Fama-French 3-faktormodellen

Fama-French-modellen lägger till två ytterligare faktorer utöver CAPM-modellen för att beskriva tillgångsavkastning:

$$ R_{P} = RF + \beta_{M}(R_{M}-RF)+b_{SMB} \cdot SMB + b_{HML} \cdot HML + \alpha $$

SMB: Small minus big-faktorn
$b_{SMB}$: Exponering mot SMB-faktorn
HML: High minus low-faktorn
$b_{HML}$: Exponering mot HML-faktorn
$\alpha $: Avkastning som inte förklaras av övriga faktorer
$\beta_{M}$: Beta mot den breda marknadsportföljen B

DataFrame:en FamaFrenchData finns tillgänglig i din arbetsyta och innehåller faktorerna HML och SMB som kolumner för den här övningen.

Den här övningen är en del av kursen

Introduktion till portföljriskhantering i Python

Visa kurs

Övningsinstruktioner

Definiera en regressionsmodell som förklarar Portfolio_Excess som en funktion av Market_Excess, SMB och HML.
Extrahera det justerade R²-värdet från FamaFrench_fit.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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)

Redigera och kör kod