Fama-MacBeth-regressie: een praktische uitleg
Een praktische uitleg van de tweestapsprocedure van Fama-MacBeth (1973): tijdreeksregressies met rollende bèta's, cross-sectionele regressies per periode, en vervolgens het middelen van de hellingscoëfficiënten met Newey-West HAC
Categorie: Factoronderzoek
Wat Fama-MacBeth schat
Fama-MacBeth (1973) is een methode in twee stappen om factorrisicopremies te schatten. In stap 1 worden tijdreeksregressies uitgevoerd om de bèta's van elke asset te schatten. In stap 2 wordt per periode een cross-sectionele regressie van rendementen op die bèta's uitgevoerd. Vervolgens middelt u de hellingscoëfficiënten per periode en berekent u t-statistieken met Newey-West HAC.
De centrale vraag die de methode beantwoordt is: wordt blootstelling aan een bepaalde factor (bijvoorbeeld waarde of momentum) over de cross-sectie van assets in de loop van de tijd beloond met een rendementspremie? In plaats van één gepoolde regressie te schatten, scheidt Fama-MacBeth bewust de schatting van risicoblootstellingen van de beprijzing van die blootstellingen. Daarmee wordt een belangrijk statistisch probleem omzeild en ontstaan eerlijke standaardfouten. De behandeling in het leerboek van Cochrane en het oorspronkelijke artikel van Fama en MacBeth (1973) zijn nog altijd de standaardreferenties voor de procedure.
De tweestapsprocedure, stap voor stap
Stap 1 - bèta's schatten (tijdreeks). Regresseer voor elke asset i de overrendementen op de factorrendementen over een rollend schattingsvenster:
r_{i,t} = a_i + b_i' F_t + e_{i,t}
Met een rollend venster (in plaats van de volledige steekproef) kunnen de ladingen van elke asset in de tijd verschuiven, wat van belang is omdat blootstellingen niet constant zijn. Het resultaat is een panel van geschatte bèta's, één set per asset per periode.
Stap 2 - de bèta's beprijzen (cross-sectie). Voer voor elke periode t één cross-sectionele regressie uit van de assetrendementen in die periode op de bèta's die tot en met t zijn geschat:
r_{i,t} = gamma_{0,t} + gamma_t' beta_i + u_{i,t}
Dit levert een tijdreeks van geschatte hellingscoëfficiënten gamma_t op: één gerealiseerde 'premie' per factor per periode.
Aggregeren en toetsen. Middel de hellingscoëfficiënten over de T perioden:
gamma_hat = (1/T) * sum_t gamma_t
De naïeve t-statistiek deelt dit gemiddelde door de standaardfout van de reeks hellingscoëfficiënten. Omdat die reeks seriële correlatie en heteroskedasticiteit vertoont, is de standaardcorrectie Newey-West HAC (Newey en West, 1987), met een vertragingslengte die past bij de datafrequentie. Dit is de belangrijkste reden waarom Fama-MacBeth de voorkeur krijgt boven een gepoolde OLS: het middelen van hellingscoëfficiënten per periode en het toepassen van HAC-standaardfouten vangt cross-sectionele correlatie in de residuen op, die anders tot te lage standaardfouten zou leiden. Merk op dat de bèta's uit stap 1 geschat zijn, waardoor een errors-in-variables-vertekening kan blijven bestaan; Shanken (1992) leidt hiervoor een correctie af, en het groeperen van assets in portefeuilles is een gangbare manier om dit te beperken.
Hoe SurgeFlow dit toepast
Het factorsysteem van SurgeFlow bouwt dagelijkse factorrendementen voor factoren in Fama-French-stijl - SMB, HML, RMW, CMA, WML en LIQ - achter een publicatiepoort en een resolver voor de effectieve richting, met VIF-diagnostiek om collineariteit tussen factoren te signaleren. Voor de cross-sectionele schatting van factorpremies wordt Fama-MacBeth gebruikt, en toetsen op modelniveau omvatten de gezamenlijke GRS F-toets (Gibbons, Ross en Shanken, 1989) of een set intercepten gezamenlijk nul is.
Een expliciete eerlijkheidsnoot: de huidige Phase-1-run van Factor Backtest V2 is research_backtest_insample. Het is in-sample factorattributie, geen live out-of-sample bewijs op basis van een rollend signaal. GRS en de andere diagnoses worden als labels gerapporteerd en niet gebruikt als criteria om sleeves uit te sluiten; in de live UI en API zijn diagnoses labels, geen portefeuillepoorten. De datakwaliteitspoorten die wel bindend zijn, gelden voor de data zelf: point-in-time-afstemming, correctie voor survivorship en minimumaantallen waarnemingen. Lees die cijfers als onderzoeksattributie, niet als een gevalideerd handelssignaal.
Welke SurgeFlow-data hiervoor worden gebruikt
De factorrendementen, bèta's en cross-sectionele premies zijn gebaseerd op de datawetenschappelijke omgeving van SurgeFlow voor aandelen in vier markten: de VS, China, Japan en Hongkong. De onderliggende koers- en fundamentele data komen van FMP (VS), Tushare (China, Hongkong) en J-Quants en EDINET (Japan). Factorrendementen worden dagelijks berekend en doorlopen de publicatiepoort en de richtingsresolver voordat ze in een cross-sectionele regressie worden gebruikt.
Voor de op een samengestelde score gerangschikte sleeves van Factor Backtest V2 (gelijke weging en risicopariteit, gerangschikt via argmax van 0.5*z(Sharpe) + 0.5*z(InfoRatio)) is de samengestelde winnaar voor de VS de WML+RMW Top-30-sleeve met risicopariteit, die over ongeveer tien jaar zowel op Sharpe als op Information Ratio #1 is. Dit wordt kwalitatief gerapporteerd en, nogmaals, als in-sample attributie. Exacte premies, Sharpe-waarden en aantallen waarnemingen worden hier niet genoemd; raadpleeg in plaats daarvan de actuele data via /factors, /backtesting en de publieke API.
Reproduceer het met de gratis API
U kunt dezelfde dagelijkse factorrendementen en screeningdata ophalen die deze regressies voeden en de tweestapsprocedure zelf uitvoeren. Maak een gratis (bèta) API-sleutel aan via /account; de publieke API (gratis bèta) staat 2,000 verzoeken per dag toe over alle vier markten, met endpoints voor realtime-, screen-, hotlist- en summary-data plus open JSON/CSV-snapshots. De OpenAPI-specificatie staat op /api/public/openapi.json en een voor AI leesbare index op /llms.txt.
Werkt u liever met spreadsheets, dan kunt u SurgeFlow-snapshots nu al in Google Sheets laden via de publieke CSV/JSON-endpoints met =IMPORTDATA(...) of via Apps Script met uw sleutel. Er is geen gepubliceerde Google Workspace-add-on (een eventuele add-on is hooguit in beoordeling). Een starterskit staat op GitHub. Niets hiervan is beleggingsadvies; het zijn onderzoeksdata waarmee u de Fama-MacBeth-premies zelf kunt toetsen.
Bronnen en verder lezen
Primaire, academische en SurgeFlow-databronnen voor de bovenstaande beweringen: - 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 - Factorsysteem van SurgeFlow en Factor Backtest V2 (research_backtest_insample), /factors en /backtesting