Fama-French五因子模型詳解

從CAPM到五因子的演進

Fama-French五因子模型是現代實證金融的主力工具。它使用五個系統性風險因子——市場溢價、規模（SMB）、價值（HML）、獲利能力（RMW）和投資（CMA）——來解釋投資組合報酬。根據測試資產的不同，該模型可以捕捉截面報酬方差的71%至94%，遠比原始CAPM強大。理解這一模型對每位量化投資者都至關重要。

從CAPM到五因子：演進歷程

第一階段：資本資產定價模型（1964）

由Sharpe（1964）、Lintner（1965）和Mossin（1966）獨立開發的CAPM提出了一個簡潔優美的理論：任何資產的預期超額報酬等於其貝塔乘以市場風險溢價。

E(Ri) - Rf = Beta_i x (E(Rm) - Rf)

CAPM是革命性的，但在實證中失敗了。到1980年代，研究者已記錄了眾多貝塔無法解釋的異象。

第二階段：三因子模型（1993）

Fama和French（1993）引入了兩個額外因子來捕捉規模和價值異象：

• MKT（市場）： 廣義股票市場超過無風險利率的超額報酬。
• SMB（Small Minus Big）： 小型股報酬減去大型股報酬。
• HML（High Minus Low）： 高帳面市值比（價值股）報酬減去低帳面市值比（成長股）報酬。

三因子模型是CAPM的重大改進，成為評估共同基金績效的標準。

第三階段：五因子模型（2015）

三因子模型雖然成功，但留下了兩個重要的報酬模式未被解釋。高獲利能力的股票比低獲利能力的股票獲得更高報酬。保守投資的公司比激進投資的公司獲得更高報酬。Novy-Marx（2013）展示了獲利能力的重要性，Fama和French將兩種模式納入其更新的模型。

• RMW（Robust Minus Weak）： 高營業利潤率股票報酬減去低營業利潤率股票報酬。
• CMA（Conservative Minus Aggressive）： 低資產增長率（保守投資）公司報酬減去高資產增長率（激進投資）公司報酬。

五個因子詳解

因子1：市場（MKT）

市場因子捕捉廣義的股權風險溢價。美國股票的長期市場溢價約為年化6%至8%，這是最重要的單一因子。

因子2：規模（SMB）

SMB捕捉小型股傾向於跑贏大型股的歷史趨勢。1926年以來美國數據中年化SMB溢價約為2%。

因子3：價值（HML）

HML捕捉價值溢價。年化HML溢價在美國數據中約為3%至4%。值得注意的是，Fama和French（2015）發現在五因子模型中，HML在很大程度上變得多餘——其效果被RMW和CMA因子所包含。

因子4：獲利能力（RMW）

RMW捕捉獲利能力溢價。營業利潤率的衡量方式是：收入減去銷售成本、減去銷售管理費用、減去利息費用，再除以帳面權益。年化RMW溢價在美國數據中約為3%。經濟邏輯植根於估值理論：在價格不變的情況下，預期現金流更高的公司應有更高的預期報酬。

因子5：投資（CMA）

CMA捕捉投資溢價。投資以總資產年度變化除以總資產來衡量。年化CMA溢價在美國數據中約為2.5%。理論依據與公司金融中的q理論相關。

如何使用模型：投資組合分析

執行因子迴歸

五因子模型最常見的實務用途是對投資組合超額報酬進行時間序列迴歸：

Rp - Rf = alpha + b1(MKT) + b2(SMB) + b3(HML) + b4(RMW) + b5(CMA) + 誤差

係數（b1至b5）告訴你投資組合的因子曝險。截距（阿爾法）代表五因子無法解釋的風險調整後異常報酬。

解讀結果

資料來源

因子報酬數據可從Kenneth French的資料庫（達特茅斯大學維護）免費取得。提供美國股票的日度、週度和月度因子報酬，以及已開發和新興市場的國際因子數據。

批評與替代模型

缺失動量

最顯著的遺漏是動量因子。許多從業者使用添加了Carhart（1997）UMD（Up Minus Down）動量因子的六因子模型。

q因子模型

Hou、Xue和Zhang（2015）基於投資導向的資產定價理論提出了q因子模型作為替代。他們的四因子源於基於生產的均衡模型，而非經驗性模式匹配。

Stambaugh-Yuan模型

Stambaugh和Yuan（2017）提出了一個四因子模型，包含由11個異象組合構建的兩個錯誤定價因子。

資料挖掘疑慮

Harvey、Liu和Zhu（2016）提出了一個令人擔憂的發現：金融學中已發表的大多數因子可能是由資料挖掘驅動的虛假發現。在文獻中有數百個提議因子的情況下，標準統計閾值（t統計量>2.0）是不夠的。他們建議約3.0的閾值。

國際證據

五因子模型的表現在國際上存在差異。獲利能力和投資因子在已開發市場普遍顯著，但新興市場的證據更加混合。價值因子在國際數據中保持更強的獨立解釋力，與美國數據中被RMW和CMA包含的情況不同。

實務建議

基金評估： 使用五因子模型（或包含動量的六因子版本）分解任何基金或策略的報酬。這將真正的阿爾法與對已知因子的機械曝險分離。

組合建構： 理解你的投資組合的因子曝險有助於避免無意的賭注，建構具有刻意、分散化因子傾斜的組合。

風險管理： 因子曝險隨時間變化。定期監控投資組合的因子載荷可以提醒你注意風格漂移或集中風險。

因子數據取得： 從達特茅斯的Kenneth French資料庫下載因子報酬。標準迴歸分析使用月度報酬。建議至少36個月的數據；60個月或更多提供更穩定的估計。

獨立回測：五因子模型十年期表現

下表展示Fama-French五因子各成分的十年期績效。

方法論：使用Kenneth French資料庫各因子（MKT-RF、SMB、HML、RMW、CMA）月度報酬率，1963年1月至2025年12月。交易成本扣除前。

各因子展示年化報酬率/夏普比率。

獲利因子（RMW）最為穩定，從未錄得負的十年期報酬。這些數據來源於公開的學術因子報酬率資料，未考慮交易成本。

跨市場證據

五因子模型的可信度關鍵取決於其因子能否在美國樣本之外複製。Fama和French（2012）在「Size, value, and momentum in international stock returns」中進行了最系統的國際檢驗。

國際證據的重要發現是HML在美國以外保持獨立解釋力。Asness、Moskowitz和Pedersen（2013）在「Value and Momentum Everywhere」中表明價值效應出現在全球股票、債券、貨幣和商品市場中。

未解之題

沒有完美的資產定價模型，五因子模型也不例外。最重要的遺漏是動量。Harvey、Liu和Zhu（2016）提出數據探勘的關切。McLean和Pontiff（2016）記錄了因子發表後的衰減。因子溢價並非穩定，基於歷史平均的配置可能無法反映前瞻性溢價。因子間分散比基於單一歷史時期的配置最佳化更為重要。模型假設線性、時間不變的因子曝險，但實務中經常被違反。