---
title: "Fama-French 因子模型：因子暴露、Alpha 与回归局限"
description: "解读三因子与五因子回归，区分因子收益、因子载荷、残差和 Alpha，并核验频率、样本范围、统计不确定性与实施成本。"
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.

# Fama-French 因子模型：因子暴露、Alpha 与回归局限

> 仅供教育用途，不构成投资建议。投资可能导致损失。

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

## 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。

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

## 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。

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

## 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。

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

## 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。

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

## 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。

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

## 相关主题

- [资本资产定价模型](/zh-cn/stocks/capm/)
- [贝塔](/zh-cn/stocks/beta/)
- [股票风险溢价](/zh-cn/stocks/equity-risk-premium/)

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

## 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*。

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