σμimplied vol · KKmax(S−K,0)udβρᵢⱼfat tailsPnL · drawdownyield · TdSₜ = μSₜ dt + σSₜ dWₜC = S·N(d₁) − K·e⁻ʳᵀ·N(d₂)σₚ² = wᵀΣwd₁ = [ln(S/K) + (r + σ²⁄2)T] ⁄ σ√T∂V/∂t + ½σ²S²·∂²V/∂S² + rS·∂V/∂S − rV = 0Sharpe = (Rₚ − R_f) ⁄ σₚVaR₉₉ = μ − 2.33σρ = Cov(X,Y) ⁄ σₓσᵧE[Rₚ] = Σ wᵢ·E[Rᵢ]φ(x) = e^(−x²/2) ⁄ √2πE[Rᵢ] = R_f + βᵢ(E[Rₘ] − R_f)dXₜ = θ(μ − Xₜ)dt + σ dWₜσ²ₜ = ω + α·ε²ₜ₋₁ + β·σ²ₜ₋₁C − P = S − K·e⁻ʳᵀΔ = ∂V/∂S Γ = ∂²V/∂S²p = (e^(rΔt) − d) ⁄ (u − d)rₜ = ln(Pₜ ⁄ Pₜ₋₁)E[Xₜ₊₁ | ℱₜ] = Xₜf* = (bp − q) ⁄ bz = (x − μ) ⁄ σP(N=k) = λᵏe^(−λ) ⁄ k!Θ = −∂V/∂Tν = S·φ(d₁)·√Tmin wᵀΣw s.t. wᵀμ = μ*∫Σ∂∞λ
uantCraft AcademyHojas de rutaRutas
Ctrl K
AO
+1,2 k estudiantes
Iniciar sesiónUnirse ↗
Hojas de rutaRutas
AO
+1,2 k estudiantes
Iniciar sesión
  • English
  • Français
  • Español
  • العربية
  • Português
  • Deutsch
  • 日本語
  • 中文
σμimplied vol · KKmax(S−K,0)udβρᵢⱼfat tailsPnL · drawdownyield · TdSₜ = μSₜ dt + σSₜ dWₜC = S·N(d₁) − K·e⁻ʳᵀ·N(d₂)σₚ² = wᵀΣwd₁ = [ln(S/K) + (r + σ²⁄2)T] ⁄ σ√T∂V/∂t + ½σ²S²·∂²V/∂S² + rS·∂V/∂S − rV = 0Sharpe = (Rₚ − R_f) ⁄ σₚVaR₉₉ = μ − 2.33σρ = Cov(X,Y) ⁄ σₓσᵧE[Rₚ] = Σ wᵢ·E[Rᵢ]φ(x) = e^(−x²/2) ⁄ √2πE[Rᵢ] = R_f + βᵢ(E[Rₘ] − R_f)dXₜ = θ(μ − Xₜ)dt + σ dWₜσ²ₜ = ω + α·ε²ₜ₋₁ + β·σ²ₜ₋₁C − P = S − K·e⁻ʳᵀΔ = ∂V/∂S Γ = ∂²V/∂S²p = (e^(rΔt) − d) ⁄ (u − d)rₜ = ln(Pₜ ⁄ Pₜ₋₁)E[Xₜ₊₁ | ℱₜ] = Xₜf* = (bp − q) ⁄ bz = (x − μ) ⁄ σP(N=k) = λᵏe^(−λ) ⁄ k!Θ = −∂V/∂Tν = S·φ(d₁)·√Tmin wᵀΣw s.t. wᵀμ = μ*∫Σ∂∞λ
uantCraft AcademyHojas de rutaRutas
Ctrl K
AO
+1,2 k estudiantes
Iniciar sesiónUnirse ↗
Hojas de rutaRutas
AO
+1,2 k estudiantes
Iniciar sesión
  • English
  • Français
  • Español
  • العربية
  • Português
  • Deutsch
  • 日本語
  • 中文
Ruta de statsmodels›Módulo 3 · Cortes transversales y colas›Tema 3.3·~1 h 40 minAvanzado

Proyecto final: primas de factores estimadas con Fama–MacBeth

Posición en la rutaMódulo 3 de 3 · Tema 3 de 3
3.3 Proyecto final: primas de factores estimadas con Fama–MacBeth
—Puntuación del lab— / 100XP total—Racha—

De las características a los precios

En este proyecto final estima lo que el mercado de acciones paga por tres rasgos simples, el momentum a 12 meses, el rendimiento del último mes y la volatilidad a 12 meses, y decide cuánto creer la respuesta. Convierte cierres diarios en rendimientos mensuales de las acciones individuales, construye para cada acción-mes los rasgos conocidos en esa fecha y el rendimiento que sigue, y ejecuta el procedimiento de Fama–MacBeth: una regresión transversal de los rendimientos del mes siguiente sobre los rasgos estandarizados para cada mes, y luego la media de las pendientes mensuales con sus errores estándar. Statsmodels hace las regresiones y usted escribe el resto.

Dos detalles hacen honesta la respuesta. El error estándar de la pendiente media debe respetar que las pendientes mensuales pueden estar autocorrelacionadas, así que usted programa el estadístico t de Newey–West, con pesos de Bartlett. Y una prima solo interesa si sobrevive a los factores conocidos, así que forma una cartera larga-corta sobre la volatilidad y regresa su rendimiento mensual sobre los factores de mercado, tamaño y valor de Fama–French con una covarianza HAC. La constante de esa regresión, su alfa, es lo que queda sin explicar.

λₜ=OLS(yₜ₊₁; zₜ), λ̂=1/TΣₜλₜ, t=λ̂/(√(ω̂/T))
Qué dicen los datos realesEn 307 meses de enero de 2001 a julio de 2026 y unas 56 acciones individuales al mes, el precio mensual medio de la volatilidad es +0,27% (t simple 2,00, Newey–West t=1,99, unos 3,2% al año), el del momentum +0,18% (t=1,68) y el de la reversión a corto plazo -0,07% (t=-0,83), indistinguible de cero. Una sola regresión agrupada daría para la volatilidad t=5,47. La prima de volatilidad es la misma en las dos mitades de la muestra (0,27% al mes). Una cartera larga-corta que compra el quinto más volátil y vende el menos volátil gana 0,79% al mes, y tras los factores de mercado, tamaño y valor conserva un alfa de 0,73% al mes con t=2,06. La lista de acciones son las grandes empresas de hoy, así que el sesgo de supervivencia favorece a las ganadoras muy volátiles y la prima verdadera es menor.
  • Dos pasadas: primero regresiones transversales mensuales y luego la media y la dispersión de las pendientes mensuales.
  • Errores robustos: un estadístico t de Newey–West para la pendiente media y una covarianza HAC para la regresión del alfa.
  • Sesgo de supervivencia: una lista de las ganadoras de hoy favorece la prima, así que cítela como cota superior.

Lab: qué se califica

  • Rendimientos mensuales10 pts
  • El panel acción-mes15 pts
  • Los precios de un mes10 pts
  • La primera pasada10 pts
  • Un estadístico t de Newey–West15 pts
  • La segunda pasada10 pts
  • Una cartera larga-corta10 pts
  • El alfa frente a los factores10 pts
  • El estudio completo10 pts
Explorador · lab-sx-10
▾ lab-sx-10
▾ data
…
bash · en el navegador
learner@quantcraft:~/lab-sx-10$
Python aún no cargadoPythonLn 1, Col 1Spaces: 4UTF-8

¿Restablecer este tema?

Todo lo que hay en lab-sx-10 vuelve a los archivos iniciales y se limpia el terminal. Tu solución actual se perderá: no se puede deshacer.

Se restablecerá
  • main.py → código inicial
  • Historial del terminal y salida de pruebas
  • Cambios sin enviar
Se conservará
  • Mejor puntuación del lab
  • Tu XP y tu racha
  • Progreso de la lección y notas

Inicia sesión para ejecutar tu código.

Todas las clases se pueden leer gratis. Crea una cuenta o inicia sesión para ejecutar código, lanzar las pruebas y enviar este lab.

  • IDE en el navegador con terminal bash — sin instalar nada
  • Corrección instantánea, XP y tu lugar en la ruta
Crear una cuentaIniciar sesión
O
Continuar con GitHub