Fama-French三因子：因子模型的开山之作
我的掌握程度：
先掌握这个答案
1993年，Fama和French把三个因子放进一个回归框架：E(Ri)−Rf = βi·MKT + si·SMB + hi·HML。①MKT：市场超额收益（CAPM原有的）；②SMB（Small Minus Big）：小市值组合减大市值组合的收益——规模因子；③HML（High Minus Low）：高账面市值比（低PB）组合减低账面市值比的收益——价值因子。个股收益对三因子回归，原来的「异常」大部分被SMB和HML的暴露解释了。
先读结论，再核对下方使用边界；数字例题为教学情景，涉及实际行情与规则时请核对原始来源。
从理解到使用
本阶段实战方法 · 让一个因子经历完整的样本外检验
从一个投资直觉构造信号时，先验证预测关系，再验证能否交易。
- 写出经济假设、股票池、因子方向、可用时点、持有期和评价指标；用历史成分与退市样本。
- 在每个时点用可得数据计算因子，检验截面IC、分层收益、换手和行业市值暴露。
- 锁定参数做样本外验证，扣除成本并做不同市场阶段与参数敏感性分析。
使用边界
- IC没有通用合格线；股票池、频率、持有期与成本不同，数值不可直接横比。
- 多空分组收益不是个人可直接实现的收益，还要考虑融券、对冲与资金约束。
背景 · 从一个困惑说起
CAPM说：只有承担市场风险才有超额收益（Beta是唯一的定价因子）。但1980年代的学者反复发现两个「反例」：小公司长期跑赢大公司（规模效应）；低估值（高账面市值比）公司长期跑赢高估值公司（价值效应）。市场因子解释不了的收益，CAPM称之为「异常」——异常越攒越多，CAPM的王座开始动摇。
由此产生的问题
如何系统性地把这些「异常」纳入定价框架？Fama-French三因子模型做了什么，为什么它配得上诺贝尔奖？
核心概念
1993年，Fama和French把三个因子放进一个回归框架：E(Ri)−Rf = βi·MKT + si·SMB + hi·HML。①MKT：市场超额收益（CAPM原有的）；②SMB（Small Minus Big）：小市值组合减大市值组合的收益——规模因子；③HML（High Minus Low）：高账面市值比（低PB）组合减低账面市值比的收益——价值因子。个股收益对三因子回归，原来的「异常」大部分被SMB和HML的暴露解释了。
为什么需要它
①范式革命：从「一个市场因子」到「多因子世界」——今天所有量化多因子模型的祖师爷；②Alpha的再定义：在三因子模型下，Alpha=连规模、价值都解释不掉的残差——「异常」的定义随模型进化而进化（这也预告了五因子）；③实务基石：Barra风险模型、Smart Beta产品（规模/价值/低波ETF）全部生长在这棵树上。
实际应用场景
A股检验：规模因子历史极强（2017年前）、价值因子偏弱（中国版HML需改造）；五因子模型（2015）加入盈利RMW和投资CMA；你以后读任何研报里的「因子回归控制风险」，控制的就是这些因子。
与之前知识的联系
q-006/q-007的CAPM与Alpha是本模型的直系祖先——三因子把「市场给的钱」拆得更细，Alpha的地盘相应缩小。q-401刚定义的「因子」在此有了学术范式。后续题目将用A股数据亲手构造SMB/HML，并学习IC/分层等业界检验法。
⚠ 常见误解
- 三因子模型「证明」了小盘和价值一定赚钱：它描述的是美国1963-1990的历史统计规律，因子收益会轮动、会失效（A股2017、2024年小盘的两次大回撤）
- 因子是学者发明出来的：因子是对市场统计规律的「发现和命名」，不是发明——发现晚了的利润被先来的人赚走
- 三因子够用了：学术已到五因子、q-factor模型；实务风险模型几十个因子——三因子的价值是范式而非终点
🛠 本题实践任务
查一只小盘风格基金（名称含「小盘」「中证1000增强」等）在2017年和2019年的年度收益，对比同期沪深300与中证1000指数。回答：它的输赢主要来自选股Alpha还是规模暴露？
💡 提示（先自己想5分钟再看）
2017年大盘强小盘弱、2019年小盘强——若基金两年都接近「所在规模指数」的表现，答案不言自明。
✅ 验收标准
两组对比数字+一句话归因结论。你刚完成了人生第一次「因子归因」，用的正是三因子的思想。
在你的浏览器内运行。首次需联网下载 Python；支持标准库和 Pyodide 提供的 NumPy、pandas 等包。行情抓取、系统文件访问和部分第三方库请在本地环境运行。输出自检仅比对结果关键词，不代替逻辑审查。
Python · 独立工作线程 · 执行限时10秒
🤖 AI导师
导师会先检查你的前置知识（因子、Beta、CAPM），再用案例、公式和代码帮助理解。此功能需要先启用服务。