Le modèle à 3 facteurs de Fama-French
Le modèle de Fama-French ajoute deux facteurs supplémentaires au modèle CAPM pour expliquer les rendements des actifs :
$$ R_{P} = RF + \beta_{M}(R_{M}-RF)+b_{SMB} \cdot SMB + b_{HML} \cdot HML + \alpha $$
- SMB : le facteur « small minus big » (petites capitalisations moins grandes)
- \(b_{SMB}\) : exposition au facteur SMB
- HML : le facteur « high minus low » (valeur élevée moins faible)
- \(b_{HML}\) : exposition au facteur HML
- \(\alpha \) : performance non expliquée par les autres facteurs
- \(\beta_{M}\) : bêta par rapport au portefeuille de marché large B
Le DataFrame FamaFrenchData est disponible dans votre espace de travail et contient les facteurs HML et SMB comme colonnes pour cet exercice.
Cet exercice fait partie du cours
Introduction à la gestion du risque de portefeuille en Python
Instructions
- Définissez un modèle de régression qui explique
Portfolio_Excessen fonction deMarket_Excess,SMBetHML. - Extrayez la valeur du R² ajusté depuis
FamaFrench_fit.
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
# Import statsmodels.formula.api
import statsmodels.formula.api as smf
# Define the regression formula
FamaFrench_model = smf.ols(formula='____', data=FamaFrenchData)
# Fit the regression
FamaFrench_fit = FamaFrench_model.fit()
# Extract the adjusted r-squared
regression_adj_rsq = ____
print(regression_adj_rsq)