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 AcademyFeuilles de routeParcours
Ctrl K
AO
+1,2 k apprenants
ConnexionRejoindre ↗
Feuilles de routeParcours
AO
+1,2 k apprenants
Connexion
  • 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 AcademyFeuilles de routeParcours
Ctrl K
AO
+1,2 k apprenants
ConnexionRejoindre ↗
Feuilles de routeParcours
AO
+1,2 k apprenants
Connexion
  • English
  • Français
  • Español
  • العربية
  • Português
  • Deutsch
  • 日本語
  • 中文
Parcours statsmodels›Module 3 · Coupes transversales et queues›Sujet 3.3·~1 h 40 minAvancé

Projet final : primes de facteurs estimées avec Fama–MacBeth

Position dans le parcoursModule 3 sur 3 · Sujet 3 sur 3
3.3 Projet final : primes de facteurs estimées avec Fama–MacBeth
—Score du lab— / 100XP total—Série—

Des caractéristiques aux prix

Dans ce projet de synthèse vous estimez ce que le marché actions paie pour trois traits simples, le momentum sur 12 mois, le rendement du dernier mois et la volatilité sur 12 mois, et vous décidez dans quelle mesure croire la réponse. Vous transformez des clôtures quotidiennes en rendements mensuels des actions seules, construisez pour chaque action-mois les traits connus à cette date et le rendement qui suit, puis lancez la procédure de Fama–MacBeth : une régression en coupe des rendements du mois suivant sur les traits standardisés pour chaque mois, puis la moyenne des pentes mensuelles avec ses erreurs standard. Statsmodels fait les régressions et vous écrivez le reste.

Deux détails rendent la réponse honnête. L'erreur standard de la pente moyenne doit tenir compte du fait que les pentes mensuelles peuvent être autocorrélées : vous codez vous-même la statistique t de Newey–West, avec des poids de Bartlett. Et une prime n'est intéressante que si elle survit aux facteurs connus : vous formez donc un portefeuille long-short sur la volatilité et régressez son rendement mensuel sur les facteurs marché, taille et valeur de Fama–French avec une covariance HAC. La constante de cette régression, son alpha, est ce qui reste inexpliqué.

λₜ=OLS(yₜ₊₁; zₜ), λ̂=1/TΣₜλₜ, t=λ̂/(√(ω̂/T))
Ce que disent les données réellesSur 307 mois de janvier 2001 à juillet 2026 et environ 56 actions seules par mois, le prix mensuel moyen de la volatilité est de +0,27% (t simple 2,00, Newey–West t=1,99, soit environ 3,2% par an), celui du momentum +0,18% (t=1,68) et celui du renversement à court terme -0,07% (t=-0,83), indiscernable de zéro. Une seule régression groupée donnerait pour la volatilité t=5,47. La prime de volatilité est la même dans les deux moitiés de l'échantillon (0,27% par mois). Un portefeuille long-short qui achète le cinquième le plus volatil et vend le moins volatil rapporte 0,79% par mois, et après les facteurs marché, taille et valeur il garde un alpha de 0,73% par mois avec t=2,06. La liste d'actions est celle des grandes entreprises d'aujourd'hui, donc le biais du survivant flatte les gagnantes très volatiles et la vraie prime est plus petite.
  • Deux passes : d'abord des régressions mensuelles en coupe, puis la moyenne et la dispersion des pentes mensuelles.
  • Erreurs robustes : une statistique t de Newey–West pour la pente moyenne et une covariance HAC pour la régression de l'alpha.
  • Biais du survivant : une liste des gagnantes d'aujourd'hui flatte la prime, donc donnez-la comme borne haute.

Lab : ce qui est noté

  • Rendements mensuels10 pts
  • Le panel action-mois15 pts
  • Les prix d'un mois10 pts
  • La première passe10 pts
  • Une statistique t de Newey–West15 pts
  • La seconde passe10 pts
  • Un portefeuille long-short10 pts
  • L'alpha face aux facteurs10 pts
  • L'étude complète10 pts
Explorateur · lab-sx-10
▾ lab-sx-10
▾ data
…
bash · dans le navigateur
learner@quantcraft:~/lab-sx-10$
Python pas encore chargéPythonLn 1, Col 1Spaces: 4UTF-8

Réinitialiser ce sujet ?

Tout le contenu de lab-sx-10 revient aux fichiers de départ et le terminal est vidé. Votre solution actuelle sera perdue : cette action est irréversible.

Sera réinitialisé
  • main.py → code de départ
  • Historique du terminal et sortie des tests
  • Modifications non soumises
Sera conservé
  • Meilleur score du lab
  • Votre XP et votre série
  • Progression du cours et notes

Connectez-vous pour exécuter votre code.

Tous les cours sont gratuits à lire. Créez un compte ou connectez-vous pour exécuter du code, lancer les tests et soumettre ce lab.

  • IDE dans le navigateur avec terminal bash — rien à installer
  • Correction instantanée, XP et votre place dans le parcours
Créer un compteSe connecter
OU
Continuer avec GitHub