三因子模型的限制检验
在 Fama–French 三因子回归中,分别检验截距为零,以及 SMB 和 HML 两个系数同时为零。
提示 1点击展开
把单个线性限制和两个联合限制分别写成矩阵形式;联合检验不能只看两个单独的 t 统计量。
提示 2点击展开
对齐收益和因子的日期,确认无风险收益与市场收益的口径一致;若自行构造因子,需注意财报公布时点和退市样本的处理。
资产定价模型试图解释:承担哪类风险,会得到怎样的预期收益。本章先把 CAPM 写成可估计的计量模型,讨论截距检验、极大似然及 Wald、似然比等检验。接着从单因子走向多因子模型,介绍 APT、Fama–French 与 Carhart 模型,并强调可交易因子与宏观因子不能不加区分地套用同一检验结论。
最后转向基于消费的资产定价模型,借助欧拉方程与广义矩估计理解理论约束怎样变成样本矩条件。学完后,你应能区分模型设定、参数估计和定价检验,并注意因子构造、数据口径和事后信息可能造成的偏差。
本章选取 3 道习题。先独立思考,遇到困难时再逐步展开提示;完整题面及数据要求请参阅教材。
在 Fama–French 三因子回归中,分别检验截距为零,以及 SMB 和 HML 两个系数同时为零。
把单个线性限制和两个联合限制分别写成矩阵形式;联合检验不能只看两个单独的 t 统计量。
对齐收益和因子的日期,确认无风险收益与市场收益的口径一致;若自行构造因子,需注意财报公布时点和退市样本的处理。
选取至少 30 只不同行业和规模的 A 股股票,使用 2020—2024 年数据,比较 CAPM、Fama–French 三因子与 Carhart 四因子模型,报告数据处理、因子构造和结果解释。
先对齐股票、市场及无风险收益的日期和频率;若用年化国债报价近似日无风险利率,需说明转换约定。
构造规模、价值与动量因子时,只能使用当时已公开的信息;记录财报时点、停牌和退市处理规则。
在相同样本上比较模型,联合考察截距、因子载荷、拟合和残差;不能只因增加因子后 R² 上升就断言定价更好。
使用 2012 年第一季度至 2019 年第四季度的中国数据,对常数贴现因子和风险厌恶参数的 C-CAPM 进行 GMM 估计。说明消费与收益口径、工具变量、识别及检验,并讨论小样本限制。
先把消费增长整理为实际人均口径,把资产及无风险收益统一为对应季度的实际总收益;避免名义与实际量混用。
从欧拉方程出发构造矩条件,说明工具变量在何时已知,并检查矩条件数及参数识别情况。
区分恰好识别与过度识别;仅有 32 个季度数据时,渐近检验和分时期比较都需要谨慎解释。
从 CAPM 走向多因子模型,学习风险因子的构造、模型估计与定价检验。
正文演示:以模拟股票为例,演示按上一期特征分组、计算下一期收益的简化等权 SMB/HML 流程。
数据说明:演示因子用于说明分组方法,不等同于官方 Fama–French 因子。
打开本章 GitHub 目录 ↗ 查看本章代码索引点击下方条目可在线查看源码,或从 GitHub 下载。
规模和价值特征如何转化为因子?先按上期特征构造组合,再用模拟资产收益估计因子载荷,理解因子构造与回归检验的衔接。
动手实践:按滞后特征构造简化的 SMB/HML;估计多因子模型;检验 alpha 与因子载荷限制。
数据说明:模拟 100 只股票、240 期的特征与收益。
打开本章 Python 目录 ↗ 查看 Python 导读与运行说明书中 R 示例与公开数据按章整理,附有运行说明。可从各章演示程序开始,也可对照正文逐段学习。点击或扫描二维码即可打开仓库。
github.com/Jiajing-Sun/financial-econometrics-r