拓端数据tecdat|R语言Fama-French三因子模型实际应用：优化投资组合

zoukankan html css js c++ java

拓端数据tecdat|R语言Fama-French三因子模型实际应用：优化投资组合
原文链接：http://tecdat.cn/?p=20360

本文将说明金融数学中的R 语言优化投资组合，因子模型的实现和使用。

具有单一市场因素的宏观经济因素模型

我们将从一个包含单个已知因子（即市场指数）的简单示例开始。该模型为

其中显式因子ft为S＆P 500指数。我们将做一个简单的最小二乘（LS）回归来估计截距α和加载β：

大多数代码行用于准备数据，而不是执行因子建模。让我们开始准备数据：
3. # 设置开始结束日期和股票名称列表
4. begin_date <- "2016-01-01"
5. end_date <- "2017-12-31"
8. # 从YahooFinance下载数据
9. data_set <- xts()
10. for (stock_index in 1:length(stock_namelist))
11. data_set <- cbind(data_set, Ad(getSymbols(stock_namelist[stock_index],
12. from = begin_date, to = end_date,
13. head(data_set)
14. #> AAPL AMD ADI ABBV AEZS A APD AA CF
15. #> 2016-01-04 98.74225 2.77 49.99239 49.46063 4.40 39.35598 107.89010 23.00764 35.13227
16. #> 2016-01-05 96.26781 2.75 49.62508 49.25457 4.21 39.22057 105.96097 21.96506 34.03059
17. #> 2016-01-06 94.38389 2.51 47.51298 49.26315 3.64 39.39467 103.38042 20.40121 31.08988
18. #> 2016-01-07 90.40047 2.28 46.30082 49.11721 3.29 37.72138 99.91463 19.59558 29.61520
19. #> 2016-01-08 90.87848 2.14 45.89677 47.77789 3.29 37.32482 99.39687 19.12169 29.33761
20. #> 2016-01-11 92.35001 2.34 46.98954 46.25827 3.13 36.69613 99.78938 18.95583 28.14919
22. head(SP500_index)
23. #> index
24. #> 2016-01-04 2012.66
25. #> 2016-01-05 2016.71
26. #> 2016-01-06 1990.26
27. #> 2016-01-07 1943.09
28. #> 2016-01-08 1922.03
29. #> 2016-01-11 1923.67
30. plot(SP500_index)
2. # 计算股票和SP500指数的对数收益率作为显式因子
3. X <- diff(log(data_set), na.pad = FALSE)
4. N <- ncol(X) # 股票数量
5. T <- nrow(X) # 天数
现在我们准备进行因子模型拟合。LS拟合很容易在R中实现，如下所示：
2. beta <- cov(X,f)/as.numeric(var(f))
3. alpha <- colMeans(X) - beta*colMeans(f)
4. sigma2 <- rep(NA, N)
6. print(alpha)
7. #> index
8. #> AAPL 0.0003999086
9. #> AMD 0.0013825599
10. #> ADI 0.0003609968
11. #> ABBV 0.0006684632
12. #> AEZS -0.0022091301
13. #> A 0.0002810616
14. #> APD 0.0001786375
15. #> AA 0.0006429140
16. #> CF -0.0006029705
17. print(beta)
18. #> index
19. #> AAPL 1.0957919
20. #> AMD 2.1738304
21. #> ADI 1.2683047
22. #> ABBV 0.9022748
23. #> AEZS 1.7115761
24. #> A 1.3277212
25. #> APD 1.0239453
26. #> AA 1.8593524
27. #> CF 1.5702493
或者，我们可以使用矩阵表示法进行拟合，我们定义和扩展因子。然后最小化
1. t(X) %*% F_ %*% solve(t(F_) %*% F_)
3. #> alpha beta
4. #> AAPL 0.0003999086 1.0957919
5. #> AMD 0.0013825599 2.1738304
6. #> ADI 0.0003609968 1.2683047
7. #> ABBV 0.0006684632 0.9022748
8. #> AEZS -0.0022091301 1.7115761
9. #> A 0.0002810616 1.3277212
10. #> APD 0.0001786375 1.0239453
11. #> AA 0.0006429140 1.8593524
12. #> CF -0.0006029705 1.5702493
13. E <- xts(t(t(X) - Gamma %*% t(F_)), index(X)) # 残差
另外，我们可以简单地使用R为我们完成工作：
2. cbind(alpha = factor_model$alpha, beta = factor_model$beta)
3. #> alpha index
4. #> AAPL 0.0003999086 1.0957919
5. #> AMD 0.0013825599 2.1738304
6. #> ADI 0.0003609968 1.2683047
7. #> ABBV 0.0006684632 0.9022748
8. #> AEZS -0.0022091301 1.7115761
9. #> A 0.0002810616 1.3277212
10. #> APD 0.0001786375 1.0239453
11. #> AA 0.0006429140 1.8593524
12. #> CF -0.0006029705 1.5702493
可视化协方差矩阵

有趣的是，可视化对数收益率[算术处理误差]以及残差Ψ的估计协方差矩阵。让我们从对数收益率的协方差矩阵开始：
2. main = "单因子模型对数收益的协方差矩阵")
我们可以观察到所有股票都是高度相关的，这是市场因素的影响。为了检查股票相关关系，我们绘制相关图：
1. plot(cov2cor(Psi),
2. main = "残差协方差矩阵")
2. cbind(stock_namelist, sector_namelist) # 股票的行业
3. #> stock_namelist sector_namelist
4. #> [1,] "AAPL" "Information Technology"
5. #> [2,] "AMD" "Information Technology"
6. #> [3,] "ADI" "Information Technology"
7. #> [4,] "ABBV" "Health Care"
8. #> [5,] "AEZS" "Health Care"
9. #> [6,] "A" "Health Care"
10. #> [7,] "APD" "Materials"
11. #> [8,] "AA" "Materials"
12. #> [9,] "CF" "Materials"
有趣的是，我们可以观察到对Ψ执行的自动聚类可以正确识别股票的行业。

评估投资资金

在此示例中，我们将基于因子模型评估几种投资基金的绩效。我们将标准普尔500指数作为明确的市场因素，并假设无风险收益为零 rf = 0。特别是，我们考虑六种交易所买卖基金（ETF）：

我们首先加载数据：
3. # 设置开始结束日期和股票名称列表
4. begin_date <- "2016-10-01"
5. end_date <- "2017-06-30"
7. # 从YahooFinance下载数据
8. data_set <- xts()
9. for (stock_index in 1:length(stock_namelist))
10. data_set <- cbind(data_set, Ad(getSymbols(stock_namelist[stock_index],
12. head(data_set)
13. #> SPY XIVH SPHB SPLV USMV JKD
14. #> 2016-10-03 203.6610 29.400 31.38322 38.55683 42.88382 119.8765
15. #> 2016-10-04 202.6228 30.160 31.29729 38.10687 42.46553 119.4081
16. #> 2016-10-05 203.5195 30.160 31.89880 38.02249 42.37048 119.9421
17. #> 2016-10-06 203.6610 30.160 31.83196 38.08813 42.39899 120.0826
18. #> 2016-10-07 202.9626 30.670 31.58372 37.98500 42.35146 119.8296
19. #> 2016-10-10 204.0197 31.394 31.87970 38.18187 42.56060 120.5978
21. head(SP500_index)
22. #> index
23. #> 2016-10-03 2161.20
24. #> 2016-10-04 2150.49
25. #> 2016-10-05 2159.73
26. #> 2016-10-06 2160.77
27. #> 2016-10-07 2153.74
28. #> 2016-10-10 2163.66
30. # 计算股票和SP500指数的对数收益率作为显式因子
31. X <- diff(log(data_set), na.pad = FALSE)
32. N <- ncol(X) # 股票数量
33. T <- nrow(X) # 天数
现在我们可以计算所有ETF的alpha和beta：
2. #> alpha beta
3. #> SPY 7.142225e-05 1.0071424
4. #> XIVH 1.810392e-03 2.4971086
5. #> SPHB -2.422107e-04 1.5613533
6. #> SPLV 1.070918e-04 0.6777149
7. #> USMV 1.166177e-04 0.6511667
8. #> JKD 2.569578e-04 0.8883843
现在可以进行一些观察：
- SPY是S＆P 500的ETF，如预期的那样，其alpha值几乎为零，beta值几乎为1： α= 7.142211×10-5和 β= 1.0071423。
- XIVH是具有高alpha值的ETF，计算出的alpha值是ETF中最高的（高1-2个数量级）： α= 1.810392×10-3。
- SPHB是一种ETF，据推测具有很高的beta，而计算出的beta却是最高的，但不是最高的：β= 1.5613531。有趣的是，计算出的alpha为负，因此，该ETF应谨慎。
- SPLV是降低波动性的ETF，实际上，计算得出的beta偏低：β= 0.6777072。
- USMV还是降低波动性的ETF，实际上，计算出的beta是最低的：β= 0.6511671。
- JKD显示出很好的折衷。
我们可以使用一些可视化：
2. barplot(rev(alpha), horiz = TRUE, main = "alph
我们还可以使用例如Sharpe比率，以更系统的比较不同的ETF。回顾一种资产和一个因素的因子模型

我们获得

夏普比率如下：

假设。因此，基于Sharpe比率对不同资产进行排名的一种方法是根据α/β比率对它们进行排名：
2. print(ranking)
3. #> alpha/beta SR alpha beta
4. #> XIVH 7.249952e-04 0.13919483 1.810392e-03 2.4971086
5. #> JKD 2.892417e-04 0.17682677 2.569578e-04 0.8883843
6. #> USMV 1.790904e-04 0.12280053 1.166177e-04 0.6511667
7. #> SPLV 1.580189e-04 0.10887903 1.070918e-04 0.6777149
8. #> SPY 7.091574e-05 0.14170591 7.142225e-05 1.0071424
9. #> SPHB -1.551287e-04 0.07401566 -2.422107e-04 1.5613533
可以看到：
- 就α/β而言，XIVH最佳（α最大），而SPHB最差（α负）。
- 就夏普比率（更确切地说，是信息比率，因为我们忽略了无风险利率）而言，JDK是最好的，其次是SPY。这证实了大多数投资基金的表现不超过市场的观点。
- 显然，无论以哪种衡量标准，SPHB都是最差的：负α，负β比率和Sharpe比率。
- JDK之所以能够取得最佳性能，是因为它的alpha值很好（尽管不是最好的），而同时具有0.88的中等beta值。
- XIVH和SPHB有大量不同的beta，因此在市场上具有极端敞口。
- USMV在市场上的曝光率最小，有可接受的alpha值，并且其Sharpe比率接近第二和第三高的位置。
Fama-French三因子模型

该示例将说明使用标准普尔500指数中的九种股票的Fama-French三因子模型。让我们从加载数据开始：
3. # 设置开始结束日期和股票名称列表
4. begin_date <- "2013-01-01"
5. end_date <- "2017-08-31"
7. # 从YahooFinance下载数据
8. data_set <- xts()
9. for (stock_index in 1:length(stock_namelist))
10. data_set <- cbind(data_set, Ad(getSymbols(stock_namelist[stock_index],
12. # 下载Fama-French因子
15. head(fama_lib)
16. #> Mkt.RF SMB HML
17. #> 1926-07-01 0.10 -0.24 -0.28
18. #> 1926-07-02 0.45 -0.32 -0.08
19. #> 1926-07-06 0.17 0.27 -0.35
20. #> 1926-07-07 0.09 -0.59 0.03
21. #> 1926-07-08 0.21 -0.36 0.15
22. #> 1926-07-09 -0.71 0.44 0.56
23. tail(fama_lib)
24. #> Mkt.RF SMB HML
25. #> 2017-11-22 -0.05 0.10 -0.04
26. #> 2017-11-24 0.21 0.02 -0.44
27. #> 2017-11-27 -0.06 -0.36 0.03
28. #> 2017-11-28 1.06 0.38 0.84
29. #> 2017-11-29 0.02 0.04 1.45
30. #> 2017-11-30 0.82 -0.56 -0.50
32. # 计算股票的对数收益率和Fama-French因子
33. X <- diff(log(data_set), na.pad = FALSE)
34. N <- ncol(X) #股票数量
现在我们在矩阵F中具有三个因子，并希望拟合模型，其中现在的载荷是一个beta矩阵：。我们可以做最小二乘拟合，最小化。更方便地，我们定义和扩展因子。然后可以将LS公式写为最小化
1. print(Gamma)
2. #> alpha b1 b2 b3
3. #> AAPL 1.437845e-04 0.9657612 -0.23339130 -0.49806858
4. #> AMD 6.181760e-04 1.4062105 0.80738336 -0.07240117
5. #> ADI -2.285017e-05 1.2124008 0.09025928 -0.20739271
6. #> ABBV 1.621380e-04 1.0582340 0.02833584 -0.72152627
7. #> AEZS -4.513235e-03 0.6989534 1.31318108 -0.25160182
8. #> A 1.146100e-05 1.2181429 0.10370898 -0.20487290
9. #> APD 6.281504e-05 1.0222936 -0.04394061 0.11060938
10. #> AA -4.587722e-05 1.3391852 0.62590136 0.99858692
11. #> CF -5.777426e-04 1.0387867 0.48430007 0.82014523
另外，我们可以使用R完成：
1. #> alpha Mkt.RF SMB HML
2. #> AAPL 1.437845e-04 0.9657612 -0.23339130 -0.49806858
3. #> AMD 6.181760e-04 1.4062105 0.80738336 -0.07240117
4. #> ADI -2.285017e-05 1.2124008 0.09025928 -0.20739271
5. #> ABBV 1.621380e-04 1.0582340 0.02833584 -0.72152627
6. #> AEZS -4.513235e-03 0.6989534 1.31318108 -0.25160182
7. #> A 1.146100e-05 1.2181429 0.10370898 -0.20487290
8. #> APD 6.281504e-05 1.0222936 -0.04394061 0.11060938
9. #> AA -4.587722e-05 1.3391852 0.62590136 0.99858692
10. #> CF -5.777426e-04 1.0387867 0.48430007 0.82014523
统计因子模型

现在让我们考虑统计因子模型或隐式因子模型，其中因子和载荷均不可用。调用具有 K因子的模型 XT =α1T+ BFT + ET的主成分方法：
1. PCA：
  
  样本均值：
  
  矩阵：
  
  样本协方差矩阵：
  
  特征分解：
2. 估计：
3. 更新特征分解：
4. 重复步骤2-3，直到收敛为止。
1. #> alpha
2. #> AAPL 0.0007074564 0.0002732114 -0.004631647 -0.0044814226
3. #> AMD 0.0013722468 0.0045782146 -0.035202146 0.0114549515
4. #> ADI 0.0006533116 0.0004151904 -0.007379066 -0.0053058139
5. #> ABBV 0.0007787929 0.0017513359 -0.003967816 -0.0056000810
6. #> AEZS -0.0041576357 0.0769496344 0.002935950 0.0006249473
7. #> A 0.0006902482 0.0012690079 -0.005680162 -0.0061507654
8. #> APD 0.0006236565 0.0005442926 -0.004229364 -0.0057976394
9. #> AA 0.0006277163 0.0027405024 -0.009796620 -0.0149177957
10. #> CF -0.0000573028 0.0023108605 -0.007409061 -0.0153425661
同样，我们可以使用R完成工作：
1. #> alpha factor1 factor2 factor3
2. #> AAPL 0.0007074564 0.0002732114 -0.004631647 -0.0044814226
3. #> AMD 0.0013722468 0.0045782146 -0.035202146 0.0114549515
4. #> ADI 0.0006533116 0.0004151904 -0.007379066 -0.0053058139
5. #> ABBV 0.0007787929 0.0017513359 -0.003967816 -0.0056000810
6. #> AEZS -0.0041576357 0.0769496344 0.002935950 0.0006249473
7. #> A 0.0006902482 0.0012690079 -0.005680162 -0.0061507654
8. #> APD 0.0006236565 0.0005442926 -0.004229364 -0.0057976394
9. #> AA 0.0006277163 0.0027405024 -0.009796620 -0.0149177957
10. #> CF -0.0000573028 0.0023108605 -0.007409061 -0.0153425661
通过不同因子模型进行协方差矩阵估计的最终比较

我们最终将比较以下不同的因子模型：
- 样本协方差矩阵
- 宏观经济一因素模型
- 基本的三因素Fama-French模型
- 统计因素模型
我们在训练阶段估计模型，然后将估计的协方差矩阵与测试阶段的样本协方差矩阵进行比较。估计误差将根据PRIAL（平均损失提高百分比）进行评估：

加载训练和测试集：
1. # 设置开始结束日期和股票名称列表
2. begin_date <- "2013-01-01"
3. end_date <- "2015-12-31"
5. # 准备股票数据
6. data_set <- xts()
7. for (stock_index in 1:length(stock_namelist))
8. data_set <- cbind(data_set, Ad(getSymbols(stock_namelist[stock_index],
11. # Fama-French 因子
12. mydata <- mydata[-nrow(mydata),
15. # 准备指数
16. f_SP500 <- diff(log(SP500_index), na.pad = FALSE)
18. # 将数据拆分为训练数据和测试数据
19. T_trn <- round(0.45*T)
20. X_trn <- X[1:T_trn, ]
21. X_tst <- X[(T_trn+1):T, ]
现在让我们用训练数据估算不同的因子模型：
2. # 样本协方差矩阵
3. Sigma_SCM <- cov(X_trn)
5. # 单因素模型
6. Gamma <- t(solve(t(F_) %*% F_, t(F_) %*% X_trn))
8. E <- xts(t(t(X_trn) - Gamma %*% t(F_)), index(X_trn))
10. # Fama-French三因子模型
12. Sigma_FamaFrench <- B %*% cov(F_FamaFrench_trn) %*% t(B) + diag(diag(Psi))
14. # 统计单因子模型
16. while (norm(Sigma - Sigma_prev, "F")/norm(Sigma, "F") > 1e-3) {
17. B <- eigSigma$vectors[, 1:K, drop = FALSE] %*% diag(sqrt(eigSigma$values[1:K]), K, K)
21. # 统计三因子模型
22. K <- 3
24. while (norm(Sigma - Sigma_prev, "F")/norm(Sigma, "F") > 1e-3) {
25. B <- eigSigma$vectors[, 1:K] %*% diag(sqrt(eigSigma$values[1:K]), K, K)
26. Psi <- diag(diag(Sigma - B %*% t(B)))
28. Sigma_PCA3 <- Sigma
30. # 统计五因子模型
31. K <- 5
33. eigSigma <- eigen(Sigma)
34. while (norm(Sigma - Sigma_prev, "F")/norm(Sigma, "F") > 1e-3) {
35. B <- eigSigma$vectors[, 1:K] %*% diag(sqrt(eigSigma$values[1:K]), K, K)
36. Psi <- diag(diag(Sigma - B %*% t(B)))
最后，让我们比较测试数据中的不同估计：
2. Sigma_true <- cov(X_tst)
4. barplot(error, main = "协方差矩阵估计误差",
2. PRIAL <- 100*(ref - error^2)/ref
4. barplot(PRIAL, main = "协方差矩阵估计的先验方法",
最终可以看到使用因子模型进行协方差矩阵估计会有所帮助。

最受欢迎的见解

1.用机器学习识别不断变化的股市状况—隐马尔科夫模型(HMM)的应用

2.R语言GARCH-DCC模型和DCC（MVT）建模估计

3.R语言实现 Copula 算法建模依赖性案例分析报告

4.R语言COPULAS和金融时间序列数据VaR分析

5.R语言多元COPULA GARCH 模型时间序列预测

6.用R语言实现神经网络预测股票实例

7.r语言预测波动率的实现：ARCH模型与HAR-RV模型

8.R语言如何做马尔科夫转换模型markov switching model

9.matlab使用Copula仿真优化市场风险
▍关注我们【大数据部落】第三方数据服务提供商,提供全面的统计分析与数据挖掘咨询服务,为客户定制个性化的数据解决方案与行业报告等。 ▍咨询链接：http://y0.cn/teradat ▍联系邮箱：3025393450@qq.com
查看全文

相关阅读:
使用批处理脚本在win10系统启动Redis 5.0.10
异常分析 JedisConnectionException: java.net.SocketTimeoutException: Read timed out
Spring Boot基于redis分布式锁模拟直播秒杀场景
 管理的经验二
 第三方api接口
 接口测试总结
 测试框架的基本能力
 接口测试的价值
 面试的经验
 管理的经验

原文地址：https://www.cnblogs.com/tecdat/p/14418559.html

拓端数据tecdat|R语言Fama-French三因子模型实际应用：优化投资组合

原文链接：http://tecdat.cn/?p=20360

具有单一市场因素的宏观经济因素模型

可视化协方差矩阵

评估投资资金

Fama-French三因子模型

统计因子模型

通过不同因子模型进行协方差矩阵估计的最终比较