---
title: "Fama-French 因子模型：因子暴露、Alpha 與迴歸限制"
description: "解讀三因子與五因子迴歸，區分因子報酬、因子負荷、殘差和 Alpha，並核驗頻率、樣本範圍、統計不確定性與執行成本。"
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 與迴歸限制

> 僅供教育用途，不構成投資建議。投資可能導致損失。

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

## 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。

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

## 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。

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

## 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。

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

## 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。

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

## 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。

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

## 相關主題

- [資本資產定價模型](/zh-tw/stocks/capm/)
- [貝塔](/zh-tw/stocks/beta/)
- [股票風險溢酬](/zh-tw/stocks/equity-risk-premium/)

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

## 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*。

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