MerQuR+Başvuru Kitabı

154. Fama–MacBeth ve Çok Faktörlü Varlık Fiyatlama

Analiz kimliği: fama_macbeth · Menü adı: Fama-MacBeth ve çok faktörlü varlık fiyatlama · Panel: gui/panels/analyses/fama_macbeth_panel.py · Motor: stats/fama_macbeth.py, run_fama_macbeth (satır 242–); birinci aşama _ts_tam (110–142), _beta_kayan (145–169); kesit aşaması _kesit (172–200); GRS grs_testi (203–239)

154.1 Ne işe yarar

Varlık fiyatlama modeli şunu söyler: bir varlığın beklenen getirisi, sistematik risk faktörlerine olan duyarlılığıyla (betasıyla) orantılıdır. Fama–MacBeth (1973) bu iddiayı iki aşamada sınar:

  1. Birinci aşama (zaman serisi): her varlık için getiri faktörlere bağlanır ve betalar kestirilir.
  2. İkinci aşama (kesit): her dönemde varlık getirileri betalara bağlanır; \hat\lambda_t serisinin ortalaması risk primidir.
R_{it}=a_i+b_i'f_t+e_{it},\qquad R_{it}=\lambda_{0t}+\lambda_t'\hat b_i+\alpha_{it},\qquad \hat\lambda=\frac1T\sum_{t=1}^{T}\hat\lambda_t
  • R_{it}: varlık i'nin dönem t getirisi (risksiz çıkarılmış); f_t: faktör getirileri (Mkt, SMB, HML, …).
  • \hat\lambda_t: dönem t kesit regresyonu katsayıları; \lambda_0 sıfır-beta getirisidir (kesit sabiti).

Standart hata, \hat\lambda_t serisinin zaman içi değişkenliğinden gelir; böylece kesit korelasyonu doğal olarak hesaba katılır. Aynı analiz Shanken (1992) değişkenlerde hata düzeltmesini ve Gibbons–Ross–Shanken (GRS) testini (H_0: tüm Jensen alfaları sıfır) verir.

Ne zaman kullanılır? CAPM ya da Fama–French faktörlerinin fiyatlandığını, faktör primlerinin sıfırdan farklı olduğunu ve modelin portföy getirilerini açıkladığını sınamak için.

Ne zaman kullanılmaz?

  • Tek bir olayın etkisini ölçecekseniz: Olay Çalışması (153).
  • Yalnız portföy ağırlıklarını bulacaksanız: Portföy Optimizasyonu (155).
  • Çok az dönem varsa (T<30 kadar): \hat\lambda serisinin standart hatası güvenilmez; GRS için T>N+K gerekir.

Sık karıştırılan analizler. Zaman serisi regresyonunda alfa, modelin açıklayamadığı getiridir (Jensen alfası). GRS bunun hepsini birlikte sınar; Fama–MacBeth ise risk primlerini sınar. İkisi birbirini tamamlar.

154.2 Varsayımlar ve veri türü

Varsayım Ne demek MerQur'da nasıl denetlenir
Uzun biçim Satır = (dönem, varlık). Tarih ve kimlik sütunu seçilir.
Betalar sabit (tam örneklem) ya da kayan Betanın zamanla değişimi. Beta türü seçeneği.
Yeterli gözlem Beta için n\ge\max(\text{en az gözlem},\,K+2). Altında varlık dışlanır.
Sabit olmayan getiri Getiri serisinin varyansı > 0. Sabit getirili varlık dışlanır.
GRS için dengeli panel Eksiksiz varlıklar ve tarihler, T>N+K. Aksi halde GRS yapılmaz.

Eksik değer. Faktörleri ya da getirisi eksik olan dönemler o varlığın beta kestiriminden çıkarılır; kesit regresyonunda eksik beta olan varlıklar o dönem dışlanır.

154.3 Parametreler

Varsayılanlar fama_macbeth_panel.py içindeki read_options kodundan okunmuştur.

Arayüz adı Varsayılan Ne yapar Sonucu nasıl değiştirir
Tarih, varlık kimliği, getiri, risksiz getiri — Veri sütunları. Risksiz verilirse getiriden çıkarılır.
Faktör sütunları — Piyasa primi, SMB, HML, … Kesit regresyonu betaları.
Firma özellikleri boş Önceki dönem değerleri; kesit regresyonuna doğrudan girer. Shanken düzeltmesi özelliklere uygulanmaz.
Beta kestirimi Tam örneklem Sabit, kayan pencere ya da genişleyen. İkinci aşama betaları.
Kayan pencere uzunluğu w 60 [t-w,t-1]. Kayan betada.
En az gözlem 24 Beta için. Dışlanan varlıklar.
Kesit sabiti açık Sıfır-beta getirisi. Kesit regresyonu.
Newey–West gecikmesi −1 (otomatik) 0: klasik Fama–MacBeth; otomatik \lfloor4(T/100)^{2/9}\rfloor. SH.
Shanken düzeltmesi açık Tam örneklem betalarında. Düzeltmeli SH tablosu.
Alfa için SH EKK EKK ya da Newey–West. t(\alpha).
GRS testi açık H_0: tüm alfalar 0. GRS tablosu.
\lambda(t) tablosu, varlık tabloları açık Dışa aktarım. —

154.4 Veri örneği

Tıp veri setinde varlık fiyatlama için getiri bulunmadığından, Kenneth R. French Data Library verisi kullanılır: 25 portföy (5×5, büyüklük × defter/piyasa değeri; aylık, değer ağırlıklı) ve Fama–French üç faktörü (Mkt, SMB, HML), Ocak 1990 – Aralık 2023 (T=408, N=25); tests/data/v280_ff25_aylik.csv.gz. Soru: faktör primleri sıfırdan farklı mı ve model 25 portföyün ortalama getirisini açıklıyor mu? Ayarlar: tam örneklem betası, kesit sabiti, Newey–West gecikmesi 4, Shanken ve GRS açık.

154.5 Formüller ve hesap adımları

154.5.1 Birinci aşama

Her varlık için R_{it}=a_i+b_i'f_t+e_{it} EKK ile; \hat\sigma_i^2=\mathrm{RSS}_i/(T-K-1). Beta türü kayan ise dönem t için yalnız [t-w,\,t-1] gözlemleri, genişleyen ise [1,\,t-1] gözlemleri kullanılır.

154.5.2 İkinci aşama

Her dönem t'de R_{it}=\lambda_{0t}+\lambda_t'\hat b_i+\alpha_{it} (N gözlem) EKK ile. Risk primi \hat\lambda=\overline{\hat\lambda_t}. Klasik standart hata \sqrt{s^2_\lambda/T}; Newey–West düzeltmeli varyans L gecikmeyle:

\widehat V_{NW}=\frac1T\Big[\hat\Gamma_0+\sum_{j=1}^{L}\Big(1-\frac{j}{L+1}\Big)(\hat\Gamma_j+\hat\Gamma_j')\Big]\cdot\frac{T}{T-1},\qquad p:\ t(T-1)

\hat\Gamma_j: \hat\lambda_t-\hat\lambda serisinin j. otokovaryansı (bölen T). L=0 klasik Fama–MacBeth (s/\sqrt T) verir.

154.5.3 Shanken düzeltmesi

\hat\lambda_f faktör primleri, \hat\Sigma_f faktör kovaryansı:

c=1+\hat\lambda_f'\hat\Sigma_f^{-1}\hat\lambda_f,\qquad \widehat V^{Sh}_{faktor}=c\big(\widehat V_{FM}-\hat\Sigma_f/T\big)+\hat\Sigma_f/T,\qquad \widehat V^{Sh}_{\lambda_0}=c\,\widehat V_{FM}

Neden Shanken düzeltmesi?

İkinci aşamadaki betalar birinci aşamada kestirilmiştir; bu "değişkenlerde hata" SH'yi aşağı çeker. c>1 çarpanı bunu giderir; çarpan yalnız beta kestirim hatası terimine uygulanır, faktör ortalaması terimi \hat\Sigma_f/T çarpılmaz (Cochrane, 2005). Faktör dışı varyans en az 0 olacak biçimde kesilir (fama_macbeth.py:24–28, 41–45).

154.5.4 GRS

\hat a zaman serisi alfaları, S artık kovaryansı (T'ye bölünerek), \mu faktör ortalaması, \Omega faktör kovaryansı (T'ye bölünerek):

F=\frac{T-N-K}{N}\cdot\frac{\hat a'S^{-1}\hat a}{1+\mu'\Omega^{-1}\mu}\ \sim\ F(N,\ T-N-K)

Asimptotik Wald \chi^2 yalnız bilgi içindir; küçük örneklemde H_0'ı gereğinden sık reddeder (Campbell, Lo ve MacKinlay, 1997).

Koddaki tercih: t dağılımı T-1 serbestlik dereceli

\hat\lambda_t serisinin ortalaması için tek örneklem t kullanılır (serbestlik derecesi T-1); Fama ve MacBeth (1973) standart hatası s/\sqrt T'dir. Petersen (2009) bu hatayı ve Newey–West düzeltmesini tartışır. Newey–West otomatik gecikmesi \lfloor4(T/100)^{2/9}\rfloor'dir; veri bağımlı en iyi bant genişliği uygulanmamıştır (fama_macbeth.py:36–50).

154.6 Elle hesap

Bağımsız numpy betiği (dogrulama/cilt9/fama.py). T=408, N=25, K=3.

Adım 1 — Birinci aşama. Her portföy için risksiz çıkarılmış getiri faktörlere bağlanır; 25\times3 beta matrisi ve 25 alfa. Örnek: BIG_LoBM \hat\alpha=0{,}1943, \hat\beta_{Mkt}=0{,}9906.

Adım 2 — İkinci aşama. 408 kesit regresyonu; \hat\lambda=(1{,}48895;\ -0{,}75406;\ 0{,}03263;\ 0{,}16995).

Adım 3 — Standart hata. Klasik: (0{,}31473;\ 0{,}38492;\ 0{,}16017;\ 0{,}16442). Newey–West (L=4): (0{,}32419;\ 0{,}39361;\ 0{,}14916;\ 0{,}20328).

Adım 4 — Shanken. c=1+\hat\lambda_f'\hat\Sigma_f^{-1}\hat\lambda_f=1{,}03336. SMB için \hat V_{FM}-\hat\Sigma_f/T negatiftir (-0{,}00168), 0'a kesilir: \mathrm{SH}=\sqrt{\hat\Sigma_{f,SMB}/T}=0{,}15468. Düzeltmeli SH =(0{,}32955;\ 0{,}39810;\ 0{,}15468;\ 0{,}20454).

Adım 5 — GRS. F=4{,}1027; df=(25,\,380); p=7{,}7\times10^{-10}.

154.6.1 Doğrulama: MerQur, Python ve R

Büyüklük MerQur Bağımsız Python R (kayıtlı) Sonuç
\hat\lambda (4 katsayı) 1,48895; −0,75406; 0,03263; 0,16995 aynı aynı ✓
SH klasik 0,31473; 0,38492; 0,16017; 0,16442 aynı aynı ✓
SH Newey–West (L=4) 0,32419; 0,39361; 0,14916; 0,20328 aynı sandwich::NeweyWest ✓
Shanken c ve SH 1,03336; 0,32955; 0,39810; 0,15468; 0,20454 aynı aynı ✓
GRS F 4,1027 4,102671 — ✓

R sayıları, MerQur test takımındaki sabitlenmiş değerlerdir (tests/data/v280_olay_fm_ref.json, anahtar r_fm; R lm ve sandwich::NeweyWest(prewhite=FALSE, adjust=TRUE); tests/test_v280_fama_macbeth.py). Bu çalışmada R yeniden çalıştırılmamıştır; MerQur ve bağımsız numpy hesabı yazılan ondalıklarda aynı değerleri verir.

154.7 Çıktıyı okuma

Ortalama risk primleri (kesit regresyonu; Newey-West gecikme 4, t ~ t(407))
Terim                        Kestirim  SH (klasik FM)  SH (Newey-West)       t       p
sabit (sıfır-beta getirisi)   1,48895         0,31473          0,32419   4,593  <,0001***
Mkt                          -0,75406         0,38492          0,39361  -1,916     0,0561
SMB                           0,03263         0,16017          0,14916   0,219     0,8269
HML                           0,16995         0,16442          0,20328   0,836     0,4036
GRS testi (H0: bütün Jensen alfaları sıfır)
F 4,1027   df1, df2 25, 380   p <,0001
Öğe Ne yazar Nasıl yorumlanır
Risk primleri \hat\lambda, SH, t(T-1), p, GA. p<\alpha ise faktör fiyatlanır.
Shanken tablosu Düzeltmeli SH. Klasik SH'den büyükse beta kestirim hatası önemlidir.
Zaman serisi tablosu Varlık başına \hat\alpha, t(\alpha), betalar, R^2. Anlamlı alfa modelin açıklayamadığı getiridir.
GRS Tüm alfaların birlikte sıfırlığı. p<\alpha ise model reddedilir.
Fiyatlama hatası Ortalama getiri - öngörülen getiri. Büyük hata modelin kötü açıkladığı varlıktır.

Bu örnekte sıfır-beta getirisi anlamlıdır (t=4{,}59) ve piyasa primi negatiftir (-0{,}75, p=0{,}056); SMB ve HML primleri sıfırdan ayırt edilemez. GRS F=4{,}10 ile üç faktörlü modeli 25 portföy için reddeder.

Fama–MacBeth iki aşamalı kesit regresyonuyla (N=25, T=408; Newey–West gecikmesi 4) risk primleri kestirildi: \lambda_{Mkt}=-0{,}754 (t(407)=-1{,}92, p=0{,}056), \lambda_{SMB}=0{,}033 (p=0{,}827), \lambda_{HML}=0{,}170 (p=0{,}404). GRS testi bütün alfaların sıfır olduğu hipotezini reddetti, F(25,\,380)=4{,}10, p<0{,}001.

154.8 Uzman soruları

S1. Klasik Fama–MacBeth ile Newey–West SH arasında ne fark var?

Klasik s/\sqrt T \hat\lambda_t serisinin ardışık bağımsız olduğunu varsayar; Newey–West otokorelasyonu da hesaba katar. Burada fark küçüktür; otokorelasyon güçlüyse büyür.

S2. Neden t(T-1)?

\hat\lambda_t ortalaması için tek örneklem t mantığı (kod kararı). Büyük T'de normalden farkı ihmal edilebilir.

S3. Shanken düzeltmesi neden yalnız tam örneklem betalarında?

Bu bir kod kararıdır: düzeltme yalnız tam örneklem (sabit) betalarda uygulanır; kayan ve genişleyen betalarda ve firma özelliği katsayılarına uygulanmaz (fama_macbeth.py:24–28). Çarpan c tek bir betalar kümesi için tanımlıdır.

S4. GRS F ile asimptotik Wald arasında hangisi?

GRS F tam dağılımlıdır ve karar için kullanılır; Wald (110{,}12) küçük örneklemde aşırı reddeder.

S5. Kesit sabiti neden açık?

Sıfır-beta getirisi \lambda_0 risksiz getiriye eşit olmalıdır (CAPM). Sabitsiz regresyon bu kısıtı dayatır ve \hat\lambda_0=0 varsayar; sabitin anlamlı çıkması modelin reddedilmesi için kanıt olabilir.

S6. Başka yazılımlarla fark?

Newey–West'te \lfloor4(T/100)^{2/9}\rfloor ve T/(T-1) düzeltmesi MerQur'a özgü seçimlerdir; R sandwich::NeweyWest(prewhite = FALSE, adjust = TRUE) ile bu ayarlarla eşleşir. Shanken çarpanının uygulama biçimi (negatif varyans için sıfıra kesme) kaynaklarda farklı olabilir.

154.9 Sık hatalar ve tuzaklar

  • Betaları değişkenlerde hatasız saymak. Shanken düzeltmesi yoksa SH iyimserdir.
  • Çok az portföyle çalışmak. N küçükse kesit regresyonu güvenilmez.
  • Risksiz getiriyi çıkarmamak. "Risksiz getiri" sütunu verilmezse getiriler olduğu gibi kullanılır.
  • Firma özelliğini aynı dönem verisiyle girmek. Önceki dönem değeri verilmelidir.
  • GRS için dengesiz panel kullanmak. Eksiksiz varlık ve tarih gerekir.

154.10 Kaynaklar

  • Fama, E. F., & MacBeth, J. D. (1973). Risk, return, and equilibrium: Empirical tests. Journal of Political Economy, 81(3), 607–636. https://doi.org/10.1086/260061
  • Fama, E. F., & French, K. R. (1993). Common risk factors in the returns on stocks and bonds. Journal of Financial Economics, 33(1), 3–56. https://doi.org/10.1016/0304-405X(93)90023-5
  • Shanken, J. (1992). On the estimation of beta-pricing models. Review of Financial Studies, 5(1), 1–33. https://doi.org/10.1093/rfs/5.1.1
  • Gibbons, M. R., Ross, S. A., & Shanken, J. (1989). A test of the efficiency of a given portfolio. Econometrica, 57(5), 1121–1152. https://doi.org/10.2307/1913625
  • Newey, W. K., & West, K. D. (1987). A simple, positive semi-definite, heteroskedasticity and autocorrelation consistent covariance matrix. Econometrica, 55(3), 703–708. https://doi.org/10.2307/1913610
  • Newey, W. K., & West, K. D. (1994). Automatic lag selection in covariance matrix estimation. Review of Economic Studies, 61(4), 631–653. https://doi.org/10.2307/2297912
  • Petersen, M. A. (2009). Estimating standard errors in finance panel data sets: Comparing approaches. Review of Financial Studies, 22(1), 435–480. https://doi.org/10.1093/rfs/hhn053
  • Campbell, J. Y., Lo, A. W., & MacKinlay, A. C. (1997). The econometrics of financial markets. Princeton University Press.
  • Cochrane, J. H. (2005). Asset pricing (Revised ed.). Princeton University Press.
  • French, K. R. (b.t.). Data library: 25 Portfolios Formed on Size and Book-to-Market (5 x 5) ve Fama/French 3 Factors. Tuck School of Business, Dartmouth College. https://mba.tuck.dartmouth.edu/pages/faculty/ken.french/data_library.html