僅供教育用途，不構成投資建議。投資可能導致損失。
直接回答
Fama-French 因子模型是一組實證資產定價模型，運用多元化因子投資組合的報酬來描述股票或投資組合的超額報酬。三因子模型採用市場、規模和價值因子；五因子模型再加入獲利能力和投資因子。
該模型可將原始績效拆分為估計的因子暴露和未解釋的截距。它不能證明某項溢酬為何存在，不能預測下一檔表現領先的證券，也不能把歷史上為正的 Alpha 變成有保證的經理人能力。
運作方式
對於期間 t，三因子時間序列迴歸通常寫成：
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
等式左側是資產總報酬減去同一期間的無風險報酬。MKT-RF 是市場超額報酬。其他因子是依據公開排序規則建構的零投資多空投資組合報酬：
SMB是 Small Minus Big，即規模報酬因子。HML是淨值市價比 High Minus Low，即價值報酬因子。RMW是營業獲利能力 Robust Minus Weak。CMA是投資 Conservative Minus Aggressive。
這些標籤不是直接代入迴歸的公司會計比率。因子定義會隨模型、地區、切分點、加權方式、會計資料落後期、資料供應商及資料版本而變化。例如，五因子 Data Library 的 SMB 綜合了淨值市價比、獲利能力和投資三組排序中的規模報酬差，因此不一定等於其他機構發布的規模因子。
因子負荷衡量在其他已納入因子保持不變的條件下，報酬之間的共同變動。負荷為 0.3000、對應 SMB，表示在其他因子不變時，SMB 報酬每變動 1.0000 percentage-point，模型貢獻與之相關的變動為 0.3000 percentage-point。這並不表示基金恰好持有 30.0000% 的小型股。
alpha 是按資料頻率估計的迴歸截距。epsilon 是每個期間的殘差。某一期殘差為正並不是 Alpha；Alpha 是在整個樣本上估計的。統計解讀需要使用可處理異質變異，以及在相關情況下處理自我相關的標準誤。經濟解讀還必須考量費用、交易成本、稅負、容量、暴露變化和模型選擇。
該模型既可用於描述性績效歸因，也可作為資產定價模型接受檢驗。較高的時間序列 R-squared 表示樣本內的大部分變動可由已納入因子解釋；它不能證明預期報酬得到正確定價，也不能證明 Alpha 是能力。增加因子可能降低截距，同時增大估計雜訊或多重共線性。
範例
假設某基金的估計負荷分別是 1.0500（對應 MKT-RF）、0.3000（對應 SMB）、0.4000（對應 HML）、0.2000（對應 RMW）和 -0.1000（對應 CMA）。某個月，這些因子的報酬依序為 2.0000%、1.0000%、-0.5000%、0.8000% 和 0.3000%。
模型給出的因子貢獻為：
(1.0500 * 2.0000%) + (0.3000 * 1.0000%) + (0.4000 * -0.5000%) + (0.2000 * 0.8000%) + (-0.1000 * 0.3000%) = 2.3300%
各項貢獻分別為 2.1000%、0.3000%、-0.2000%、0.1600% 和 -0.0300%。假設基金實際超額報酬為 2.5000%。在這個單期範例中暫不計估計截距：
one-month residual = 2.5000% - 2.3300% = 0.1700%
這個 0.1700% 是一期殘差，並非持續 Alpha 的證據。如果無風險報酬為 0.3000%，基金總報酬就是 2.8000%；因子迴歸不可混淆總報酬與超額報酬。
現假設對 60 months 的資料進行迴歸，得到月度 Alpha 為 0.1500%，標準誤為 0.2000%：
t-statistic = 0.1500% / 0.2000% = 0.7500
近似雙尾 95.0000% 區間為：
0.1500% +/- (1.9600 * 0.2000%) = -0.2420% to 0.5420% per month
點估計為正，但精確度較低。僅將點估計複利年化可得：
annualized alpha point estimate = (1 + 0.1500%)^12 - 1 = 1.8136%
年化不會消除不確定性；如果因子暴露或 Alpha 隨時間變化，也不應機械年化。
最後，假設用三因子模型評估同一基金時，月度 Alpha 的估計值為 0.4000%。五因子模型的估計值 0.1500% 並不能證明額外的 0.2500 percentage points 是誤報績效，也不能證明五因子模型是真實模型。它只表示在擴充後的設定下，獲利能力與投資暴露解釋了更多報酬。
風險與核驗清單
- 先選定模型： 說明採用三因子、五因子、地區、全球、加入動能的模型，還是其他設定。
- 識別因子來源： 記錄供應商、URL、發布日期、資料版本和建構方法。
- 配合地域： 使用與投資組合可投資市場及幣別相適應的因子。
- 配合頻率： 精確對齊日、週或月頻率的資產、因子及無風險報酬觀測值。
- 使用總報酬： 對資產、基準和因子投資組合一致地計入分配。
- 只扣除一次無風險報酬： 以超額報酬對市場超額報酬和因子報酬做迴歸，避免重複扣除。
- 檢查單位： 在解讀係數或 Alpha 前確認輸入是小數還是百分比。
- 對齊時間戳： 防止會計資訊、持股或修訂資料在實際可取得日期之前進入模型。
- 審查因子定義： 檢查切分點、加權方式、會計資料落後期、合格條件和再平衡規則。
- 使用足夠長的歷史： 短樣本會使因子負荷、Alpha 和標準誤不穩定。
- 檢驗係數穩定性： 使用滾動視窗、持股分析和分階段樣本識別風格漂移。
- 檢查相關性： 多重共線性可能使各項因子係數不穩定。
- 採用穩健推論： 處理異質變異、自我相關、重疊報酬和非常態殘差。
- 報告不確定性： 提供標準誤、t 統計量、信賴區間和樣本數。
- 區分殘差與 Alpha： 不要把某個有利期間或累計殘差稱為迴歸截距。
- 比較不同設定： 檢驗 CAPM、三因子、五因子、產業、動能及其他相關替代模型。
- 納入執行成本： 視情況扣除費用、價差、市場衝擊、週轉、借券、融資和稅負。
- 避免前視偏誤： 使用每個歷史時點實際可取得的成分股、會計資料和因子檔案。
- 進行樣本外檢驗： 在觀察結果後不重新調整模型，改用另一時期或市場評估。
- 避免因果聲稱： 因子負荷描述條件共同變動，本身不能證明經濟機制。
常見誤解
- 「SMB、HML、RMW 和 CMA 是公司比率。」 它們是依據排序規則建構的多空投資組合報酬。
- 「因子負荷為正就保證報酬為正。」 因子報酬可能為負，溢酬會變化，執行也有成本。
- 「月度殘差為正就是 Alpha。」 Alpha 是帶有不確定性的樣本迴歸截距；每個觀測值對應的是殘差。
- 「高 R 平方證明模型正確。」 它衡量樣本內解釋的變動，而不是因果真相或預期報酬定價是否正確。
- 「經因子調整的 Alpha 就是經理人能力。」 遺漏因子、暴露變化、資料探勘、運氣、費用和容量都可能產生或消除估計 Alpha。
相關主題
來源
- Fama 與 French，Common Risk Factors in the Returns on Stocks and Bonds。
- Fama 與 French，A Five-Factor Asset Pricing Model。
- Fama 與 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 與 French，The Capital Asset Pricing Model: Theory and Evidence。