Fama-MacBeth-regressio käytännössä
Käytännön selitys Fama-MacBethin (1973) kaksivaiheisesta menetelmästä: aikasarjaregressiot liukuvilla beetoilla, periodikohtaiset poikkileikkausregressiot ja lopuksi kulmakertoimien keskiarvo Newey-West HAC -korjauksella
Luokka: Faktoritutkimus
Mitä Fama-MacBeth estimoi
Fama-MacBeth (1973) on kaksivaiheinen menetelmä faktoririskipreemioiden estimointiin. Vaiheessa 1 ajetaan aikasarjaregressiot kunkin sijoituskohteen beetojen estimoimiseksi. Vaiheessa 2 ajetaan joka periodilla poikkileikkausregressio, jossa tuottoja selitetään näillä beetoilla. Sen jälkeen periodikohtaisista kulmakertoimista lasketaan keskiarvo ja t-arvot lasketaan Newey-West HAC -korjauksella.
Menetelmän keskeinen kysymys on: palkitaanko altistus tietylle faktorille (esimerkiksi arvolle tai momentumille) sijoituskohteiden poikkileikkauksessa ajan mittaan tuottopreemiolla? Yhden yhdistetyn (pooled) regression sijaan Fama-MacBeth erottaa tarkoituksella riskialtistusten estimoinnin näiden altistusten hinnoittelusta. Näin vältetään merkittävä tilastollinen ongelma ja saadaan rehelliset keskivirheet. Cochranen oppikirjaesitys ja Faman ja MacBethin alkuperäinen artikkeli (1973) ovat edelleen menetelmän vakiolähteet.
Kaksivaiheinen menetelmä vaihe vaiheelta
Vaihe 1 - beetojen estimointi (aikasarja). Kunkin sijoituskohteen i ylituottoja selitetään faktorituotoilla liukuvassa estimointi-ikkunassa:
r_{i,t} = a_i + b_i' F_t + e_{i,t}
Liukuvan ikkunan (koko otoksen sijaan) ansiosta kunkin sijoituskohteen lataukset voivat muuttua ajassa, mikä on tärkeää, koska altistukset eivät ole vakioita. Tuloksena on estimoitujen beetojen paneeli: yksi joukko kutakin sijoituskohdetta ja periodia kohti.
Vaihe 2 - beetojen hinnoittelu (poikkileikkaus). Kullakin periodilla t ajetaan yksi poikkileikkausregressio, jossa kyseisen periodin tuottoja selitetään hetkeen t asti estimoiduilla beetoilla:
r_{i,t} = gamma_{0,t} + gamma_t' beta_i + u_{i,t}
Tästä saadaan estimoitujen kulmakertoimien aikasarja gamma_t: yksi toteutunut 'preemio' kutakin faktoria ja periodia kohti.
Yhdistäminen ja testaus. Kulmakertoimista lasketaan keskiarvo T periodin yli:
gamma_hat = (1/T) * sum_t gamma_t
Naiivi t-arvo jakaa tämän keskiarvon kulmakerroinsarjan keskivirheellä. Koska sarjassa on autokorrelaatiota ja heteroskedastisuutta, vakiokorjaus on Newey-West HAC (Newey ja West, 1987), jonka viivepituus sovitetaan datan frekvenssiin. Tämä on tärkein syy siihen, miksi Fama-MacBethia suositaan yhdistetyn OLS-regression sijaan: periodikohtaisten kulmakertoimien keskiarvoistaminen ja HAC-keskivirheet ottavat huomioon jäännösten poikkileikkauskorrelaation, joka muuten johtaisi liian pieniin keskivirheisiin. On huomattava, että vaiheen 1 beetat ovat estimaatteja, joten muuttujien mittausvirheestä johtuva harha (errors-in-variables) voi jäädä jäljelle; Shanken (1992) johtaa tähän korjauksen, ja sijoituskohteiden ryhmittely salkuiksi on yleinen tapa lieventää ongelmaa.
Miten SurgeFlow soveltaa tätä
SurgeFlow'n faktorijärjestelmä muodostaa päivittäiset faktorituotot Fama-French-tyylisille faktoreille - SMB, HML, RMW, CMA, WML ja LIQ - julkaisuportin ja tosiasiallisen suunnan ratkaisijan takana, ja VIF-diagnostiikka nostaa esiin faktorien välisen kollineaarisuuden. Faktoripreemioiden poikkileikkausestimointiin käytetään Fama-MacBethia, ja mallitason testeihin kuuluu yhteinen GRS F-testi (Gibbons, Ross ja Shanken, 1989) sille, ovatko vakiotermit yhtä aikaa nollia.
Nimenomainen rehellisyyshuomautus: Factor Backtest V2:n nykyinen Phase-1-ajo on research_backtest_insample - se on otoksen sisäistä (in-sample) faktoriattribuutiota, ei reaaliaikaista otoksen ulkopuolista näyttöä liukuvasta signaalista. GRS ja muut diagnostiikat raportoidaan merkintöinä, eikä niitä käytetä osasalkkujen (sleeve) poissulkemiskriteereinä; reaaliaikaisessa käyttöliittymässä ja API:ssa diagnostiikat ovat merkintöjä, eivät salkkuportteja. Sitovat datan laatuportit koskevat itse dataa: point-in-time-kohdistus, selviytymisharhan (survivorship) käsittely ja havaintojen vähimmäismäärät. Näitä lukuja on luettava tutkimusattribuutiona, ei validoituna kaupankäyntisignaalina.
Mitä SurgeFlow-dataa tässä käytetään
Faktorituotot, beetat ja poikkileikkauspreemiot perustuvat SurgeFlow'n datatiedeympäristöön, joka kattaa osakkeet neljällä markkinalla: Yhdysvalloissa, Kiinassa, Japanissa ja Hongkongissa. Taustalla olevat kurssi- ja fundamenttitiedot tulevat FMP:ltä (Yhdysvallat), Tusharelta (Kiina, Hongkong) sekä J-Quantsilta ja EDINETistä (Japani). Faktorituotot lasketaan päivittäin, ja ne kulkevat julkaisuportin ja suunnan ratkaisijan läpi ennen kuin niitä käytetään poikkileikkausregressiossa.
Factor Backtest V2:n yhdistelmäpisteillä järjestetyistä osasalkuista (tasapaino ja riskipariteetti, järjestys lausekkeen 0.5*z(Sharpe) + 0.5*z(InfoRatio) argmaxin mukaan) Yhdysvaltain yhdistelmävoittaja on riskipariteetilla painotettu WML+RMW Top-30 -osasalkku, joka on noin kymmenen vuoden jaksolla sijalla #1 sekä Sharpen luvulla että informaatiosuhteella (Information Ratio) mitattuna - tämä raportoidaan laadullisesti ja jälleen otoksen sisäisenä attribuutiona. Tarkkoja preemioita, Sharpen lukuja ja havaintomääriä ei esitetä tässä; ajantasaiset tiedot löytyvät sivuilta /factors ja /backtesting sekä julkisesta API:sta.
Toista laskenta maksuttomalla API:lla
Samat päivittäiset faktorituotot ja seulontadatan, joihin nämä regressiot perustuvat, voi hakea itse ja toteuttaa kaksivaiheisen menetelmän omatoimisesti. Maksuttoman (beta) API-avaimen voi luoda osoitteessa /account; julkinen API (maksuton beta) sallii 2,000 pyyntöä päivässä kaikilla neljällä markkinalla, ja sen rajapinnat kattavat realtime-, screen-, hotlist- ja summary-datan sekä avoimet JSON/CSV-tilannevedokset. OpenAPI-määrittely on osoitteessa /api/public/openapi.json ja tekoälylle luettavissa oleva hakemisto osoitteessa /llms.txt.
Taulukkolaskentaa suosiva voi jo nyt ladata SurgeFlow-tilannevedoksia Google Sheetsiin julkisten CSV/JSON-rajapintojen kautta kaavalla =IMPORTDATA(...) tai Apps Scriptillä omalla avaimella. Julkaistua Google Workspace -lisäosaa ei ole (mahdollinen lisäosa on enintään tarkastettavana). Aloituspaketti on GitHubissa. Mikään tästä ei ole sijoitusneuvontaa; kyse on tutkimusdatasta, jolla Fama-MacBeth-preemiot voi testata itse.
Lähteet ja lisälukemista
Edellä esitettyjen väitteiden ensisijaiset lähteet, akateemiset lähteet ja SurgeFlow-datalähteet: - 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 - SurgeFlow'n faktorijärjestelmä ja Factor Backtest V2 (research_backtest_insample), /factors ja /backtesting