Olen hämmentynyt Fama Macbethin regressiomenetelmän taustasta. Ymmärrän, miten nämä kaksi vaihetta käytännössä suoritetaan, mutta en miksi niin pitäisi tehdä.
Esimerkiksi Fama- ja ranskalainen kolmen tekijän malli:
$ R_ {it} – R_ {ft} = \ alpha_i + \ beta_i (R_ {mt} -R_ {ft}) + s_iSMB_t + h_iHML_t + \ epsilon_ {it} $
Miksi kaksivaiheista menetelmää tulisi käyttää? Miksi ei riitä vain aikasarjojen regressio jokaiselle omaisuudelle $ i $ ja arvio $ \ alpha_i $ , $ \ beta_i $ , $ s_i $ ja $ h_i $ ? Mikä on $ \ gamma_0 $ ja $ \ gamma_i $ kertoimien taloudellinen merkitys, jotka arvioidaan toisen vaiheen poikkileikkauksen regressiot kullakin ajankohdalla?
Muokkaa: Lisätutkimusten jälkeen ymmärsin, että FMB-metodologiaa käytetään CAPM: n oikeellisuuden testaamiseen. En kuitenkaan edelleenkään ymmärrä toisen vaiheen regressiossa havaittujen gammakertoimien merkitystä.
Kommentit
- Tämä viesti saattaa olla mielenkiintoinen ? quant.stackexchange.com/questions/37987/…
- Luulen, mitä ei ole Minulle on selvää ero tekijämallissa, kuten FF, käytettyjen tekijöiden ja riskipreemioiden välillä. Käytännössä esimerkiksi, jos $ R_m – R_f $ ei ole riskipreemia, niin mikä se on?
Vastaa
Selvitys regressiokertoimista
Cochrane (Asset Pricing, rev. painos, 2005) toteaa (s. 247):
Tämän tekeminen on helpompaa tavallisemmissa asetuksissa, joissa on vasemmanpuoleinen muuttuja $ y $ ja oikeanpuoleinen muuttuja $ x $ . Harkitse regressiota $$ y_ {it} = \ beta´x_ {it} + \ epsilon_ {it} $$ $ $ i = 1,2, .., N $$ $$ t = 1,2, …, T $$ [… ] Odotettavissa olevan tuoton beta-omaisuuden hinnoittelumallissa $ x_ {it} $ tarkoittaa $ \ beta_i $ ja $ \ beta $ tarkoittaa $ \ lambda $ .
Tausta
Fama / MacBeth-menettelyä käytetään estimoimaan yhtenäiset vakiovirheet poikkileikkauskorrelaation läsnä ollessa. MacBeth (1973) – Ensimmäinen vaihe
Ensimmäinen vaihe on aikasarjojen regressio oikeanpuoleisen muuttujan $ x_ {it} $ saamiseksi, eli beeta-kertoimet. Koska tiedät jo tekniset yksityiskohdat, haluan viitata vain näihin vastauksiin [1] , [2] , [3] ja lisätietoja tästä vaiheesta.
Fama-MacBeth (1973) – Toinen vaihe
Gammakertoimet (tässä: $ \ lambda´_t $ ) ovat arvioita riskitekijiesi riskipreemioille $ \ beta´_t $ . Mitä tämä tarkoittaa? Sovellamme poikkileikkauksen regressiota kullakin ajankohdalla $ t $ . Jos riskitekijöiden $ \ beta´_t $ ja osakkeiden tuoton välillä on (lineaarinen) suhde $ t $ , saisimme hyvin mitatun (eli tilastollisesti merkitsevän) positiivisen tekijän riskipreemion hinnalla $ t $ . Taloudellinen tulkinta $ \ lambda´_t $ on kuinka paljon odotettu osakekannan nousu, jos tämä osakekohtainen riskitekijä lisää yhden yksikön. > Saamme arviot riskipreemioista $ \ lambda´_t $ kullakin ajankohdalla $ t $ . Rajoitetun laskentatehon (ja tilastollisten menetelmien) vuoksi vuonna 1973 käytämme yksinkertaisesti $ \ lambda´_t $ -vaihtoehtoa ajan mittaan päättelemään sen vaihtelu näytteistä.
Voit tarkastella tätä erinomaista vastausta toisen vaiheen teknisistä yksityiskohdista.
Fama-ranskalainen kolmen tekijän malli
Ilmoitettu regressio antaa sinulle tietyn osakkeen tai salkun tekijäkuormitukset. Voit käyttää näitä kertoimia esim. laskea tämän osakkeen odotettu tuotto. Tekijätuotot perustuvat kuitenkin tiettyihin sijoitusstrategioihin (SMB / HML). Kuten täällä todettiin,
et voi tulkita tekijän keskimääräistä tuottoa riskipreemio.
mutta tämä vaatii lisäselvitystä, joka seuraa nyt.
Päätelmä
termi riskipreemia . Fama / ranskalainen tekijä-aikasarja SMB tai HML ovat todellakin riskipreemioita (kuten markkinariskipreemio), mutta ei Fama / MacBeth-menettelyn kannalta.
Mitä Fama / ranskalaiset tekevät kolmen tekijän mallissaan, on rakentaa salkut, jotka noudattavat tiettyjä sijoitusstrategioita. Nämä tuotosarjat ovat riskipreemioita, koska se mittaa kuinka paljon osakkeen tuottoa pitäisi lisätä, jos sen beeta tälle kerroin kasvaa yhden yksikön. Meillä on vahvaa empiiristä näyttöä siitä, että nämä riskitekijät ajavat osakekannan tuottoa.
Fama / MacBeth kuitenkin aloittaa riskitekijöistä (kuten market-beta) ja testaa , onko osakekannan poikkileikkauksessa tälle riskitekijälle havaittavissa markkinapreemioita. Jos emme näe merkittävää ja positiivista riskipreemiota, riskitekijämme ei kykene selittämään eroja osaketulojen poikkileikkauksessa.