Fama-MacBeth 回归:实用操作详解

Fama-MacBeth(1973)两步法的实用详解:滚动贝塔时间序列回归、逐期横截面回归,再以 Newey-West HAC 对斜率取均值

类别:因子研究

Fama-MacBeth 估计的是什么

Fama-MacBeth(1973)是一种估计因子风险溢价(risk premia)的两步法。第一步运行时间序列回归,估计每项资产的贝塔(beta)。第二步在每一期将收益率对这些贝塔做横截面回归。随后对逐期斜率取均值,并计算 Newey-West HAC t 统计量。

它回答的核心问题是:在资产的横截面上,对某一因子(例如价值或动量)的暴露是否随时间获得收益溢价的补偿?Fama-MacBeth 并不拟合单一的混合回归,而是刻意将风险暴露的估计与这些暴露的定价分离开来,从而规避一个重大的统计问题,并得出真实可信的标准误。Cochrane 的教科书论述与 Fama 和 MacBeth(1973)的原始论文,至今仍是该方法的标准参考文献。

两步法分步说明

第一步——估计贝塔(时间序列)。对每项资产 i,在滚动估计窗口内将其超额收益对因子收益进行回归:

r_{i,t} = a_i + b_i' F_t + e_{i,t}

采用滚动窗口(而非全样本)可让每项资产的因子载荷随时间漂移,这一点很重要,因为暴露并非恒定不变。输出结果是一个估计贝塔的面板,每项资产每期各有一组。

第二步——为贝塔定价(横截面)。对每一期 t,将该期资产收益率对截至 t 期估计的贝塔做一次横截面回归:

r_{i,t} = gamma_{0,t} + gamma_t' beta_i + u_{i,t}

由此得到斜率估计值 gamma_t 的时间序列——每个因子每期一个已实现的“溢价”。

汇总与检验。对 T 期的斜率取均值:

gamma_hat = (1/T) * sum_t gamma_t

朴素 t 统计量将该均值除以斜率序列的标准误。由于斜率序列存在序列相关和异方差,标准的修正方法是 Newey-West HAC(Newey and West, 1987),滞后阶数依数据频率选取。这正是 Fama-MacBeth 优于混合 OLS 的关键原因:对逐期斜率取均值并采用 HAC 标准误,可以处理残差中的横截面相关性,否则标准误会被低估。需注意,第一步的贝塔本身是估计值,因此可能残留变量误差(errors-in-variables)偏差;Shanken(1992)推导了相应修正,而将资产归并为投资组合是常见的缓解办法。

SurgeFlow 如何应用

SurgeFlow 的因子体系为 Fama-French 风格因子——SMB、HML、RMW、CMA、WML 和 LIQ——构建日度因子收益,并设有发布闸门(publication gate)和有效方向解析器(effective-direction resolver),同时以 VIF 诊断标示因子间的共线性。因子溢价的横截面估计采用 Fama-MacBeth,模型层面的检验包括 GRS 联合 F 检验(Gibbons, Ross and Shanken, 1989),用于检验一组截距是否联合为零。

特此明确说明:当前 Factor Backtest V2 第一阶段运行为 research_backtest_insample——属于样本内因子归因,而非实盘样本外滚动信号证据。GRS 及其他诊断仅作为标签报告,不用作剔除策略组合(sleeve)的闸门;在线上界面和 API 中,诊断是标签,而非组合闸门。真正具有约束力的数据质量闸门作用于数据本身:时点(point-in-time)对齐、幸存者偏差处理及最少观测数门槛。请将这些数字理解为研究归因,而非经过验证的交易信号。

所用的 SurgeFlow 数据

因子收益、贝塔及横截面溢价均取自 SurgeFlow 覆盖四个市场的多市场股票数据科学体系:美国、中国、日本和香港。底层价格与基本面数据来自 FMP(美国)、Tushare(中国、香港)以及 J-Quants 和 EDINET(日本)。因子收益按日计算,在进入任何横截面回归之前,均须经过发布闸门和方向解析器。

对于按综合排名的 Factor Backtest V2 策略组合(等权与风险平价,按 0.5*z(Sharpe) + 0.5*z(InfoRatio) 的 argmax 排名),美国的综合排名第一者是 WML+RMW Top-30 风险平价组合,在约十年区间内按夏普比率和信息比率均排名第 1——此处仅作定性报告,且同样属于样本内归因。此处不列出确切的溢价、夏普值及观测数;请通过 /factors、/backtesting 及公开 API 查询实时数据。

使用免费 API 复现

您可以获取驱动这些回归的同一套日度因子收益与筛选数据,自行运行两步法。请在 /account 创建免费(测试版)API 密钥;公开 API(免费测试版)允许在全部四个市场每日发起 2,000 次请求,提供 realtime、screen、hotlist 和 summary 数据端点以及开放的 JSON/CSV 快照。OpenAPI 规范位于 /api/public/openapi.json,AI 可读索引位于 /llms.txt。

如果您偏好电子表格,现在即可通过公开的 CSV/JSON 端点用 =IMPORTDATA(...) 或使用您的密钥通过 Apps Script,将 SurgeFlow 快照载入 Google Sheets——目前并无已发布的 Google Workspace 插件(任何插件至多处于审核中)。入门套件发布在 GitHub 上。以上内容均非投资建议;这是供您自行检验 Fama-MacBeth 溢价的研究数据。

参考文献与延伸阅读

上述论述所依据的原始文献、学术文献及 SurgeFlow 数据参考: - 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 因子体系及 Factor Backtest V2(research_backtest_insample),/factors 与 /backtesting