提示：文章内容主要来自《金融统计分析》课程的课题作业。

文章目录

前言

一、检验方案简述

二、实现步骤

1.数据获取

2.数据整理

3.一阶回归与个例展示

4、二阶回归

总结

前言

CAPM模型是由哈里·马科威茨提出的，CAPM中文叫资本资产定价模型，是基于风险资产期望收益均衡基础上的预测模型。模型指出：资产的预期超额收益与市场组合的预期收益在长期内成正比。在上世纪60年代，多位经济学家对该模型进行过验证，这些经济学家运用了不同的方法，却都得到了相同的结论。那么，CAPM模型在中国A股市场的定价表现又如何呢？本文将通过截面回归的方式，来探讨这一问题。

一、检验方案简述

1、以沪深300成分股为样本，以沪深300指数代表市场因子，以shibor利率代表无风险收益率；

2、从tushare数据库获2017年1月·1日至2021年12月31日期间内300只成分股的历史行情数据；

3、数据处理，只保留期间一直存在的成分股，去除其他变动的成分股，并将保留的股票数据转换成月度收益；

4、对每只成分股进行回归，得出所有成分股的βi值和预期超额收益E(ri)；

5、用所得β值和预期超额收益E(ri)进行截面回归，得到证券市场线。

二、实现步骤

1.数据获取

代码如下：

import tushare as ts
import time
pro = ts.pro_api('##########################')  # tushare数据接口，需个人注册获取
# 获取shibor（1个月）数据作为无风险收益率
shibor_history=pro.shibor(start_date='20170101',end_date='20211231',fields='date,1m')
shibor_history.to_csv('E:\\python_outputs\\CAPM\\shibor_history.csv',index=False)
# 获取沪深300指数月线数据
HS300_history=pro.index_monthly(ts_code='000300.SH',start_date='20161201',end_date='20211231',fields='ts_code,trade_date,close')
HS300_history.to_csv('E:\\python_outputs\\CAPM\\HS300_history.csv',index=False)
# 获取沪深300指数成份股（2021年12月31日）
cons_HS300=pro.index_weight(index_code='000300.SH',trade_date='20211231',fields='con_code,trade_date')
cons_HS300.to_csv('E:\\python_outputs\\CAPM\\cons_HS300.csv',index=False)
# 获取沪深300所有成份股的月线数据
# 因为每分钟最多访问该接口120次，需要间隔1分钟分次获取
for i in cons_HS300.truncate(before=0,after=99).con_code:con=pro.monthly(ts_code=i,start_date='20161201',end_date='20211231',fields='ts_code,trade_date,close')con.to_csv('E:\\python_outputs\\CAPM\\cons_monthly\\{}_monthly.csv'.format(i),index=False)
time.sleep(61)  # 等待61秒
for i in cons_HS300.truncate(before=100,after=199).con_code:con=pro.monthly(ts_code=i,start_date='20161201',end_date='20211231',fields='ts_code,trade_date,close')con.to_csv('E:\\python_outputs\\CAPM\\cons_monthly\\{}_monthly.csv'.format(i),index=False)
time.sleep(61)  # 等待61秒
for i in cons_HS300.truncate(before=200,after=299).con_code:con=pro.monthly(ts_code=i,start_date='20161201',end_date='20211231',fields='ts_code,trade_date,close')con.to_csv('E:\\python_outputs\\CAPM\\cons_monthly\\{}_monthly.csv'.format(i),index=False)

2.数据整理

代码如下：

import glob
import numpy as np
import pandas as pd
HS300=pd.read_csv('E:\\python_outputs\\CAPM\\HS300_history.csv',parse_dates=['trade_date'])
HS300.trade_date=HS300.trade_date.apply(lambda x:x.strftime('%Y%m'))  # 日期转为年月格式
df=pd.read_csv('E:\\python_outputs\\CAPM\\shibor_history.csv',parse_dates=['date'],index_col='date')
df0=(df.resample('M')  # 调整周期，以月为周期.mean().div(12)  # shibor利率为单利年利，直接出除以12.reset_index())
df0.date=df0.date.apply(lambda x:x.strftime('%Y%m'))
shibor=df0.rename(columns={'date':'trade_date','1m':'rf_shibor'}).set_index('trade_date')
shibor.to_csv('E:\\python_outputs\\CAPM\\rf_shibor.csv')
files=glob.glob('E:\\python_outputs\\CAPM\\cons_monthly\\*.csv')
cons_monthly=pd.concat([pd.read_csv(j,parse_dates=['trade_date']) for j in files])
cons_monthly.trade_date=cons_monthly.trade_date.apply(lambda x:x.strftime('%Y%m'))
data=(pd.concat([cons_monthly,HS300]).set_index('trade_date').pivot(columns='ts_code',values='close').dropna(axis=1).apply(np.log).diff().dropna().mul(100))
regression_data_set=(data.T-shibor.T.loc['rf_shibor']).T  # regression_data_set为成分股和沪深300的历史超额收益率
regression_data_set.to_csv('E:\\python_outputs\\CAPM\\regression_data_set.csv')

3.一阶回归与个例展示

一阶回归基于每只成分股的月度超额收益和指数月度超额收益数据，得出股票的βi值和预期超额收益E(ri)。并以个例（贵州茅台）绘出证券特征线。代码如下：

import statsmodels.api as sm
import matplotlib.pyplot as plt
regression_data_set=pd.read_csv('E:\\python_outputs\\CAPM\\regression_data_set.csv',index_col='trade_date')
print(regression_data_set)
X=sm.add_constant(regression_data_set['000300.SH'])
params_list=[]
r2_adj_list=[]
cons=regression_data_set.columns
for a in cons:y=regression_data_set[a]model=sm.OLS(y,X)result=model.fit()param = result.params.to_list()r2_adj = result.rsquared_adjparams_list.append(param)r2_adj_list.append(r2_adj)
r2_adj = pd.DataFrame(r2_adj_list, index=cons, columns=['rsquared_adj'])
params = pd.DataFrame(params_list, columns=['const', '000300.SH'], index=cons)
regression_result = pd.concat([params, r2_adj], axis=1)
regression_result.to_csv('E:\\python_outputs\\CAPM\\regression_result.csv')# 个例展示（贵州茅台）
X1=sm.add_constant(regression_data_set['000300.SH'])
y1=regression_data_set['600519.SH']
model1=sm.OLS(y1,X1)
result1=model1.fit()
print(result1.summary())plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
regression_data_set1=regression_data_set.assign(observes_month=range(1,61))
plt.figure(figsize=(9,5))
plt.plot(regression_data_set1.observes_month,[0]*60,color='black')
plt.plot(regression_data_set1.observes_month,regression_data_set['600519.SH'],label='贵州茅台',linestyle='--')
plt.plot(regression_data_set1.observes_month,regression_data_set['000300.SH'],label='沪深300')
plt.title('沪深300和贵州茅台的超额收益')
plt.xlabel('观察样本(月)')
plt.ylabel('超额收益(%)')
plt.legend()
plt.savefig('E:\\python_outputs\\CAPM\\沪深300和贵州茅台的超额收益.png')X1=regression_data_set['000300.SH']
Y1=result1.predict()
plt.figure(figsize=(9,6))
plt.scatter(X1,y1,label='观测值')
plt.plot(X1,Y1,label='预测值',color='orange')
plt.title('贵州茅台证券特征线')
plt.xlabel('沪深300超额收益(%)',position=(1,1))
plt.ylabel('贵州茅台超额收益(%)',position=(-5,0.95),rotation=0)
plt.legend()
ax=plt.gca()
ax.spines['right'].set_color('none')
ax.spines['top'].set_color('none')
ax.spines['bottom'].set_position(('data',0))
ax.spines['left'].set_position(('data',0))
plt.savefig('E:\\python_outputs\\CAPM\\贵州茅台证券特征线.png')

4、二阶回归

二阶回归基于一阶回归的结果，得出证券市场线。代码如下：

regression_result=pd.read_csv('E:\\python_outputs\\CAPM\\regression_result.csv',index_col='Unnamed: 0')
regression_result.rename(columns={'000300.SH':'beta'},inplace=True)
df1=regression_data_set.div(100).add(1).apply(np.cumprod)
mean_return=df1.loc[202112].apply(lambda s:np.power(s,1/60)).sub(1).mul(100).rename('mean_Return')
X2=sm.add_constant(regression_result['beta'])
y2=mean_return
model2=sm.OLS(y2,X2)
result2=model2.fit()
print(result2.summary())
s=regression_data_set.mean()
rf=pd.read_csv('E:\\python_outputs\\CAPM\\rf_shibor.csv',index_col='trade_date')
mean_rf=rf.rf_shibor.mean()
print('mean_rf:','{:.4f}'.format(mean_rf))X3=regression_result['beta']
Y3=pd.Series(result2.predict()).add(mean_rf)
y3=y2.add(mean_rf)plt.figure(figsize=(6,6))
plt.scatter(X3,y3,label='observes')
plt.plot(X3,Y3,label='CML',color='orange')
plt.title('证券市场线')
plt.xlabel('beta',position=(1,1))
plt.ylabel('E(R)',position=(-5,0.95),rotation=0)
plt.legend()
ax=plt.gca()
ax.spines['right'].set_color('none')
ax.spines['top'].set_color('none')
ax.spines['bottom'].set_position(('data',0))
ax.spines['left'].set_position(('data',0))
plt.savefig('E:\\python_outputs\\CAPM\\证券市场线.png')
plt.show()

总结

最后的结果显示，贵州茅台又一个正的α值，而证券市场线显示在2017年到2021年的五年中，A股的资产的预期超额收益与市场组合的预期收益不成成正比。本该为正的无风险收益在证券市场线上则不然。故我们得出：CAPM在A股的定价效果不佳。这一点在A股指数上也不到了一定的印证：217年1月3日1沪深300指数为3342.23点，2021年12月31日为3769.57点。整整5年，上涨了点427.34点，涨幅12.79%，年均（几何平均）2.43%的收益率……

抑郁……

关注获取完整代码和数据库

一个文科生，用Python检验CAPM模型在A股市场的有效性，老师期末给了95分相关推荐

文科生学python_一个文科生的python心路历程
没错,我是一个文科生.作为一个文科生,学习python这种计算机编程语言,一般人会认为是不是疯了.大概我之前也没有想过会选这门课.而做下决定的原因很简单,肖胜刚老师曾是大一时任我们计算机课的老师,当时 ...
文科生自学python要多久_一个文科生开始python的初学体验
剧荒.无聊的时候怎么办?别刷手机了,学一些新技能吧曾经数学物理经常挂科,我是一名妥妥的文科生.然而,最近我开始挑战编程.学习线上python课程. 要转换思维不容易,但我觉得挺值得,忍不住来分享一下 ...
Python银行风控模型的建立 SVM 决策树神经网络三种模型比较
一.首先要感谢原作者的无私分享原文网页链接: Python银行风控模型的建立_DG息的博客-CSDN博客_银行风控模型首先感谢"Python银行风控模型的建立"()这位老师,他 ...
Barra模型初探，A股市场风格解析
>>> 引言本篇内容是参考方正金工研究报告"星火" 多因子系列报告的第一篇<Barra模型初探,A股市场风格解析>,下面将对Barra模型的基本原理 ...
乐学偶得python视频_怎么用历史估计法,ERP与CAPM模型计算股票资产的内在价值
内容首发乐学偶得(http://lexueoude.com) 公众号: 乐学Fintech 用代码理解分析解决金融问题我们之前在 <那个骗你50%回报的保险,用的是啥套路>一文中向大家 ...
Python计算机视觉——照相机模型与增强现实
Python计算机视觉--照相机模型与增强现实文章目录 Python计算机视觉--照相机模型与增强现实 1 针孔照相机模型 1.1 照相机矩阵 1.2 三维点的投影 1.3 照相机矩阵的分解 1.4 ...
文科生学python系列_文科生学 Python 系列 3：函数
文科生学Python系列3:函数www.jianshu.com 还是第二课的内容函数是一段可以重复使用的代码,往往是为了解决某个特定的人物.在 Python 中有两种函数:内置函数和自定义函数. ...
python股票交易模型_如何用Python建模GGM模型并对股票估值？
内容首发乐学偶得(http://lexueoude.com) 公众号: 乐学Fintech 用代码理解分析解决金融问题首先我们快速了解一下什么是GGM模型. GGM模型又叫做"戈登增长模 ...
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 ...

一个文科生，用Python检验CAPM模型在A股市场的有效性，老师期末给了95分

文章目录

前言

一、检验方案简述

二、实现步骤

1.数据获取

2.数据整理

3.一阶回归与个例展示

4、二阶回归

总结

一个文科生，用Python检验CAPM模型在A股市场的有效性，老师期末给了95分相关推荐

最新文章

热门文章

一个文科生，用Python检验CAPM模型在A股市场的有效性，老师期末给了95分

文章目录

前言

一、检验方案简述

二、实现步骤

1.数据获取

2.数据整理

3.一阶回归与个例展示

4、 二阶回归

总结

一个文科生，用Python检验CAPM模型在A股市场的有效性，老师期末给了95分相关推荐

最新文章

热门文章

4、二阶回归