仅供教育用途，不构成投资建议。投资可能导致损失。
直接回答
Fama-French 因子模型是一组实证资产定价模型，使用多元化因子组合的收益来描述股票或投资组合的超额收益。三因子模型采用市场、规模和价值因子；五因子模型再加入盈利能力和投资因子。
该模型可将原始业绩拆分为估计的因子暴露和未解释的截距。它不能证明某项溢价为何存在，不能预测下一只表现领先的证券，也不能把历史上为正的 Alpha 变成有保证的管理人技能。
运作机制
对于期间 t，三因子时间序列回归通常写作：
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
五因子版本再加入：
+ beta RMW * RMW t + beta CMA * CMA t
等式左侧是资产总回报减去同一期间的无风险回报。MKT-RF 是市场超额回报。其他因子是依据公开排序规则构建的零投资多空组合收益：
SMB是 Small Minus Big，即规模收益因子。HML是账面市值比 High Minus Low，即价值收益因子。RMW是营业盈利能力 Robust Minus Weak。CMA是投资 Conservative Minus Aggressive。
这些标签不是直接代入回归的公司会计比率。因子定义会随模型、地区、断点、加权方式、会计数据滞后、数据供应商及数据版本而变化。例如，五因子 Data Library 的 SMB 综合了账面市值比、盈利能力和投资三组排序中的规模收益差，因此不一定等于其他机构发布的规模因子。
因子载荷衡量在其他已纳入因子保持不变的条件下，收益之间的共同变动。载荷为 0.3000、对应 SMB，表示在其他因子不变时，SMB 收益每变动 1.0000 percentage-point，模型贡献与之相关的变动为 0.3000 percentage-point。这并不表示基金恰好持有 30.0000% 的小盘股。
alpha 是按数据频率估计的回归截距。epsilon 是每个期间的残差。某一期残差为正并不是 Alpha；Alpha 是在整个样本上估计的。统计解释需要使用能够处理异方差，以及在相关情况下处理自相关的标准误。经济解释还必须考虑费用、交易成本、税负、容量、暴露变化和模型选择。
该模型既可用于描述性业绩归因，也可作为资产定价模型接受检验。较高的时间序列 R-squared 表示样本内的大部分变动可由已纳入因子解释；它不能证明预期回报得到了正确定价，也不能证明 Alpha 是技能。增加因子可能降低截距，同时增大估计噪声或多重共线性。
示例
假设某基金的估计载荷分别是 1.0500（对应 MKT-RF）、0.3000（对应 SMB）、0.4000（对应 HML）、0.2000（对应 RMW）和 -0.1000（对应 CMA）。某个月，这些因子的收益依次为 2.0000%、1.0000%、-0.5000%、0.8000% 和 0.3000%。
模型给出的因子贡献为：
(1.0500 * 2.0000%) + (0.3000 * 1.0000%) + (0.4000 * -0.5000%) + (0.2000 * 0.8000%) + (-0.1000 * 0.3000%) = 2.3300%
各项贡献分别为 2.1000%、0.3000%、-0.2000%、0.1600% 和 -0.0300%。假设基金实际超额回报为 2.5000%。在这个单期示例中暂不计估计截距：
one-month residual = 2.5000% - 2.3300% = 0.1700%
这个 0.1700% 是一期残差，并非持续 Alpha 的证据。如果无风险回报为 0.3000%，基金总回报就是 2.8000%；因子回归不能混淆总回报与超额回报。
现假设对 60 months 的数据进行回归，得到月度 Alpha 为 0.1500%，标准误为 0.2000%：
t-statistic = 0.1500% / 0.2000% = 0.7500
近似双侧 95.0000% 区间为：
0.1500% +/- (1.9600 * 0.2000%) = -0.2420% to 0.5420% per month
点估计为正，但精度较低。仅将点估计复利年化可得：
annualized alpha point estimate = (1 + 0.1500%)^12 - 1 = 1.8136%
年化不会消除不确定性；如果因子暴露或 Alpha 随时间变化，也不应机械年化。
最后，假设用三因子模型评估同一基金时，月度 Alpha 的估计值为 0.4000%。五因子模型的估计值 0.1500% 并不能证明额外的 0.2500 percentage points 是误报的业绩，也不能证明五因子模型就是真实模型。它只表明在扩展后的设定下，盈利能力与投资暴露解释了更多回报。
风险与核验清单
- 先选定模型： 说明采用三因子、五因子、地区、全球、加入动量的模型，还是其他设定。
- 识别因子来源： 记录供应商、URL、发布日期、数据版本和构建方法。
- 匹配地域： 使用与投资组合可投资市场及币种相适应的因子。
- 匹配频率： 精确对齐日度、周度或月度的资产、因子及无风险回报观测值。
- 使用总回报： 对资产、基准和因子组合一致地计入分派。
- 只扣除一次无风险回报： 以超额回报对市场超额回报和因子收益做回归，避免重复扣除。
- 检查单位： 在解释系数或 Alpha 前确认输入是小数还是百分数。
- 对齐时间戳： 防止会计信息、持仓或修订数据在实际可得日期之前进入模型。
- 审查因子定义： 检查断点、加权方式、会计数据滞后、合格条件和再平衡规则。
- 使用足够长的历史： 短样本会使因子载荷、Alpha 和标准误不稳定。
- 检验系数稳定性： 使用滚动窗口、持仓分析和分阶段样本识别风格漂移。
- 检查相关性： 多重共线性可能使各项因子系数不稳定。
- 采用稳健推断： 处理异方差、自相关、重叠回报和非正态残差。
- 报告不确定性： 提供标准误、t 统计量、置信区间和样本量。
- 区分残差与 Alpha： 不要把某个有利期间或累计残差称为回归截距。
- 比较不同设定： 检验 CAPM、三因子、五因子、行业、动量及其他相关替代模型。
- 纳入实施成本： 视情况扣除费用、价差、市场冲击、换手、融券、融资和税负。
- 避免前视偏差： 使用每个历史时点实际可得的成分股、会计数据和因子文件。
- 进行样本外检验： 在观察结果后不重新调参，改用另一时期或市场评估模型。
- 避免因果声称： 因子载荷描述条件共动，本身不能证明经济机制。
常见误区
- “SMB、HML、RMW 和 CMA 是公司比率。” 它们是依据排序规则构建的多空组合收益。
- “因子载荷为正就保证回报为正。” 因子收益可能为负，溢价会变化，实施也有成本。
- “月度残差为正就是 Alpha。” Alpha 是带有不确定性的样本回归截距；每个观测值对应的是残差。
- “高 R 平方证明模型正确。” 它衡量样本内解释的变动，而不是因果真相或预期回报定价是否正确。
- “经因子调整的 Alpha 就是管理人技能。” 遗漏因子、暴露变化、数据挖掘、运气、费用和容量都可能产生或消除估计 Alpha。
相关主题
来源
- Fama 和 French，Common Risk Factors in the Returns on Stocks and Bonds。
- Fama 和 French，A Five-Factor Asset Pricing Model。
- Fama 和 French，International Tests of a Five-Factor Asset Pricing Model。
- Kenneth R. French Data Library，Description of Fama/French 3 Factors。
- Kenneth R. French Data Library，Description of Fama/French 5 Factors (2x3)。
- Fama 和 French，The Capital Asset Pricing Model: Theory and Evidence。