python 量化策略——Fama-French 三因⼦模型
1. 介绍：Fama-French三因⼦模型，是Fama和French 1992年对美国股票市场决定不同股票回报率差异的因素的研究发现，股票的市场的beta值不能解释不同股票回报率的差异，⽽上市公司的市值、账⾯市值⽐、市盈率可以解释股票回报率的差异。Fama and French 认为，上述超额收益是对CAPM 中β未能反映的风险因素的补偿。这三个因⼦是：市场资产组合(Rm − Rf)、市值因⼦(SMB)、账⾯市值⽐因⼦(HMI)。这个多因⼦均衡定价模型可以表⽰为:
其中， 表⽰⽆风险收益率，表⽰时间的市场收益率，表⽰资产在时间的收益率，
是市场风险溢价，表⽰时间的市值市值因⼦的模拟组合收益率，为时间的账⾯市值⽐因⼦的组合收益率。是三因⼦的系数。此外真实收益 :
黔轮胎
这样我们可以得到如下回归模型:
，我们选取市经率的倒数作为、总市值total_mv为和资产历史收益率作为三因⼦进⾏回归。
随便选⼀只股票查看他们的相关关系
# coding=utf-8
import  math
import  tushare as  ts
import  pandas as  pd
import  matplotlib
import  matplotlib .pyplot as  plt
import  numpy as  np
安全座椅立法规定import  talib
import  pandas as  pd
from  datetime import  datetime , date
matplotlib .rcParams ['axes.unicode_minus']=False
plt .rcParams ['font.sans-serif']=['SimHei']
ts .set_token ('。。。。。')
pro = ts .pro_api ()
df =pro .query ('daily_basic', ts_code ='600300.SH',fields ='close,ts_code,ps,total_mv')
df .corr
()
代码运⾏需⾥
完整代码
# coding=utf-8
import  math
import  tushare as  ts
import  pandas as  pd
import  matplotlib
import  matplotlib .pyplot as  plt
import  numpy as  np
import  talib
import  pandas as  pd
from  datetime import  datetime , date
from  sklearn import  datasets
from  sklearn .model_selection import  train_test_split
import  matplotlib .pyplot as  plt
from  sklearn .linear_model import  LinearRegression
东方之子改装
E (R )−it R =ft βE [R −i mt R ]+ft s E (SMB )+i t h E (HMI )
i i R ft R mt t R it i t E (R )−mt R ft SMB T t HMI t t β,s ,h i i i R =it E (R )−it αi
R −it R =ft α+i β(R −i mt R )+ft s SMBI +i t hiHMI +t ϵit
1/pb HMI SMB R it
from sklearn.linear_model import LinearRegression
ts.set_token('f3e00efb72token  码11477')
pro = ts.pro_api()
>>>>>###读取数据类>>>>>>>
class readData:
def read_index_daily(self,code,star,end):#指数数据
dsb = pro.index_daily(ts_code=code, start_date=star, end_date=end,fields='ts_code,trade_date,close,change')#默认读取三个数据return dsb
def read_daily(self,code,star,end):
dsc1 = pro.daily(ts_code=code, start_date=star, end_date=end,fields='ts_code,trade_date,close')
return dsc1
def read_CPI(self,star,end):#时间格式start_cpi='201609'
dc=pro_cpi(start_m=star, end_m=end,fields='month,nt_yoy')
return dc
def read_GDP(self,star,end):#时间格式star='2016Q4'
df1 = pro_gdp(start_q=star, end_q=end,fields='quarter,gdp_yoy')
return df1
def read_bond(self,code,star,end):
df=pro.cb_daily(ts_code=code,start_date=star,end_date=end)
def read_base(self,code):
df=pro.query('daily_basic', ts_code=code,fields='close,ts_code,pb,total_mv,trade_date')
return df
>>>>>>>>>>>>>####
start_time='20200110'#发布GDP需要时间，我们延迟1个⽉，即第⼀季度的GDP4⽉份才发布。
end_time="20200331"
dc=readData()
dsc1=readData()
奇瑞a3两厢论坛dsb1=readData()
def alpha_fun(code):
ad_base(code).fillna(0)
ad_index_daily('000300.SH',start_time,end_time)
dsc.set_index(['trade_date'],inplace=True)
dsb.set_index(['trade_date'],inplace=True)
(dsc, dsb, on='trade_date').fillna(0)
shape(  np.array([df.close_y]),(-1,1))
R_shape(    np.array([(df.change/(df.close_x.shift(-1))).fillna(0)]),(-1,1))#⽤0 填充nan
shape(    np.array([(1/df.pb).fillna(0)]),(-1,1))
shape(    np.array([ df.total_mv]),(-1,1))
atenate((    R_f-4/252, HMI,SMB  ),axis=1)
shape(R,(1,-1)).T
X_train, X_test, y_train, y_test = train_test_split(X, y1, test_size=0.3, random_state=0)
linear = LinearRegression()
linear.fit(X_train, y_train)
alpha=linear.intercept_-4/252
return alpha,linear.intercept_ ,f_,linear.score(X_test, y_test),df
def Sy_function(df1,star,end):
df=pro.query('daily', ts_code=df1, start_date=star, end_date=end,fields='')
df=df.sort_index()
df._ade_date,format='%Y-%m-%d')#设置⽇期索引
ret=df.change/df.close.shift(-1)
dd=pd.Series(1,index=df.close.index)
cumqq=ret*dd.shift(1).fillna(0)
cum=(np.cumprod(1+ret[cumqq.index[0:]])-1)#等权重配置⼀篮⼦股票
return cum.fillna(0),ret.fillna(0)
co=pro.query('daily_basic', ts_code="",trade_date="20200203",fields='ts_code')
code_list=[]
N=300#股票池
k=0
ret=0
cum=0
for i in co.ts_code.values[0:N]:
try:
if alpha_fun(i)[0]<-10:
k+=1
ret=Sy_function(str(i),start_time,end_time)[1]+ret
except ValueError:
pass
continue
ret=ret.sort_index(axis=0,ascending=True)
cum=np.cumprod(1+ret)-1#
RET=ret/k
>>>>计算收益率函数，如沪深300>>>>>>>##
def JZ_function(code,star,end):
df12 = pro.index_daily( ts_code=code, start_date=star, end_date=end)
df12=df12.sort_index()
df12._ade_date,format='%Y-%m-%d')#设置⽇期索引
ret12=df12.change/df12.close.shift(-1)
#将顺序颠倒
aq=pd.Series(1,index=df12.close.index)
SmaRet=ret12*aq.shift(1).dropna()
cum12=np.cumprod(1+ret12[SmaRet.index[0:]])-1
return cum12
>>>>>####策略的年化统计>>>>>>>###
def Tongji(RET,cum):
RET1 = RET*100-(4/252)
NH=cum[-2]*100*252/len(RET.index)
BD=np.std(RET)*100*np.sqrt(252)
拓乐行李架
SR=(NH-400/252)/BD
for i in range(len(cum)):
if cum[cum.index[i]]==cum.max():
奔驰宝马降价MHC=(cum.max()-cum[cum.index[i:]].min())*100/cum.max()
print("年化收益率：{:.2f}%:，年化夏普率：{:.2f}，波动率为：{:.2f}%，最⼤回撤：{:.2f}%".format( NH,SR,BD,MHC)) >>>>>>>>>>>>>>>#
if __name__=="__main__":
cum12=JZ_function('000300.SH',start_time,end_time)
Tongji(RET,cum)
plt.plot(cum12,label="沪深300",color='b')
plt.plot(cum,label="股票组合",color='r')
plt.title("alpha股+指期对冲策略")
plt.legend()
#a=alpha_fun('600300.SH')
#print("alpha:{}".format(  a[0]  ))
#print('f截距：{}'.format(a[1]))
#print(f'系数：{a[2]}')
#print(f'准确率：{a[3]:.4f}')