简介本资源面向金融工程、计量经济学方向的学生与实证研究者围绕美国普通股票收益率的多因子模型展开回归分析帮助读者在CAPM基础上理解Fama-French三因子模型的构建与评价方法。内容涵盖25个规模与账面市值比组合的统计特征、SMB与HML因子的相关性与显著性检验以及规模与盈利能力、规模与投资形成的新50组组合的模型解释力分析涉及数据下载、清洗处理、回归建模与研究报告撰写等实操技能。资源包为1个PDF文件约77KB内含完整的项目任务说明与实证分析要求可直接作为课程作业或研究练习的参考框架。目前已有72人学习适合希望系统掌握多因子资产定价实证流程、提升数据分析与报告写作能力的读者。1. 金融计量经济学里多因子模型回归分析到底在算什么做量化研究的朋友大概率遇到过这种场景手里攒了市值、账面市值比、动量、换手率、ROE 一堆因子想解释某只股票或者某个组合的下一期收益跑了个 OLS结果 R² 只有 0.03系数显著性还忽高忽低换个时间段符号直接反了。这不是你数据脏而是金融计量经济学中多因子模型的回归分析本身就带着一堆横截面相关、异方差、因子共线性的坑。它要解决的核心问题很朴素在给定一组因子暴露的前提下估计每个因子对预期收益的边际贡献并判断这个贡献在统计上是不是真的存在而不是噪声。适合谁适合已经会用 pandas 读数据、跑过statsmodels.OLS但一遇到 Fama-MacBeth、Newey-West 标准误、因子正交化就卡壳的从业者。这篇不聊资产定价理论史只讲怎么把多因子回归从「跑得出结果」做到「结果敢写进报告」。2. 多因子回归的数据底座面板结构、因子暴露与收益对齐2.1 为什么横截面回归和时间序列回归不能混着用多因子模型回归分析最常见的翻车点是把面板数据当成一张普通表直接丢进 OLS。金融数据天然是「股票 × 时间」的二维结构同一只股票不同期的残差相关同一期不同股票的残差也相关。如果你只做一次全样本混合回归标准误会被严重低估t 值虚高本来不显著的因子被你说成显著。常见做法是分两步走先做时间序列回归估计每只股票的因子暴露beta再做横截面回归估计因子溢价lambda。这就是 Fama-MacBeth 两步法的基本骨架。第一步回答「这只股票对市值因子有多敏感」第二步回答「市场愿意为这个敏感度付多少溢价」。两步的因变量和解释变量完全不同混在一起就废了。我一般会先把数据整理成 MultiIndex 的 DataFrame索引是 (date, asset)列是收益率和各个因子暴露。这样后面 groupby 做横截面回归时不会乱。import pandas as pd import numpy as np import statsmodels.api as sm # 假设 df 长这样: 列 [ret, mkt_beta, smb_beta, hml_beta, mom_beta] # 索引 MultiIndex(date, asset) df df.sort_index() # 检查每个截面上股票数量太少(比如30)的截面直接丢掉 counts df.groupby(leveldate).size() valid_dates counts[counts 30].index df df.loc[df.index.get_level_values(date).isin(valid_dates)]这段代码做的是截面有效性过滤。参数30不是拍脑袋横截面回归至少要保证解释变量个数 5 到 10 倍以上的样本量否则 lambda 的估计方差会大到没法看。如果你的因子有 6 个截面股票数最好在 60 以上。丢掉小截面会损失一些早期数据但换来的是估计稳定性这笔账划算。2.2 因子暴露怎么估滚动窗口还是全样本估计 beta 有两种流派。全样本估计假设因子暴露不随时间变简单但违背现实滚动窗口估计承认暴露会漂移更贴近实盘但窗口长度是个玄学参数。我一般用 60 个月滚动窗口最少 36 个月起算。窗口太短beta 噪声大窗口太长跟不上风格切换。下面是一个滚动回归的写法注意这里用的是时间序列回归每只股票单独跑。def rolling_beta(stock_df, factor_cols, ret_colret, window60, min_obs36): betas {} for i in range(min_obs, len(stock_df) 1): sub stock_df.iloc[max(0, i-window):i] if len(sub) min_obs: continue X sm.add_constant(sub[factor_cols]) y sub[ret_col] model sm.OLS(y, X).fit() betas[sub.index[-1]] model.params[factor_cols] return pd.DataFrame(betas).T # 对每只股票应用 beta_list [] for asset, g in df.groupby(levelasset): g g.droplevel(asset) b rolling_beta(g, [mkt_beta, smb_beta, hml_beta, mom_beta]) b[asset] asset beta_list.append(b) beta_panel pd.concat(beta_list).set_index(asset, appendTrue).swaplevel()逻辑说明rolling_beta在每个时间点用过去 window 期的数据估参数min_obs保证样本不足时不硬跑。参数window60对应 5 年月度数据是文献里比较常见的折中。如果你做的是日频窗口要相应放大到 250 左右但日频噪声更大建议先降频。跑完后beta_panel的索引是 (date, asset)列是各因子暴露正好接下一步横截面回归。提示滚动回归计算量大股票池上千只时用循环会慢。可以改成向量化或者用numpy.linalg.lstsq批量求解但先跑通逻辑再优化别一上来就并行。3. Fama-MacBeth 横截面回归从逐期估计到溢价显著性检验3.1 逐期横截面回归的最小实现有了因子暴露面板下一步是每个截面上跑一次回归用当期收益对当期暴露回归得到该期的因子溢价 lambda。把所有截面的 lambda 收集起来均值和 t 值就是最终结论。def cross_section_regression(date_df, factor_cols, ret_colret): X sm.add_constant(date_df[factor_cols]) y date_df[ret_col] if len(date_df) len(factor_cols) 5: return None model sm.OLS(y, X).fit() return model.params lambda_records [] for date, g in beta_panel.groupby(leveldate): # 需要把当期收益 merge 进来 merged g.join(ret_panel, howinner) res cross_section_regression(merged, [mkt_beta, smb_beta, hml_beta, mom_beta]) if res is not None: res.name date lambda_records.append(res) lambda_df pd.DataFrame(lambda_records)这段是 Fama-MacBeth 第一步的核心。cross_section_regression对单个截面做 OLS返回系数。len(date_df) len(factor_cols) 5是防止自由度不足导致估计爆炸。收集到的lambda_df每行是一个时间点每列是一个因子的溢价估计。接下来算均值和 t 值。注意这里不能直接用lambda_df.mean() / lambda_df.std()因为 lambda 序列存在自相关普通 t 检验会高估显著性。def fm_tstat(lambda_series, lags4): mean lambda_series.mean() # Newey-West 调整 n len(lambda_series) x lambda_series - mean gamma0 (x ** 2).sum() / n var gamma0 for lag in range(1, lags 1): w 1 - lag / (lags 1) cov (x[lag:].values * x[:-lag].values).sum() / n var 2 * w * cov se np.sqrt(var / n) return mean, mean / se for col in lambda_df.columns: m, t fm_tstat(lambda_df[col].dropna()) print(f{col}: lambda{m:.4f}, t{t:.2f})fm_tstat里lags4是月度数据的常见选择对应约 4 期自相关修正。Newey-West 权重w用 Bartlett 核保证协方差矩阵正定。如果你做的是周频lags 可以设 8日频设 20 以上。这个 t 值才是能写进报告的。3.2 因子共线性与正交化什么时候该动手多因子模型回归分析里市值和账面市值比往往高度相关动量又和短期反转纠缠。共线性不会让 OLS 有偏但会让系数方差膨胀t 值集体缩水你分不清哪个因子真有用。判断共线性看 VIF超过 10 就要处理。处理方式有两种一是正交化把新因子对已有因子回归取残差二是直接删掉经济含义重叠的因子。我一般先看相关系数矩阵超过 0.7 的配对考虑正交化。from statsmodels.stats.outliers_influence import variance_inflation_factor X sm.add_constant(beta_panel[[mkt_beta, smb_beta, hml_beta, mom_beta]].dropna()) vif pd.Series([variance_inflation_factor(X.values, i) for i in range(X.shape[1])], indexX.columns) print(vif) # 正交化示例把 mom_beta 对 smb_beta 回归取残差 resid sm.OLS(beta_panel[mom_beta], sm.add_constant(beta_panel[smb_beta])).fit().resid beta_panel[mom_beta_orth] residvariance_inflation_factor逐列计算 VIFX.values要包含常数项。正交化后mom_beta_orth和smb_beta的相关系数理论上为 0但代价是mom_beta_orth的经济含义变成「剔除市值影响后的动量」解释时要小心。不是所有场景都该正交化如果两个因子都有独立的经济逻辑保留原样并报告 VIF 也是可接受的做法。注意正交化顺序会影响结果。先正交化谁谁的系数含义就保持原样后者的含义被改变。这个顺序要在报告里写清楚否则别人复现不出来。4. 标准误、异方差与面板固定效应让 t 值经得起推敲4.1 普通标准误、聚类标准误和 Newey-West 怎么选金融面板数据几乎必然存在异方差和截面相关。普通 OLS 标准误假设残差同方差且独立在金融数据里基本不成立。三种修正方式各有适用场景。聚类标准误按股票聚类允许同一股票不同期残差相关适合个股面板。Newey-West 同时修正自相关和异方差适合时间序列或者 Fama-MacBeth 的 lambda 序列。Driscoll-Kraay 标准误进一步允许截面相关适合宏观因子研究。# statsmodels 里聚类标准误的写法 model sm.OLS(y, X).fit(cov_typecluster, cov_kwds{groups: group_ids}) print(model.summary()) # Newey-West model_nw sm.OLS(y, X).fit(cov_typeHAC, cov_kwds{maxlags: 4})cov_typecluster时groups要传每个观测对应的股票代码。maxlags4和前面 Fama-MacBeth 的 lags 含义一致。选哪个如果做的是 Fama-MacBeth 两步法第二步的 lambda 序列用 Newey-West 就够了如果做的是混合面板回归优先聚类到股票。别同时用两种修正会过度调整导致 t 值偏小。4.2 固定效应模型在因子研究里的取舍面板固定效应能吸收不随时间变的个股特征比如公司治理质量、行业属性。但多因子研究里要小心很多因子本身就是个股特征加了固定效应后这些因子的系数会被吸收掉估不出来。常见做法是如果研究目标是「因子溢价」用 Fama-MacBeth 而不是固定效应如果研究目标是「某事件对收益的影响」固定效应更合适。下面是一个双向固定效应的写法仅作对比参考。# 用 linearmodels 做双向固定效应 from linearmodels.panel import PanelOLS panel df.set_index([asset, date]) mod PanelOLS(panel[ret], panel[[mkt_beta, smb_beta]], entity_effectsTrue, time_effectsTrue) res mod.fit(cov_typeclustered, cluster_entityTrue) print(res)entity_effectsTrue吸收个股固定特征time_effectsTrue吸收时间共同冲击。cluster_entityTrue按股票聚类。注意linearmodels要求索引顺序是 (entity, time)和 pandas 默认的 (date, asset) 相反转换时别搞错。提示固定效应模型里任何不随时间变的因子比如行业哑变量都会被吸收系数无法识别。如果你的核心因子是静态的别用固定效应。5. 避坑与排查多因子回归里最容易翻车的五件事5.1 前视偏差用了未来信息还不自知现象回测夏普比率高得离谱实盘一上就亏。原因因子暴露用了全样本估计或者财务数据用了公告日之前的值。解决所有因子暴露必须用 t 期及之前的数据估计财务数据按公告日对齐不能用报告期。滚动窗口回归天然避免这个问题但如果你用全样本 beta就中招了。5.2 幸存者偏差退市股票被悄悄删掉现象因子溢价显著但样本里全是活到今天的股票。原因数据源只提供当前上市股票列表退市股票被剔除。解决用包含退市股票的全样本或者至少做敏感性分析。退市股票往往收益极低删掉它们会高估因子表现。这个坑在 A 股研究里尤其常见。5.3 极值污染一个异常值带偏整个截面现象某期 lambda 突然放大十倍t 值被拉高。原因个别股票收益或因子暴露有极端值OLS 对异常值敏感。解决横截面回归前做 1% 和 99% 分位缩尾winsorize或者用稳健回归。缩尾比直接删掉温和保留样本量。def winsorize(s, lower0.01, upper0.99): lo, hi s.quantile(lower), s.quantile(upper) return s.clip(lo, hi) df[ret] df.groupby(leveldate)[ret].transform(winsorize)transform保证按截面分别缩尾不是全样本缩尾。参数 1% 是常用值样本量大时可以放宽到 0.5%。5.4 因子暴露与收益错位时间对齐没做对现象回归结果符号和理论相反。原因用了 t 期因子暴露解释 t 期收益但因子暴露本身是用 t 期数据算的存在同期内生性。解决用 t-1 期暴露解释 t 期收益或者用 t 期暴露解释 t1 期收益。时间对齐是金融计量经济学里最基础也最容易错的一步建议在数据整理阶段就显式 shift。5.5 多重检验跑了 50 个因子挑显著的报现象报告里 5 个因子都显著但样本外全失效。原因反复尝试不同因子组合只报告显著结果p 值失去意义。解决预注册因子列表或者用 Bonferroni、FDR 校正。更实际的做法是留出样本外时间段所有结论以样本外为准。这个坑没有技术解法只能靠研究纪律。6. 用 ElasticNet 做因子筛选当因子数量超过样本容量时传统 OLS 在因子数量接近甚至超过截面样本量时直接失效系数估计方差爆炸。这时候弹性网络回归分析ElasticNet是个实用替代。它同时带 L1 和 L2 惩罚L1 做稀疏筛选L2 处理共线性比纯 Lasso 在因子高度相关时更稳。from sklearn.linear_model import ElasticNetCV from sklearn.preprocessing import StandardScaler # 按截面标准化因子暴露 scaler StandardScaler() X_scaled scaler.fit_transform(beta_panel[factor_cols].fillna(0)) y beta_panel[ret].values # 时间序列交叉验证选 alpha 和 l1_ratio model ElasticNetCV(l1_ratio[0.1, 0.3, 0.5, 0.7, 0.9], cv5, max_iter10000, random_state42) model.fit(X_scaled, y) print(alpha:, model.alpha_, l1_ratio:, model.l1_ratio_) print(非零系数因子:, [f for f, c in zip(factor_cols, model.coef_) if abs(c) 1e-6])l1_ratio控制 L1 和 L2 的混合比例1 是纯 Lasso0 是纯 Ridge。ElasticNetCV用交叉验证自动选。标准化必须做否则惩罚力度会被量纲大的因子主导。random_state固定保证可复现。参数选择上cv5是时间序列交叉验证的折数金融数据建议用TimeSeriesSplit替代默认 KFold避免未来信息泄露。max_iter调大防止不收敛。跑完后非零系数对应的因子就是筛选结果但别直接信还要看系数符号是否符合经济逻辑。验证方法上我习惯把样本按时间切成三段前 60% 训练中间 20% 调参最后 20% 只跑一次。最后一段的结果才是能写进报告的。如果样本外 R² 掉到负的说明模型过拟合回去检查因子是不是太多、标准化是不是漏了。我自己踩过最深的坑是忘了做截面标准化结果 ElasticNet 把量纲大的市值因子系数压到接近零误以为它没用。后来养成习惯任何惩罚回归之前先StandardScaler并且把 scaler 的均值方差存下来样本外变换用同一套参数。这个习惯帮我省了很多后悔药。希望帮到你。本文还有配套的精品资源点击获取