fama french 五因子python

Fama-French Five Factor Model是一种金融学模型，用于解释股票收益率。相较于传统的资本资产定价模型(CAPM)，它增加了三个额外的因素（规模、价值、动量以及盈利能力和投资比率），来更准确地预测股票收益。

这五个因素分别为：

1. **市值**（Size Factor）：大公司通常被认为比小公司在短期内的表现更为稳定，因此大公司的股票收益率通常低于小公司的股票收益率，这种现象被称为“小公司效应”。

2. **账面市值比**（Value Factor）：高账面市值比（即低市盈率、低价位的股票）相比低账面市值比（即高市盈率、高位的股票）表现更好，这一现象称为“价值效应”。

3. **动量**（Momentum Factor）：在过去一段时间内上涨的股票倾向于继续上涨，下跌的股票倾向于继续下跌，这种现象被称为“动量效应”。

4. **盈利能力**（Profitability Factor）：拥有更高利润边际的公司往往能提供更高的回报，这一现象表明了“盈利能力效应”。

5. **投资比率**（Investment Factor）：投资活动较高的公司往往有较高的增长潜力，并且可能获得更高的收益率，这一现象被称为“投资效应”。

Python中实现Fama-French Five Factor Model主要有以下几个步骤：

1. **数据收集**：首先需要从数据源如CRSP数据库等获取股票的历史价格、财务信息、市值等数据。这些数据可以使用pandas库进行存储和处理。

2. **计算各因子**：利用历史数据计算上述五个因子的具体数值。例如，市值可以是市值除以其总流通股数；投资比率可能基于企业的投资支出相对于其总资产的比例等。

3. **回归分析**：使用统计学方法（如线性回归）将每个股票的超额收益与这五个因子的关系进行建模。可以使用statsmodels库来进行回归分析。

4. **评估模型**：通过各种指标来评估模型的性能，包括调整后的R²值、t检验、F检验等。

下面是一个简单的示例框架：

import pandas as pd
import numpy as np
from statsmodels.formula.api import ols

# 假设df是一个包含股票历史数据的数据框
# df包含列如 'Date', 'Stock_Returns', 'Market_Returns', 'Size', 'Value', 'Momentum', 'Profitability', 'Investment'

# 计算超额收益 (股票收益 - 市场收益)
df['Excess_Return'] = df['Stock_Returns'] - df['Market_Returns']

# 进行多元线性回归
formula = 'Excess_Return ~ Size + Value + Momentum + Profitability + Investment'
model = ols(formula, data=df).fit()

# 打印回归结果
print(model.summary())

当然，实际应用中需要根据具体情况进行调整和优化，比如选择合适的时间窗口、进行分组分析、考虑其他变量等。