2000年 - 2022年 Fama-French三因子模型数据+代码

2024-06-23 18:04

本文主要是介绍2000年 - 2022年 Fama-French三因子模型数据+代码,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!

Fama-French三因子模型是由著名经济学家尤金·法玛(Eugene Fama)和肯尼斯·法兰奇(Kenneth French)提出的,旨在改进资本资产定价模型(CAPM),更全面地解释资产收益率的变化。该模型认为,除了市场风险溢价外,还有两个额外的风险因子可以解释股票或投资组合的超额回报率,即市值因子(也称为规模因子)和账面市值比因子。

以下是Fama-French三因子模型中涉及的关键指标和概念:

  • 市场因子(( b_{MKT} )):衡量投资组合相对于整个市场表现的敏感度。市场因子的系数反映了市场整体变动对投资组合回报的影响。
  • 市值因子(( b_{FFSMB} )):衡量投资组合相对于小市值股票的表现。小市值股票通常被认为具有更高的风险和回报潜力。
  • 账面市值比因子(( b_{FFHML} )):衡量投资组合相对于高账面市值比股票的表现。高账面市值比股票通常被认为具有更高的风险,因为它们可能是价值被低估的股票。

在进行因子系数分析时,会使用t统计量和p值来检验各个因子系数的统计显著性。如果系数显著不为零,则表明该因子对投资组合的超额回报率有显著影响。

  • ( t_{cons} ):常数项的t统计量,检验投资组合在没有市场风险暴露的情况下的预期回报。
  • ( p_{cons} ):常数项的p值,用于检验常数项的显著性。
  • ( star_{cons} ):通常用来表示统计显著性的标志,如星号(*)。
  • ( t_{MKT} ), ( p_{MKT} ), ( star_{MKT} ):分别对应市场因子的t统计量、p值和显著性标记。
  • ( t_{FFSMB} ), ( p_{FFSMB} ), ( star_{FFSMB} ):分别对应市值因子的t统计量、p值和显著性标记。
  • ( t_{FFHML} ), ( p_{FFHML} ), ( star_{FFHML} ):分别对应账面市值比因子的t统计量、p值和显著性标记。

此外,数据集还包括以下统计指标:

  • ME_group5BM_group5:可能代表投资组合的分组变量,例如基于市值或账面市值比的五分组。
  • ( _rmse ):均方根误差,衡量模型预测的准确性。
  • ( _Nobs ):观测值的数量。
  • ( _R2 )( _adjR2 ):决定系数和调整后的决定系数,衡量模型解释变异的程度。
  • ( b{cons} ):常数项的估计值。
  • ( se{MKT} ), ( se{FFSMB} ), ( se{FFHML} ), ( se{cons} ):各系数的标准误。
    -在这里插入图片描述

数据集名称为“Fama-French三因子模型数据+代码”,涵盖了2000年至2022年的数据。数据集不仅包含原始数据和最终结果,还提供了代码do文件和参考文献,为金融分析师和研究人员提供了丰富的资源,以进行投资组合分析和优化。

Fama-French三因子模型数据+代码(2000-2022年)
https://download.csdn.net/download/2401_84585615/89462348

这篇关于2000年 - 2022年 Fama-French三因子模型数据+代码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!



http://www.chinasem.cn/article/1087884

相关文章

大模型研发全揭秘:客服工单数据标注的完整攻略

在人工智能(AI)领域,数据标注是模型训练过程中至关重要的一步。无论你是新手还是有经验的从业者,掌握数据标注的技术细节和常见问题的解决方案都能为你的AI项目增添不少价值。在电信运营商的客服系统中,工单数据是客户问题和解决方案的重要记录。通过对这些工单数据进行有效标注,不仅能够帮助提升客服自动化系统的智能化水平,还能优化客户服务流程,提高客户满意度。本文将详细介绍如何在电信运营商客服工单的背景下进行

基于MySQL Binlog的Elasticsearch数据同步实践

一、为什么要做 随着马蜂窝的逐渐发展,我们的业务数据越来越多,单纯使用 MySQL 已经不能满足我们的数据查询需求,例如对于商品、订单等数据的多维度检索。 使用 Elasticsearch 存储业务数据可以很好的解决我们业务中的搜索需求。而数据进行异构存储后,随之而来的就是数据同步的问题。 二、现有方法及问题 对于数据同步,我们目前的解决方案是建立数据中间表。把需要检索的业务数据,统一放到一张M

关于数据埋点,你需要了解这些基本知识

产品汪每天都在和数据打交道,你知道数据来自哪里吗? 移动app端内的用户行为数据大多来自埋点,了解一些埋点知识,能和数据分析师、技术侃大山,参与到前期的数据采集,更重要是让最终的埋点数据能为我所用,否则可怜巴巴等上几个月是常有的事。   埋点类型 根据埋点方式,可以区分为: 手动埋点半自动埋点全自动埋点 秉承“任何事物都有两面性”的道理:自动程度高的,能解决通用统计,便于统一化管理,但个性化定

使用SecondaryNameNode恢复NameNode的数据

1)需求: NameNode进程挂了并且存储的数据也丢失了,如何恢复NameNode 此种方式恢复的数据可能存在小部分数据的丢失。 2)故障模拟 (1)kill -9 NameNode进程 [lytfly@hadoop102 current]$ kill -9 19886 (2)删除NameNode存储的数据(/opt/module/hadoop-3.1.4/data/tmp/dfs/na

异构存储(冷热数据分离)

异构存储主要解决不同的数据,存储在不同类型的硬盘中,达到最佳性能的问题。 异构存储Shell操作 (1)查看当前有哪些存储策略可以用 [lytfly@hadoop102 hadoop-3.1.4]$ hdfs storagepolicies -listPolicies (2)为指定路径(数据存储目录)设置指定的存储策略 hdfs storagepolicies -setStoragePo

Hadoop集群数据均衡之磁盘间数据均衡

生产环境,由于硬盘空间不足,往往需要增加一块硬盘。刚加载的硬盘没有数据时,可以执行磁盘数据均衡命令。(Hadoop3.x新特性) plan后面带的节点的名字必须是已经存在的,并且是需要均衡的节点。 如果节点不存在,会报如下错误: 如果节点只有一个硬盘的话,不会创建均衡计划: (1)生成均衡计划 hdfs diskbalancer -plan hadoop102 (2)执行均衡计划 hd

Andrej Karpathy最新采访:认知核心模型10亿参数就够了,AI会打破教育不公的僵局

夕小瑶科技说 原创  作者 | 海野 AI圈子的红人,AI大神Andrej Karpathy,曾是OpenAI联合创始人之一,特斯拉AI总监。上一次的动态是官宣创办一家名为 Eureka Labs 的人工智能+教育公司 ,宣布将长期致力于AI原生教育。 近日,Andrej Karpathy接受了No Priors(投资博客)的采访,与硅谷知名投资人 Sara Guo 和 Elad G

【Prometheus】PromQL向量匹配实现不同标签的向量数据进行运算

✨✨ 欢迎大家来到景天科技苑✨✨ 🎈🎈 养成好习惯,先赞后看哦~🎈🎈 🏆 作者简介:景天科技苑 🏆《头衔》:大厂架构师,华为云开发者社区专家博主,阿里云开发者社区专家博主,CSDN全栈领域优质创作者,掘金优秀博主,51CTO博客专家等。 🏆《博客》:Python全栈,前后端开发,小程序开发,人工智能,js逆向,App逆向,网络系统安全,数据分析,Django,fastapi

活用c4d官方开发文档查询代码

当你问AI助手比如豆包,如何用python禁止掉xpresso标签时候,它会提示到 这时候要用到两个东西。https://developers.maxon.net/论坛搜索和开发文档 比如这里我就在官方找到正确的id描述 然后我就把参数标签换过来

Retrieval-based-Voice-Conversion-WebUI模型构建指南

一、模型介绍 Retrieval-based-Voice-Conversion-WebUI(简称 RVC)模型是一个基于 VITS(Variational Inference with adversarial learning for end-to-end Text-to-Speech)的简单易用的语音转换框架。 具有以下特点 简单易用:RVC 模型通过简单易用的网页界面,使得用户无需深入了