P-wartości i współczynniki
Atrybut .pvalues dopasowanego modelu regresji smf.ols pozwala pobrać p-wartości dla każdego współczynnika.
Zwyczajowo p-wartości poniżej 0,05 uznaje się za statystycznie istotne.
Współczynniki można wyodrębnić z dopasowanego obiektu regresji za pomocą atrybutu .params.
W tym przykładzie statystycznie istotny ujemny współczynnik SMB („Small Minus Big") oznaczałby ekspozycję na czynnik związany ze spółkami o dużej kapitalizacji, natomiast dodatni współczynnik wskazywałby na ekspozycję na spółki o małej kapitalizacji.
Dopasowany model regresji FamaFrench_fit z poprzedniego ćwiczenia jest dostępny w twoim środowisku pracy.
To ćwiczenie jest częścią kursu
Wprowadzenie do zarządzania ryzykiem portfela w Pythonie
Instrukcje do ćwiczenia
- Wyodrębnij p-wartość dla
'SMB'. - Wyodrębnij współczynnik regresji dla
'SMB'.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Extract the p-value of the SMB factor
smb_pval = FamaFrench_fit.____
# If the p-value is significant, print significant
if smb_pval < 0.05:
significant_msg = 'significant'
else:
significant_msg = 'not significant'
# Print the SMB coefficient
smb_coeff = FamaFrench_fit.____
print("The SMB coefficient is ", smb_coeff, " and is ", significant_msg)