Model trzyczynnikowy Famy i Frencha
Model Famy i Frencha rozszerza model CAPM o dwa dodatkowe czynniki opisujące zwroty z aktywów:
$$ R_{P} = RF + \beta_{M}(R_{M}-RF)+b_{SMB} \cdot SMB + b_{HML} \cdot HML + \alpha $$
- SMB: czynnik „małe minus duże" (small minus big)
- \(b_{SMB}\): ekspozycja na czynnik SMB
- HML: czynnik „wysokie minus niskie" (high minus low)
- \(b_{HML}\): ekspozycja na czynnik HML
- \(\alpha \): wyniki niewyjaśnione przez żaden z czynników
- \(\beta_{M}\): beta względem szerokiego portfela rynkowego B
DataFrame FamaFrenchData jest dostępny w twoim środowisku pracy i zawiera kolumny z czynnikami HML oraz SMB potrzebnymi do tego ćwiczenia.
To ćwiczenie jest częścią kursu
Wprowadzenie do zarządzania ryzykiem portfela w Pythonie
Instrukcje do ćwiczenia
- Zdefiniuj model regresji wyjaśniający
Portfolio_Excessjako funkcję zmiennychMarket_Excess,SMBiHML. - Wyodrębnij skorygowaną wartość R-kwadrat z obiektu
FamaFrench_fit.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# 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)