python量化——利用python构建Fama-French三因子模型

python量化——利用python构建Fama-French三因子模型,第1张

概述工具介绍在构建模型之前,首先介绍所需的工具。importpandasaspdimporttushareastspro=ts.pro_api()importstatsmodels.apiassm这里需要用到的是python中的pandas和statsmodels模块,分别用于数据处理和做多元回归。另外,还需要获取股票和指

  工具介绍

  在构建模型之前,首先介绍所需的工具。

  import pandas as pd

  import tushare as ts

  pro = ts.pro_API()

  import statsmodels.API as sm

  这里需要用到的是python中的pandas和statsmodels模块,分别用于数据处理和做多元回归。

  另外,还需要获取股票和指数的各项数据,这里所用到的是tushare,tushare拥有丰富的数据内容,如股票、基金等行情数据,公司财务理等基本面数据。通过tushare平台赚取一定的积分可以免费获取平台提供的数据。(个人ID:419382)

  Fama-french理论介绍

  Fama-french是从1993年提出来的模型,该模型建立了三个因子来解释股票的回报率。这三个因子分别是:市场组合(Rm-Rf),市值因子(SMB)以及账面市值比因子(HML)。

  具体公式如下:

  E(Rit) −rft= βi[E(Rmt−rft)] +sIE(SMBt) +hIE(HMLt)

  其中SMB的计算公式为:

  (SL+SM+SH)/ 3 - (BL+BM+BH)/ 3

  HML的计算公式为:

  (SH+BH)/ 2 - (SL+BL)/ 2

  利用python构建模型

  获取进行选股的指数

  这里使用上证50作为选择股票的指数。

  #获取进行选股的股票池

  def get_SZ50_stocks(start,end):

  #获取上证50成分股

  df1 = pro.index_weight(index_code="000016.SH",start_date=start,end_date=end)

  SZ50_codes = df1["con_code"].toList()

  #剔除最近一年上市和st股票

  df2 = pro.stock_basic(exchange="",List_status="L")

  df2 = df2[df2["List_date"].apply(int).values<20190101]

  df2 = df2[-df2["name"].apply(lambda x:x.startswith("*ST"))]

  all_codes = df2["ts_code"].toList()

  stocks_codes = []

  for i in SZ50_codes:

  if i in all_codes:

  stocks_codes.append(i)

  return stocks_codes

  将股票进行分组

  从上证50中选择出来的股票需要按照市值和账面市值比(PB ratio 的倒数)进行分组,其中市值划分为2组,账面市值比划分为3组,所以一共由2*3=6组。在进行市值和账面市值比划分时,需要选定一个基准日期。在构建模型时,这里使用了2020-03-10作为基准日期。

  #将股票分为六个组

  def group_stocks(stocks,date):

  #划分大小市值

  List_mv = []

  df_stocks = pd.DataFrame()

  count = 0

  for i in stocks:

  count += 1

  a = pro.daily_basic(ts_code=i,Trade_date=date)

  a = a["circ_mv"].values

  List_mv.append(float(a))

  print("第%d支股票市值计算完成"%count)

  df_stocks["code"] = stocks_codes

  df_stocks["mv"] = List_mv

  df_stocks["SB"] = df_stocks["mv"].map(lambda x:"B" if x>df_stocks["mv"].median() else "S")

  #划分高中低账面市值比

  List_bm = []

  count = 0

  for i in stocks_codes:

  count += 1

  b = pro.daily_basic(ts_code=i,Trade_date=date)

  b = 1/b["pb"].values

  List_bm.append(float(b))

  print("第%d支股票账面市值比计算完成"%count)

  df_stocks["bm"] = List_bm

  df_stocks["HML"] = df_stocks["bm"].apply(lambda x:"H" if x>=df_stocks["bm"].quantile(0.7)

  else ("L" if x<=df_stocks["bm"].quantile(0.3) else "M"))

  return df_stocks

  分组之后的结果如图:

  

  计算SMB和HML

  这里先算出六组股票的收益率,由基准日期往后一天计算一年内的日收益率。之后利用公式算出每日的SMB和HML。

  #分别计算六个组的日收益率

  def groups_return(stocks,start,end):

  SL = stocks[stocks["SB"].isin(["S"])&stocks["HML"].isin(["L"])].code.toList()

  sum_SL = df_stocks[df_stocks["SB"].isin(["S"])&df_stocks["HML"].isin(["L"])]["mv"].sum()

  SM = stocks[stocks["SB"].isin(["S"])&stocks["HML"].isin(["M"])].code.toList()

  sum_SM = df_stocks[df_stocks["SB"].isin(["S"])&df_stocks["HML"].isin(["M"])]["mv"].sum()

  SH = stocks[stocks["SB"].isin(["S"])&stocks["HML"].isin(["H"])].code.toList()

  sum_SH = df_stocks[df_stocks["SB"].isin(["S"])&df_stocks["HML"].isin(["H"])]["mv"].sum()

  BL = stocks[stocks["SB"].isin(["B"])&stocks["HML"].isin(["L"])].code.toList()

  sum_BL = df_stocks[df_stocks["SB"].isin(["B"])&df_stocks["HML"].isin(["L"])]["mv"].sum()

  BM = stocks[stocks["SB"].isin(["B"])&stocks["HML"].isin(["M"])].code.toList()

  sum_BM = df_stocks[df_stocks["SB"].isin(["B"])&df_stocks["HML"].isin(["M"])]["mv"].sum()

  BH = stocks[stocks["SB"].isin(["B"])&stocks["HML"].isin(["H"])].code.toList()

  sum_mv = df_stocks[df_stocks["SB"].isin(["B"])&df_stocks["HML"].isin(["H"])]["mv"].sum()

  groups = [SL,SM,SH,BL,BM,BH]

  sums = [sum_SL,sum_SM,sum_SH,sum_BL,sum_BM,sum_BH]

  groups_names = ["SL","SM","SH","BL","BM","BH"]

  df_groups = pd.DataFrame(columns=groups_names)

  count=0

  for group in groups:

  df1 = pd.DataFrame()

  for i in range(len(group)):

  data = pro.daily(ts_code=group[i],start_date=start,end_date=end)

  data.sort_values(by="Trade_date",inplace=True)

  data = data["pct_chg"]*df_stocks["mv"][i]

  df1[group[i]] = data

  df_groups[groups_names[count]] = df1.apply(lambda x:x.sum()/sums[each],axis=1)/100

  print("%s组计算完成"%groups_names[count])

  count += 1

  return df_groups

  #计算每日SMB,HML

  def SMB_HML(data):

  data["SMB"] = (data["SL"]+data["SM"]+data["SH"])/3-(data["BL"]+data["BM"]+data["BH"])/3

  data["HML"] = (data["SH"]+data["BH"])/2-(data["SL"]+data["BL"])/2

  return data

  两个因子的计算结果如图:

  大连人流哪家好 http://mobile.fkyy120.net/

  加入市场组合收益和股票收益

  #加入市场因子和股票收益率

  def selection(data,start,end,stocks_codes):

  MKT = pro.index_daily(ts_code="000016.SH",start_date=start,end_date=end)

  MKT.sort_values(by="Trade_date",ascending=True,inplace=True)

  MKT = (MKT["pct_chg"]/100-0.035).toList()

  data["MKT"] = MKT

  data.drop(data.columns[0:6],axis=1,inplace=True)

  for i in range(len(stocks_codes)):

  a = pro.daily(ts_code=stocks_codes[i],start_date=20200311,end_date=20210311)

  if len(a) == 244:

  a.sort_values(by="Trade_date",ascending=True,inplace=True)

  a = (a["pct_chg"]/100-0.035).toList()

  data["%s"%stocks_codes[i]] = a

  return data

  将如图表格用于多元回归:

  

  对每支股票收益率和三个因子进行多元回归

  这里回归之后选择返回阿尔法值最大的前十支股票。

  #回归找出阿尔法最大的股票组合

  def olS(df):

  results = pd.DataFrame()

  stocks_return = df_final.iloc[:,3:50]

  for i in range(len(stocks_return.columns)):

  x = df_final.iloc[:,0:3]

  y = stocks_return.iloc[:,i]

  X = sm.add_constant(x)

  model = sm.olS(y,X)

  result = model.fit()

  results[i] = result.params

  results.columns = stocks_return.columns

  results.rename(index={"const":"Alpha"},inplace=True)

  z =results.sort_values(by="Alpha",axis=1,ascending=False)

  stocks_Lists = z.columns.values.toList()

  top_stocks = stocks_Lists[:11]

  return top_stocks

总结

以上是内存溢出为你收集整理的python量化——利用python构建Fama-French三因子模型全部内容,希望文章能够帮你解决python量化——利用python构建Fama-French三因子模型所遇到的程序开发问题。

如果觉得内存溢出网站内容还不错,欢迎将内存溢出网站推荐给程序员好友。

欢迎分享,转载请注明来源:内存溢出

原文地址: http://outofmemory.cn/langs/1188530.html

(0)
打赏 微信扫一扫 微信扫一扫 支付宝扫一扫 支付宝扫一扫
上一篇 2022-06-03
下一篇 2022-06-03

发表评论

登录后才能评论

评论列表(0条)

保存