Python数据分析案例43——Fama-French回归模型资产定价(三因子/五因子)

本文主要是介绍Python数据分析案例43——Fama-French回归模型资产定价(三因子/五因子),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

案例背景

最近看到要做三因子模型的同学还挺多的,就是所谓的Fama-French回归模型,也就是CAMP资本资产定价模型的升级版,然后后面还升级为了五因子模型。

看起来眼花缭乱,其实抛开金融资产定价的背景,从机器学习角度来看,就是多元线性回归.......很low也很简单。

数据也很简单,以日度数据为例,y就是一个资产的日度收益率,例如一只股票的每天的收益率。X就是日度的五个因子数据,

  • mkt_rf [市场风险因子](rf是[无风险利率])
  • smb [规模风险因子]
  • hml [账面市值比风险因子]
  • rmw[盈利能力因子] 更高盈利能力的公司通常预示更健康的财务状况和更低的风险。
  • cma[投资风格因子]

为什么用的是线性回归模型,因为三因子五因子提出来的年代还没机器学习的思路,而且线性回归的解释能力强,能更好的表现不同因子的作用。虽然机器学习也能做这个数据集,但是其黑箱的过程不是很好解释。


数据

股票数据很好获取的,网上到处都有,本文使用akshare的接口来获取,后面代码会演示。

五因子的数据长这个样子:

 很全,从1994年到2024年4月都有,不仅有日度的五因子,还有很多其他的等价因子等。需要本次演示的全部代码和数据的同学可以参考:五因子数据。

股票选择:

选什么股票来演示这个案例呢,我懒得自己去找了,让kimi帮我找了几个2024年具有较好的价值的股票代码:   (本案例仅仅只是代码演示,不构成任何投资意见)

OK他提供了几个股票的编号和名称就行,下面开始写代码。


代码实现

导入数据分析常用的包:

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt 
import seaborn as sns
import statsmodels.api as sm
plt.rcParams ['font.sans-serif'] ='SimHei'               #显示中文
plt.rcParams ['axes.unicode_minus']=False               #显示负号

股票代码:,然后设定时间,我设定为23年的4月到24年的3月底

code_name={"600100": "同方股份","600626": "申达股份","000630": "铜陵有色","000850": "华茂股份","600368": "五洲交通","603766": "隆鑫通用","600105": "永鼎股份","600603": "广汇物流","002344": "海宁皮城","000407": "胜利股份","000883": "湖北能源"}
code_list=list(code_name.keys())
start_date='2023-04-01'  ;  end_date='2024-03-31'

下面获取这些股票的交易数据,

首先自定义一个获取股票交易日K的数据的代码:

import akshare as ak
# 定义获取A股历史交易数据的函数
def get_stock_data(stock_code, start_date, end_date):""":param stock_code: 股票代码,如 '000001':param start_date: 开始日期,格式为 'YYYYMMDD':param end_date: 结束日期,格式为 'YYYYMMDD':return: 指定时间段内的股票交易数据(DataFrame)"""# 使用 AkShare 的 stock_zh_a_hist 接口获取数据stock_df = ak.stock_zh_a_hist(symbol=stock_code, period="daily", start_date=start_date.replace('-',''), end_date=end_date.replace('-',''), adjust="qfq")stock_df['收益率'] = stock_df['收盘'].pct_change() return stock_df.dropna()

创建一个字典来存放获取的结果,然后遍历所有的股票代码,一个个获取,存入这个字典的值。

return_dict={}
#创建一个 ExcelWriter 对象
#writer = pd.ExcelWriter('股票数据.xlsx', engine='xlsxwriter')
for code in code_list:try:return_dict[code]=get_stock_data(stock_code=code,start_date=start_date,end_date=end_date)[['日期','收盘','收益率']].set_index('日期')#get_stock_data(stock_code=code,start_date='20230201',end_date='20240201').to_excel(writer, sheet_name=code)except:pass  
#writer.save()
#writer.close()

return_dict这个字典的键就是股票代码,值就是对应的股票交易数据的df数据框。

(ps:注释掉的地方是可以进行运行了,会把所有股票的交易数据存入一个excel表里面保存下来,需要的同学可以运行)

取出其中一个看看:

return_dict['600368'].head()

读取因子的数据,我筛选了时间和变量,保证读取进来的就是2023年4月到2024年3月底的数据。变量就是5个因子,别的变量就没要。

#读取因子数据
three_factors=pd.read_csv('fivefactor_daily.csv')[['trddy','mkt_rf','smb','hml','rmw','cma']].rename(columns={'trddy':'日期'}).set_index('日期')
three_factors=three_factors.loc['2023-04-01':'2024-03-31',:]
three_factors.index=pd.to_datetime(three_factors.index)
three_factors.head(3)

展示的前三行: 

再简单介绍一下这些变量的含义:

  • trddy [交易日期]
  • mkt_rf [市场风险因子]
  • smb [规模风险因子]
  • hml [账面市值比风险因子]
  • rf [无风险利率]
  • rmw[盈利能力因子] 更高盈利能力的公司通常预示更健康的财务状况和更低的风险。
  • cma[投资风格因子]

 需要这个数据的同学看前面。

自定义一些函数,学过金融的背景的同学应该都知道是什么作用的,主要都是测量一个资产的表现,衡量其收益的风险的。

def sum_return_ratio(price_list):'''实际总收益率'''price_list=price_list.to_numpy()return (price_list[-1]-price_list[0])/price_list[0]
def MaxDrawdown(price_list):'''最大回撤率'''i = np.argmax((np.maximum.accumulate(price_list) - price_list) / np.maximum.accumulate(price_list))  # 结束位置if i == 0:return 0j = np.argmax(price_list[:i])  # 开始位置return (price_list[j] - price_list[i]) / (price_list[j])
def sharpe_ratio(price_list,rf=0.000041):'''夏普比率'''#公式 夏普率 = (回报率均值 - 无风险率) / 回报率的标准差# pct_change()是pandas里面的自带的计算每日增长率的函数daily_return = price_list.pct_change()return daily_return.mean()-rf/ daily_return.std()
def Information_Ratio(price_list,rf=0.000041):'''信息比率'''chaoer=sum_return_ratio(price_list)-((1+rf)**365-1)return chaoer/np.std(price_list.pct_change()-rf)

三因子模型

不知道三因子是啥看看就行,反正就是线性回归......Python里面就用statsmodel就行。

自定义函数,可以输入股票的数据,然后返回这个股票的 '阿尔法','市场风险因子MKT','市值因子SMB','账面市值因子HML','实际总收益率','最大回测率':'夏普比率':,'信息比率','股票代码'。

如果参数mode输入的是‘五因子’的模型,则会多返回:盈利能力因子RMW','投资风格因子CMA,这两个数值。

def deal(code='',mode='三因子'): day_return = return_dict[code]#['收益率']day_return.index=pd.to_datetime(day_return.index)实际总收益率=sum_return_ratio(day_return['收盘'])最大回测率=MaxDrawdown(day_return['收盘'])夏普比率=sharpe_ratio(day_return['收盘'])信息比率=Information_Ratio(day_return['收盘'])zgpa_threefactor = pd.merge(three_factors, day_return,left_index=True, right_index=True)    if mode=='五因子':result = sm.OLS(zgpa_threefactor['收益率'], sm.add_constant(zgpa_threefactor.loc[:,['mkt_rf','smb','hml','rmw','cma']])).fit()betas=result.paramsreturn pd.DataFrame({'阿尔法':betas[0],'市场风险因子MKT':betas[1],'市值因子SMB':betas[2],'账面市值因子HML':betas[3],'盈利能力因子RMW':betas[4],'投资风格因子CMA':betas[5],'实际总收益率':实际总收益率,'最大回测率':最大回测率,'夏普比率':夏普比率,'信息比率':信息比率,'股票代码':code},index=[0])else:#zgpa_threefactor = pd.merge(three_factors, day_return,left_index=True, right_index=True)result = sm.OLS(zgpa_threefactor['收益率'], sm.add_constant(zgpa_threefactor.loc[:,['mkt_rf','smb','hml']])).fit()betas=result.paramsreturn pd.DataFrame({'阿尔法':betas[0],'市场风险因子MKT':betas[1],'市值因子SMB':betas[2],'账面市值因子HML':betas[3],'实际总收益率':实际总收益率,'最大回测率':最大回测率,'夏普比率':夏普比率,'信息比率':信息比率,'股票代码':code},index=[0])

 然后循环计算所有股票的这些数值,合并到一起,很方便:

df_results=pd.DataFrame()
for code,df_one in return_dict.items():result=deal(code=code) ;  result['股票名称']=code_name[code]df_results=pd.concat([df_results,result],axis=0,ignore_index=True)

选出阿尔法前十的股票 来分析画图

整理一下,我们按照阿尔法的大小排序,查看结果:

df_results=df_results[['股票代码', '股票名称','阿尔法', '市场风险因子MKT', '市值因子SMB', '账面市值因子HML', '实际总收益率', '最大回测率', '夏普比率', '信息比率']].sort_values(by='阿尔法',ascending=False)
df_results

看数据不够直观,我们画个图看看:
 

plt.figure(figsize=(10, 8),dpi=128)# 创建多子图布局
for i, column in enumerate(['阿尔法', '市场风险因子MKT', '市值因子SMB', '账面市值因子HML', '实际总收益率', '最大回测率', '夏普比率', '信息比率'], 1):plt.subplot(4, 2, i)plt.bar(df_results.head(10)['股票名称'], df_results.head(10)[column], color='skyblue')plt.title(column)plt.xticks(rotation=45)  # 旋转标签,避免重叠# 调整布局
plt.tight_layout()
plt.show()

可以从图中清楚的看到哪些股票的哪些指标是领先的。分析我就不多写了,写了可能也没那么通俗易懂,还是让我们的gpt同学来写:

‘’要分析这些股票的投资价值和风险,我们可以根据你提供的数据来进行一些基本的评估。数据中包括了阿尔法值(α)、市场风险因子(MKT)、市值因子(SMB)、账面市值因子(HML)、实际总收益率、最大回撤率、夏普比率以及信息比率。这些指标各自反映了股票的不同风险和收益特征:

  1. 阿尔法(α):表示股票相对于基准的超额回报。正值表示超出市场预期的回报,更高的正值通常被视为更好。

  2. 市场风险因子(MKT):系数高意味着股票与市场整体更同步,风险和市场相近。

  3. 市值因子(SMB):反映小市值股票与大市值股票的表现差异,正值表明倾向于小市值股票特性。

  4. 账面市值因子(HML):反映高账面市值比与低账面市值比股票的表现差异,正值表明倾向于价值股特性。

  5. 实际总收益率:这是投资者最终关心的实际收益率。

  6. 最大回撤率:表示股票价格在观察期内的最大下跌幅度,较小的数值表示下跌风险较低。

  7. 夏普比率:衡量调整风险后的收益,数值越高表示单位风险带来的额外回报越多。

  8. 信息比率:衡量管理绩效的一种指标,反映了投资组合超过基准回报的能力,数值越高表明超越基准的能力越强。

分析建议:

我们可以从以上各指标来分析哪些股票看起来更有投资价值:

  • 阿尔法值较高:永鼎股份、隆鑫通用、铜陵有色,这些股票在调整市场因素后显示了较好的超额回报。

  • 最大回撤率较低:湖北能源、胜利股份、同方股份等有较低的最大回撤率,这表明在最坏的情况下它们的价值减少较少,相对稳定。

  • 夏普比率和信息比率:隆鑫通用和铜陵有色的信息比率较高,虽然夏普比率为负,这可能表明在评估期内它们面临一定的波动性或负面风险。夏普比率为负通常是一个警示信号,需要结合其他因素综合考虑。

综合考虑以上指标,铜陵有色隆鑫通用在信息比率高的情况下,表现出了超越市场的潜力,尽管它们的夏普比率为负。永鼎股份虽然信息比率较低,但阿尔法值较高且夏普比率为正,显示了其稳定的超额收益能力。

在投资决策前,还应考虑其他因素如行业状况、公司基本面、市场整体环境等,这里的分析仅基于提供的数据。此外,负夏普比率需要进一步的调查和理解,可能涉及较高的风险。‘’


储存这个表:,方便复制到论文或者作业里面去。

### 储存结果
df_results.to_csv('三因子结果.csv',index=False)


五因子模型

和三因子差不多,就多了两个其他的变量,代码上前面都自定义好了,这里就很简单:

先循环遍历去回归

df_results=pd.DataFrame()
for code,df_one in return_dict.items():result=deal(code=code,mode='五因子') ;  result['股票名称']=code_name[code]df_results=pd.concat([df_results,result],axis=0,ignore_index=True)

然后整理结果,按照阿尔法从大到小排序,查看:

df_results=df_results[['股票代码', '股票名称','阿尔法', '市场风险因子MKT', '市值因子SMB', '账面市值因子HML', '盈利能力因子RMW','投资风格因子CMA','实际总收益率', '最大回测率', '夏普比率', '信息比率']].sort_values(by='阿尔法',ascending=False)
df_results

看数值不直观,画个图:

plt.figure(figsize=(10,10),dpi=128)# 创建多子图布局
for i, column in enumerate(['阿尔法', '市场风险因子MKT', '市值因子SMB', '账面市值因子HML', '盈利能力因子RMW','投资风格因子CMA', '实际总收益率', '最大回测率', '夏普比率', '信息比率'], 1):plt.subplot(5, 2, i)plt.bar(df_results.head(10)['股票名称'], df_results.head(10)[column], color='skyblue')plt.title(column)plt.xticks(rotation=45)  # 旋转标签,避免重叠plt.tight_layout()
plt.show()

gpt的分析:

关键指标分析

  1. 阿尔法(α):代表超额回报。较高的阿尔法值意味着股票在考虑了相关风险因子后,表现超出市场平均水平。

  2. 市场风险因子(MKT):衡量股票与市场整体波动的相关性。高值表明股票价格波动与市场紧密相关。

  3. 市值因子(SMB)账面市值因子(HML):这两个因子帮助评估股票在大小和价值方面的表现倾向。

  4. 盈利能力因子(RMW)投资风格因子(CMA):RMW高表明公司盈利能力强,CMA高则说明公司投资保守。

  5. 实际总收益率最大回测率夏普比率信息比率:这些都是评估投资回报和风险的重要指标。

根据数据分析

  • **隆鑫通用(603766)永鼎股份(600105)**的阿尔法值较高,但隆鑫通用的盈利能力因子(RMW)为负且较大,可能表明其盈利能力不稳定。永鼎股份的投资风格因子(CMA)非常高,暗示其投资策略较为保守。

  • **湖北能源(000883)铜陵有色(000630)**同样显示出较好的阿尔法值,且铜陵有色的盈利能力较好,但湖北能源的盈利能力和投资风格因子均为负,这可能指示了较高的风险。

  • 同方股份(600100)申达股份(600626)、**胜利股份(000407)海宁皮城(002344)**的阿尔法值为负,且信息比率也为负,这表明它们的表现可能不理想。

投资建议

  • 在这组数据中,铜陵有色可能是较为有吸引力的投资选择,因为它在盈利能力和市场相关性上表现较好,且有积极的超额回报。

  • 对于永鼎股份,尽管阿尔法值高,但需要进一步考察其极高的投资风格因子对未来表现的影响。

  • 对于显示出负阿尔法值和信息比率的股票,建议谨慎考虑,可能需要更多的分析来确定其表现不佳的具体原因。

投资决策应综合考虑这些指标以及其他外部因素,如行业趋势、公司基本面分析、宏观经济条件等。在做出投资选择前,进行全面的风险评估和市场研究是非常重要的。


### 储存结果
 

df_results.to_csv('五因子结果.csv',index=False)

 创作不易,看官觉得写得还不错的话点个关注和赞吧,本人会持续更新python数据分析领域的代码文章~(需要定制类似的代码可私信)


 (本案例仅共学习和参考,不构成任何投资意见) 

这篇关于Python数据分析案例43——Fama-French回归模型资产定价(三因子/五因子)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!


原文地址:
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.chinasem.cn/article/962240

相关文章

Python错误AttributeError: 'NoneType' object has no attribute问题的彻底解决方法

《Python错误AttributeError:NoneTypeobjecthasnoattribute问题的彻底解决方法》在Python项目开发和调试过程中,经常会碰到这样一个异常信息... 目录问题背景与概述错误解读:AttributeError: 'NoneType' object has no at

Python使用openpyxl读取Excel的操作详解

《Python使用openpyxl读取Excel的操作详解》本文介绍了使用Python的openpyxl库进行Excel文件的创建、读写、数据操作、工作簿与工作表管理,包括创建工作簿、加载工作簿、操作... 目录1 概述1.1 图示1.2 安装第三方库2 工作簿 workbook2.1 创建:Workboo

基于Python实现简易视频剪辑工具

《基于Python实现简易视频剪辑工具》这篇文章主要为大家详细介绍了如何用Python打造一个功能完备的简易视频剪辑工具,包括视频文件导入与格式转换,基础剪辑操作,音频处理等功能,感兴趣的小伙伴可以了... 目录一、技术选型与环境搭建二、核心功能模块实现1. 视频基础操作2. 音频处理3. 特效与转场三、高

Python实现中文文本处理与分析程序的示例详解

《Python实现中文文本处理与分析程序的示例详解》在当今信息爆炸的时代,文本数据的处理与分析成为了数据科学领域的重要课题,本文将使用Python开发一款基于Python的中文文本处理与分析程序,希望... 目录一、程序概述二、主要功能解析2.1 文件操作2.2 基础分析2.3 高级分析2.4 可视化2.5

一文解密Python进行监控进程的黑科技

《一文解密Python进行监控进程的黑科技》在计算机系统管理和应用性能优化中,监控进程的CPU、内存和IO使用率是非常重要的任务,下面我们就来讲讲如何Python写一个简单使用的监控进程的工具吧... 目录准备工作监控CPU使用率监控内存使用率监控IO使用率小工具代码整合在计算机系统管理和应用性能优化中,监

Python实现终端清屏的几种方式详解

《Python实现终端清屏的几种方式详解》在使用Python进行终端交互式编程时,我们经常需要清空当前终端屏幕的内容,本文为大家整理了几种常见的实现方法,有需要的小伙伴可以参考下... 目录方法一:使用 `os` 模块调用系统命令方法二:使用 `subprocess` 模块执行命令方法三:打印多个换行符模拟

Python实现MQTT通信的示例代码

《Python实现MQTT通信的示例代码》本文主要介绍了Python实现MQTT通信的示例代码,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一... 目录1. 安装paho-mqtt库‌2. 搭建MQTT代理服务器(Broker)‌‌3. pytho

基于Python开发一个图像水印批量添加工具

《基于Python开发一个图像水印批量添加工具》在当今数字化内容爆炸式增长的时代,图像版权保护已成为创作者和企业的核心需求,本方案将详细介绍一个基于PythonPIL库的工业级图像水印解决方案,有需要... 目录一、系统架构设计1.1 整体处理流程1.2 类结构设计(扩展版本)二、核心算法深入解析2.1 自

从入门到进阶讲解Python自动化Playwright实战指南

《从入门到进阶讲解Python自动化Playwright实战指南》Playwright是针对Python语言的纯自动化工具,它可以通过单个API自动执行Chromium,Firefox和WebKit... 目录Playwright 简介核心优势安装步骤观点与案例结合Playwright 核心功能从零开始学习

Python 字典 (Dictionary)使用详解

《Python字典(Dictionary)使用详解》字典是python中最重要,最常用的数据结构之一,它提供了高效的键值对存储和查找能力,:本文主要介绍Python字典(Dictionary)... 目录字典1.基本特性2.创建字典3.访问元素4.修改字典5.删除元素6.字典遍历7.字典的高级特性默认字典