这段代码模拟了 Eduardo Schwartz 和 James E. Smith 撰写的论文 Short-Term Variations and Long-Term Dynamics in Commodity Prices 中的 Schwartz-Smith 二因子模型。 我使用原油的相同参数和数据集时间序列，并获得了与他们论文中图 4 中给出的结果相同的结果。 运行文件ssmodelreplication.m 很快，我将为此过程发布一种新颖的校准方法。 注意：我的一些代码最初来自詹姆斯·P·勒萨奇www.spatial-econometrics.com

Frazzini et al.（2014）构建了BAB因子。在实证检验方面，该文献分别在不同的市场中，包括美国和国际股票市场、国债市场、外汇和商品市场等数据，计算根据beta大小分成的10组和BAB因子的超额收益、alpha、beta、年化波动率和年化夏普比率。本代码重点关注Frazzini et al.（2014）的BAB因子构建和在中国A股市场的实证复刻。

Python 股票数据分析 tushare获取上证指数和各股票的数据 各类指标统计散点图折线图线性回归建模 三因子模型R market SMB HML jupyter notebook numpy pandas statmodels matplotlib 数据分析 数据挖掘 机器学习 人工智能

使用 MLE 和卡尔曼滤波器估计 Schwartz-Smith (2000) 论文（商品价格的短期变化和长期动态）中提出的 2 因子模型的模型参数。 然后根据估计的参数生成两个因子。 此代码允许用户根据提供的每日数据轻松选择不同的数据频率，在提供的总数据集的子样本上估计模型，在估计中从提供的数据集中添加或删除一些未来合约，选择初始猜测为参数和初始状态。 此代码还运行几何布朗运动模型和用作基准的 Ornstein-Uhlenbeck 模型的估计。 然后将 Schwartz-Smith 2 因子模型通过 Log-L 分数、LR 检验和 p 值以及生成的未来曲线与观察到的曲线之间的误差统计（平均误差、平均绝对值）与两个一因子模型进行比较误差，误差的标准差）。 这两个状态变量最终呈现在图表中（参见屏幕截图）。 编写此代码是为了在我的硕士学位论文中进行研究： http : //www.lun

Fama-French三因子模型数据和Stata代码（2000-2020年）

Fama-French三因子模型数据和Stata代码（2000-2020年）

CRSP Fama-French 3因子模型 日数据 1926.7.1-2018.5.31 源自美国著名的金融数据库CRSP

多因子模型是量化股票组合投资领域的基本工具，介绍性的资料很多。但学习这些资料之后，甚至一些老手也很难判断自己掌握到什么程度，或是在哪些方面有所缺失。因此，我们几位从业者合力整理了这份多因子模型水平测试题。以问题的方式激发思考，希望能够给从业者提供一个深度学习多因子模型的参考方向。列表中的很多问题我们也不知道最好的答案是什么，提示仅供参考。

介绍了贝叶斯潜在动态因子的模型估计方法，写出了参数和因子的具体后验分布以及吉布斯抽样的原理。

多因子模型构建流程一、数据预处理二、单因子测试三、收益模型的构建四、风险模型的构建五、投资组合的优化六、业绩归因七、参考资料 一、数据预处理 （一）去极值 1. MAD(Median Absolute Deviation, 绝对值差中位数法) 步骤: （1）计算因子数据的中位数XmedianX_{median}Xmedian​. （2）计算因子数据与中位数的绝对偏差值∣Xi−Xmedian∣|X_i-X_{median}|∣Xi​−Xmedian​∣. （3）计算绝对偏差值∣Xi−Xmedian∣|X_i-X_{median}|∣Xi​−Xmedian​∣的中位数MADMADMAD. （4）确