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:
- Birinci aşama (zaman serisi): her varlık için getiri faktörlere bağlanır ve betalar kestirilir.
- İkinci aşama (kesit): her dönemde varlık getirileri betalara bağlanır; \hat\lambda_t serisinin ortalaması risk primidir.
- 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:
\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:
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):
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