Fama-MacBeth-Regression: eine praktische Anleitung
Eine praktische Anleitung zum zweistufigen Verfahren von Fama-MacBeth (1973): Zeitreihenregressionen mit rollierenden Betas, Querschnittsregressionen Periode für Periode und anschließend die Mittelung der Steigungskoeffizienten mit Newey-West HAC
Kategorie: Faktor-Research
Was Fama-MacBeth schätzt
Fama-MacBeth (1973) ist ein zweistufiges Verfahren zur Schätzung von Faktorrisikoprämien. In Stufe 1 werden Zeitreihenregressionen durchgeführt, um die Betas jedes Assets zu schätzen. In Stufe 2 wird in jeder Periode eine Querschnittsregression der Renditen auf diese Betas durchgeführt. Anschließend mitteln Sie die Steigungskoeffizienten der einzelnen Perioden und berechnen t-Statistiken mit Newey-West HAC.
Die zentrale Frage, die das Verfahren beantwortet: Wird das Exposure gegenüber einem bestimmten Faktor (etwa Value oder Momentum) im Querschnitt der Assets über die Zeit mit einer Renditeprämie vergütet? Statt eine einzige gepoolte Regression zu schätzen, trennt Fama-MacBeth bewusst die Schätzung der Risiko-Exposures von der Bepreisung dieser Exposures. Das umgeht ein gewichtiges statistisches Problem und liefert ehrliche Standardfehler. Die Lehrbuchdarstellung von Cochrane und der Originalaufsatz von Fama und MacBeth (1973) sind bis heute die Standardreferenzen für das Verfahren.
Das zweistufige Verfahren, Schritt für Schritt
Stufe 1 - Betas schätzen (Zeitreihe). Regressieren Sie für jedes Asset i dessen Überrenditen auf die Faktorrenditen über ein rollierendes Schätzfenster:
r_{i,t} = a_i + b_i' F_t + e_{i,t}
Mit einem rollierenden Fenster (statt der gesamten Stichprobe) können sich die Ladungen jedes Assets im Zeitablauf verschieben, was wichtig ist, weil Exposures nicht konstant sind. Das Ergebnis ist ein Panel geschätzter Betas, ein Satz je Asset und Periode.
Stufe 2 - die Betas bepreisen (Querschnitt). Führen Sie für jede Periode t eine einzige Querschnittsregression der Asset-Renditen dieser Periode auf die bis t geschätzten Betas durch:
r_{i,t} = gamma_{0,t} + gamma_t' beta_i + u_{i,t}
Das ergibt eine Zeitreihe von Steigungsschätzungen gamma_t - eine realisierte 'Prämie' je Faktor und Periode.
Aggregieren und testen. Mitteln Sie die Steigungskoeffizienten über die T Perioden:
gamma_hat = (1/T) * sum_t gamma_t
Die naive t-Statistik teilt diesen Mittelwert durch den Standardfehler der Reihe der Steigungskoeffizienten. Da diese Reihe seriell korreliert und heteroskedastisch ist, ist die Standardkorrektur Newey-West HAC (Newey und West, 1987) mit einer Lag-Länge, die zur Datenfrequenz passt. Das ist der Hauptgrund, warum Fama-MacBeth einer gepoolten OLS vorgezogen wird: Die Mittelung der Steigungskoeffizienten Periode für Periode und die Anwendung von HAC-Standardfehlern fangen die Querschnittskorrelation der Residuen auf, die sonst zu unterschätzten Standardfehlern führen würde. Beachten Sie, dass die Betas aus Stufe 1 geschätzt sind, sodass eine Errors-in-Variables-Verzerrung bestehen bleiben kann; Shanken (1992) leitet eine Korrektur her, und die Gruppierung von Assets zu Portfolios ist ein gängiges Mittel, sie zu begrenzen.
Wie SurgeFlow das anwendet
Das Faktorsystem von SurgeFlow bildet tägliche Faktorrenditen für Faktoren im Fama-French-Stil - SMB, HML, RMW, CMA, WML und LIQ - hinter einem Publikations-Gate und einem Resolver für die effektive Richtung, mit VIF-Diagnostik, um Kollinearität zwischen Faktoren zu kennzeichnen. Die Querschnittsschätzung der Faktorprämien nutzt Fama-MacBeth, und zu den Tests auf Modellebene gehört der gemeinsame GRS-F-Test (Gibbons, Ross und Shanken, 1989) darauf, ob eine Gruppe von Achsenabschnitten gemeinsam null ist.
Ein ausdrücklicher Hinweis zur Ehrlichkeit: Der aktuelle Phase-1-Lauf von Factor Backtest V2 ist research_backtest_insample - es handelt sich um In-Sample-Faktorattribution, nicht um Live-Out-of-Sample-Evidenz auf Basis eines rollierenden Signals. GRS und die übrigen Diagnosen werden als Kennzeichnungen ausgewiesen und nicht als Gates zum Ausschluss von Sleeves verwendet; in der Live-UI und der API sind Diagnosen Kennzeichnungen, keine Portfolio-Gates. Die Datenqualitäts-Gates, die tatsächlich bindend sind, gelten für die Daten selbst: Point-in-Time-Abgleich, Umgang mit Survivorship-Bias und Mindestzahlen an Beobachtungen. Lesen Sie diese Zahlen als Research-Attribution, nicht als validiertes Handelssignal.
Welche SurgeFlow-Daten dafür genutzt werden
Die Faktorrenditen, Betas und Querschnittsprämien stützen sich auf die marktübergreifende Data-Science-Infrastruktur von SurgeFlow für Aktien in vier Märkten: USA, China, Japan und Hongkong. Die zugrunde liegenden Kurs- und Fundamentaldaten stammen von FMP (USA), Tushare (China, Hongkong) sowie J-Quants und EDINET (Japan). Die Faktorrenditen werden täglich berechnet und durchlaufen das Publikations-Gate und den Richtungs-Resolver, bevor sie in eine Querschnittsregression eingehen.
Bei den nach einem zusammengesetzten Score gerankten Sleeves von Factor Backtest V2 (Gleichgewichtung und Risikoparität, gerankt nach argmax von 0.5*z(Sharpe) + 0.5*z(InfoRatio)) ist der zusammengesetzte Sieger für die USA der WML+RMW-Top-30-Sleeve mit Risikoparität, der über rund zehn Jahre sowohl nach Sharpe als auch nach Information Ratio auf Rang #1 liegt - qualitativ berichtet und, nochmals, als In-Sample-Attribution. Genaue Prämien, Sharpe-Werte und Beobachtungszahlen werden hier nicht genannt; rufen Sie stattdessen die Live-Daten über /factors, /backtesting und die öffentliche API ab.
Mit der kostenlosen API nachvollziehen
Sie können dieselben täglichen Faktorrenditen und Screening-Daten abrufen, die in diese Regressionen einfließen, und das zweistufige Verfahren selbst durchführen. Erstellen Sie unter /account einen kostenlosen API-Schlüssel (Beta); die öffentliche API (kostenlose Beta) erlaubt 2,000 Anfragen pro Tag über alle vier Märkte, mit Endpunkten für realtime-, screen-, hotlist- und summary-Daten sowie offenen JSON/CSV-Snapshots. Die OpenAPI-Spezifikation liegt unter /api/public/openapi.json, ein KI-lesbarer Index unter /llms.txt.
Wenn Sie lieber mit Tabellenkalkulationen arbeiten, können Sie SurgeFlow-Snapshots schon heute über die öffentlichen CSV/JSON-Endpunkte mit =IMPORTDATA(...) oder über Apps Script mit Ihrem Schlüssel in Google Sheets laden - ein veröffentlichtes Google-Workspace-Add-on gibt es nicht (ein etwaiges Add-on befindet sich höchstens in Prüfung). Ein Starter-Kit liegt auf GitHub. Nichts davon ist Anlageberatung; es sind Research-Daten, mit denen Sie die Fama-MacBeth-Prämien selbst prüfen können.
Quellen und weiterführende Literatur
Primäre, akademische und SurgeFlow-Datenquellen für die obigen Aussagen: - Fama, E. F. and MacBeth, J. D. (1973), 'Risk, Return, and Equilibrium: Empirical Tests', Journal of Political Economy - Newey, W. K. and West, K. D. (1987), 'A Simple, Positive Semi-Definite, Heteroskedasticity and Autocorrelation Consistent Covariance Matrix', Econometrica - Shanken, J. (1992), 'On the Estimation of Beta-Pricing Models', Review of Financial Studies - Gibbons, M. R., Ross, S. A. and Shanken, J. (1989), 'A Test of the Efficiency of a Given Portfolio', Econometrica - Faktorsystem von SurgeFlow und Factor Backtest V2 (research_backtest_insample), /factors und /backtesting