业绩再评估,如果我们发现它的SMB系数是正的,那么极有可能他所谓的超额收益率并不是自身能力导致,而是来源于市场对于小公司,成长股的溢价因子补偿。可以看到相较于CAPM,FF3多出来的几个因子是对于经理人 α \alpha α的一种惩罚,当然有时候也可能是一种奖励。
我们必须时刻警惕因子的正负和系数的正负,因子正负代表了市场的看法,而系数的正负则是这些因子对于这个投资组合的补偿和惩罚。同时要理解负负得正可以从数学和方法上去理解,但是不能因此忽视了现实情况。
FF3和APT
再学习APT时,教课书常常把APT和CAPM 相比较,这会使我们感到很疑惑,因为从回归角度,这只是一个单元回归和多元回归的区别,为什么我们要将两者分个高低呢?利用线性代数,它们明明可以使用一个算式表达。原因是Ross在提出APT时并没有给出严谨的理论证明,这也是让我们警醒的,数据分析往往要建立在理论基础上,否则北京郊外奶牛放的屁的个数可能都会和美股指数显著相关。Ross也因此揭开了学界的论战。
而FF两个人则是直接利用回归简单的粗暴的告诉了世人,多因子确实比单因子有更好的拟合,但因为依旧不严谨的理论假设,也受到了很多抨击。因此到底这个模型是不是有意义?从学术角度,依旧讨论不断,从实证角度,确实存在意义,但是FF的模型却在各个程度上给了市场一次哲学打击,他告诉世人所谓的 α \alpha α是不存在的,只是人们没有找到合适的因子来拟合;同时人们开始争论所谓的系统性风险到底是什么?
fama french-3 模型个人理解相关推荐
- 用Python对CAPM和Fama French Three Factor model的初步学习
用Python对CAPM和Fama French Three Factor model的初步学习 概述 介绍 建模与分析 CAPM Fama French Three-Factor Model 总结 ...
- Fama—French五因子模型在中国股票市场适用吗?
资产定价历来是金融经济学研究的核心问题.自Sharpe,Lintner,Treynor等于1964年提出资本资产定价模型(CAPM)以来,通过单一风险因素确定资产收益率受到理论和市场等多方面的挑战.为 ...
- 随机森林算法参数解释及调优 转胡卫雄 RF模型可以理解成决策树模型嵌入到bagging框架,因此,我们首先对外层的bagging框架进行参数择优,然后再对内层的决策树模型进行参数择优
RF参数择优思想:RF模型可以理解成决策树模型嵌入到bagging框架,因此,我们首先对外层的bagging框架进行参数择优,然后再对内层的决策树模型进行参数择优.在优化某一参数时,需要把其他参数设置 ...
- 3.7 注意力模型直观理解-深度学习第五课《序列模型》-Stanford吴恩达教授
注意力模型直观理解 (Attention Model Intuition) 在本周大部分时间中,你都在使用这个编码解码的构架(a Encoder-Decoder architecture)来完成机器翻 ...
- [css] 说说你对css盒子模型的理解
[css] 说说你对css盒子模型的理解 css盒模型由两个盒子组成,外在的控制是否换行的盒子,以及内在的控制元素内容的盒子.比如:display: inline-block, 则它的外在的盒子就是i ...
- [css] 说说你对低版本IE的盒子模型的理解
[css] 说说你对低版本IE的盒子模型的理解 一个CSS盒子由四部分组成,由内到外依次是:content.padding.border.margin.所谓盒子模型定义的是盒子宽高的计算方法,IE盒子 ...
- 原创专栏:谈谈我对评分模型的理解
在准备给FAL的读者朋友们讲讲评分模型之前,我其实是不太想写有关评分模型的相关分享. 一是因为我开始创业后,自身更多关注企业管理与创新发展,评分模型技术关注度不再像以前那么紧密:还有另一个原因是,标准 ...
- 机器学习模型的理解(三)
算法直观与对模型的理解 算法直观与对模型的理解(二) 0. PCA 与 朴素贝叶斯 PCA 作为特征工程的重要技术工具,其降维特性本质上是由特征空间维度的压缩(通过属性列的解耦合)实现的,因此可以认为 ...
- 算法直观与对模型的理解(二)
算法直观与对模型的理解 assumptions 很多机器学习算法以数据的线性可分为基本假设或叫基本前提. Many machine learning algorithms make assumptio ...
- 最大熵模型怎么理解?熵是什么??
最大熵模型怎么理解?熵是什么?? 最大熵模型的理解!以及熵的理解! 前言 一.熵是什么? 二.最大熵原理是什么 三.最大熵模型的定义 前言 最大熵模型在机器学习里面很重要,很重要,很重要(重要的事情说 ...
最新文章
- 如何用Python做三阶拼图?
- 【卷积神经网络结构专题】一文详解LeNet(附代码实现)
- HTML上传文件的多种方式
- 【Splay】洛谷3372 【模板】线段树 1
- 批量导入LYNC 2010用户的联系人
- 配置Exchange 2007边缘同步
- hdu 3932Groundhog Build Home 【爬山算法】
- 洛谷——P1056 排座椅
- 美团Android开发工程师岗位职能要求,高级面试题+解析
- 浅谈C# Socket编程及C#如何使用多线程
- python代码手机壁纸_Python实现设置windows桌面壁纸代码分享
- 主链 100 强榜单出炉, XRP 竟与比特币比肩; 以太坊每周产生 1248 种新代币 | 数据周榜...
- element技巧之element的dialog弹出框可拖拽、可拉伸、可全屏并处理边界问题
- 怎么删除计算机多余的启动项,怎么删除Win7多余的开机启动项
- 纳德拉:没有Excel的世界是无法想象的
- paddle深度学习基础之训练调试与优化
- 对于Android11无法访问Android/data的解决方案 还在为你的大姐姐找不到而担心吗?还在为你的学习资料找不到而发愁吗?2021-03-11
- android 重启自身app
- 【工业视觉-CCD相机和CMOS相机成像的本质区别】
- 机器学习(周志华) 第一章 引言
热门文章
- SSL_read: Failure in SSL library (protocol error?)
- TGRS2020/云检测:Deep Matting for Cloud Detection in Remote Sensing Images深度抠图在遥感图像云检测中的应用
- 差旅安全,你了解多少?
- 企业邮箱网页登录入口,网页电子邮箱怎么注册?
- 【大话Mysql面试】-常见SQL语句书写
- 【Redis】概述以及启动Redis并进入Redis
- 个人简历管理系统-总结
- DGV:人类基因组结构变异数据库
- If this is an unexpected issue and persists you can inspect it running `pod repo update --verbose`
- java中继承的介绍