---
title: "Model Faktor Fama-French: Eksposur, Alpha, dan Batas Regresi"
description: "Tafsirkan regresi tiga dan lima faktor, bedakan imbal hasil faktor, loading, residual, dan alpha, serta validasi frekuensi, populasi, ketidakpastian statistik, dan biaya implementasi."
image: "https://wiki.fcontext.com/og.png"
---

> Documentation Index
> Fetch the complete documentation index at: https://wiki.fcontext.com/llms.txt
> Use this file to discover all available pages before exploring further.

# Model Faktor Fama-French: Eksposur, Alpha, dan Batas Regresi

> Hanya untuk tujuan edukasi; bukan merupakan nasihat investasi atau rekomendasi investasi. Investasi dapat mengakibatkan kerugian.

<a id="answer"></a>

## Jawaban langsung

**Model faktor Fama-French** adalah keluarga model penetapan harga aset empiris yang menjelaskan imbal hasil berlebih saham atau portofolio menggunakan imbal hasil portofolio faktor terdiversifikasi. Model tiga faktor memakai faktor pasar, ukuran, dan nilai; model lima faktor menambah profitabilitas dan investasi.

Model membantu memisahkan kinerja mentah menjadi estimasi eksposur faktor dan intersep yang tidak dijelaskan. Model tidak membuktikan alasan premi ada, memprediksi sekuritas pemenang berikutnya, atau mengubah alpha historis positif menjadi keterampilan manajer yang dijamin.

<a id="mechanism"></a>

## Cara kerjanya

Untuk periode `t`, regresi runtun waktu tiga faktor umumnya ditulis:

`R i,t - R f,t = alpha i + beta MKT * (R M,t - R f,t) + beta SMB * SMB t + beta HML * HML t + epsilon i,t`

Versi lima faktor menambah:

`+ beta RMW * RMW t + beta CMA * CMA t`

Sisi kiri adalah total return aset dikurangi imbal hasil bebas risiko periode sama. `MKT-RF` adalah imbal hasil berlebih pasar. Faktor lain adalah imbal hasil portofolio long-short tanpa investasi neto yang dibangun menurut aturan pengurutan yang dipublikasikan:

- `SMB` adalah Small Minus Big, faktor imbal hasil ukuran.
- `HML` adalah High Minus Low book-to-market, faktor nilai.
- `RMW` adalah profitabilitas operasi Robust Minus Weak.
- `CMA` adalah investasi Conservative Minus Aggressive.

Label ini bukan rasio akuntansi perusahaan yang dimasukkan langsung ke regresi. Definisi faktor bervariasi menurut model, wilayah, breakpoint, pembobotan, lag akuntansi, vendor, dan vintage data. Misalnya `SMB` lima faktor Data Library menggabungkan spread ukuran dari pengurutan book-to-market, profitabilitas, dan investasi, sehingga tidak harus sama dengan setiap faktor ukuran lain.

Loading mengukur pergerakan bersama imbal hasil dengan mengondisikan faktor lain. Loading `0.3000` pada `SMB` berarti imbal hasil SMB `1.0000 percentage-point` terkait dengan kontribusi model `0.3000 percentage-point` dengan faktor lain tetap. Ini bukan berarti dana memiliki tepat `30.0000%` saham berkapitalisasi kecil.

`alpha` adalah estimasi intersep regresi pada frekuensi data. `epsilon` adalah residual setiap periode. Satu residual positif bukan alpha; alpha diestimasi di seluruh sampel. Interpretasi statistik memerlukan standard error yang menangani heteroskedastisitas dan, bila relevan, autokorelasi. Interpretasi ekonomi juga memerlukan biaya, pajak, kapasitas, perubahan eksposur, dan pilihan model.

Model dapat dipakai secara deskriptif untuk atribusi atau diuji sebagai model harga aset. `R-squared` runtun waktu tinggi berarti faktor menjelaskan banyak variasi dalam sampel; bukan bukti expected return dihargai benar atau alpha adalah keterampilan. Menambah faktor dapat mengurangi intersep sambil meningkatkan noise estimasi atau multikolinearitas.

<a id="example"></a>

## Contoh

Asumsikan dana memiliki estimasi loading `1.0500` pada `MKT-RF`, `0.3000` pada `SMB`, `0.4000` pada `HML`, `0.2000` pada `RMW`, dan `-0.1000` pada `CMA`. Dalam satu bulan, imbal hasil faktor berturut-turut `2.0000%`, `1.0000%`, `-0.5000%`, `0.8000%`, dan `0.3000%`.

Kontribusi faktor menurut model adalah:

`(1.0500 * 2.0000%) + (0.3000 * 1.0000%) + (0.4000 * -0.5000%) + (0.2000 * 0.8000%) + (-0.1000 * 0.3000%) = 2.3300%`

Komponennya `2.1000%`, `0.3000%`, `-0.2000%`, `0.1600%`, dan `-0.0300%`. Misalkan imbal hasil berlebih aktual dana `2.5000%`. Dengan mengabaikan estimasi intersep untuk ilustrasi satu periode ini:

`one-month residual = 2.5000% - 2.3300% = 0.1700%`

Nilai `0.1700%` adalah satu residual, bukan bukti alpha persisten. Jika imbal hasil bebas risiko `0.3000%`, total return dana `2.8000%`; regresi faktor tidak boleh mencampur total return dan excess return.

Sekarang asumsikan regresi selama `60 months` mengestimasi alpha bulanan `0.1500%` dengan standard error `0.2000%`:

`t-statistic = 0.1500% / 0.2000% = 0.7500`

Perkiraan interval dua sisi `95.0000%` adalah:

`0.1500% +/- (1.9600 * 0.2000%) = -0.2420% to 0.5420% per month`

Estimasi titik positif tetapi tidak presisi. Mengompaun estimasi titik saja memberi:

`annualized alpha point estimate = (1 + 0.1500%)^12 - 1 = 1.8136%`

Annualisasi tidak menghapus ketidakpastian dan tidak boleh diterapkan mekanis jika eksposur atau alpha berubah sepanjang waktu.

Terakhir, misalkan dana sama dibandingkan dengan model tiga faktor dan estimasi alpha `0.4000%` per bulan. Estimasi lima faktor `0.1500%` tidak membuktikan tambahan `0.2500 percentage points` adalah kinerja yang salah dilaporkan atau model lima faktor benar. Ini menunjukkan eksposur profitabilitas dan investasi menjelaskan lebih banyak imbal hasil dalam spesifikasi lebih luas.

<a id="risks"></a>

## Risiko dan daftar verifikasi

- **Pilih model lebih dahulu:** Nyatakan tiga faktor, lima faktor, regional, global, ditambah momentum, atau spesifikasi lain.
- **Identifikasi sumber faktor:** Catat penyedia, URL, tanggal rilis, vintage data, dan metodologi konstruksi.
- **Cocokkan geografi:** Gunakan faktor yang tepat bagi pasar investabel dan mata uang portofolio.
- **Cocokkan frekuensi:** Selaraskan observasi harian, mingguan, atau bulanan aset, faktor, dan bebas risiko secara tepat.
- **Gunakan total return:** Masukkan distribusi secara konsisten bagi aset, tolok ukur, dan portofolio faktor.
- **Kurangi bebas risiko sekali:** Regresikan excess return pada excess market dan faktor tanpa pengurangan ganda.
- **Periksa satuan:** Konfirmasi input desimal atau persen sebelum menafsirkan koefisien atau alpha.
- **Selaraskan waktu:** Cegah informasi akuntansi, kepemilikan, atau data revisi masuk sebelum tersedia.
- **Tinjau definisi faktor:** Periksa breakpoint, pembobotan, lag akuntansi, kelayakan, dan penyeimbangan ulang.
- **Gunakan riwayat memadai:** Sampel pendek menghasilkan loading, alpha, dan standard error tidak stabil.
- **Uji stabilitas koefisien:** Pakai rolling window, analisis kepemilikan, dan pembagian rezim untuk mendeteksi style drift.
- **Periksa korelasi:** Multikolinearitas dapat membuat koefisien faktor individual tidak stabil.
- **Gunakan inferensi robust:** Tangani heteroskedastisitas, autokorelasi, imbal hasil tumpang tindih, dan residual tidak normal.
- **Laporkan ketidakpastian:** Berikan standard error, t-statistic, confidence interval, dan ukuran sampel.
- **Pisahkan residual dari alpha:** Jangan sebut satu periode menguntungkan atau residual kumulatif sebagai intersep.
- **Bandingkan spesifikasi:** Uji CAPM, tiga faktor, lima faktor, industri, momentum, dan alternatif relevan.
- **Masukkan biaya implementasi:** Kurangi biaya, spread, dampak, turnover, pinjaman, pendanaan, dan pajak.
- **Hindari look-ahead bias:** Gunakan konstituen, data akuntansi, dan file faktor yang tersedia pada setiap tanggal historis.
- **Uji di luar sampel:** Evaluasi periode atau pasar lain tanpa menyetel ulang setelah melihat hasil.
- **Hindari klaim kausal:** Loading menjelaskan pergerakan bersama bersyarat dan sendiri tidak membuktikan mekanisme ekonomi.

<a id="misconceptions"></a>

## Kesalahpahaman umum

- **“SMB, HML, RMW, dan CMA adalah rasio perusahaan.”** Semuanya imbal hasil portofolio long-short yang dibangun menurut aturan pengurutan.
- **“Loading faktor positif menjamin imbal hasil positif.”** Imbal hasil faktor dapat negatif, premi berubah, dan implementasi memiliki biaya.
- **“Residual bulanan positif adalah alpha.”** Alpha adalah intersep sampel yang diestimasi dengan ketidakpastian; setiap observasi punya residual.
- **“R-squared tinggi membuktikan model benar.”** Ini mengukur variasi dalam sampel yang dijelaskan, bukan kebenaran kausal atau harga expected return yang tepat.
- **“Alpha disesuaikan faktor adalah keterampilan manajer.”** Faktor hilang, perubahan eksposur, data mining, keberuntungan, biaya, dan kapasitas dapat menciptakan atau menghapus estimasi alpha.

<a id="related"></a>

## Topik terkait

- [CAPM](/id/stocks/capm/)
- [Beta](/id/stocks/beta/)
- [Premi Risiko Ekuitas](/id/stocks/equity-risk-premium/)

<a id="sources"></a>

## Sumber

- Fama dan French, *Faktor Risiko Bersama dalam Imbal Hasil Saham dan Obligasi*.
- Fama dan French, *Model Penetapan Harga Aset Lima Faktor*.
- Fama dan French, *Pengujian Internasional Model Penetapan Harga Aset Lima Faktor*.
- Kenneth R. French Data Library, *Deskripsi Tiga Faktor Fama/French*.
- Kenneth R. French Data Library, *Deskripsi Lima Faktor Fama/French (2×3)*.
- Fama dan French, *Model Penetapan Harga Aset Modal: Teori dan Bukti*.

Source: https://wiki.fcontext.com/id/stocks/fama-french-factor-model/index.mdx