法瑪 - 弗倫奇三因子模型詳解｜掌握收益來源

核心描述

• 法瑪 - 弗倫奇三因素模型通過三個主要驅動因素來解釋股票組合收益：市場風險、公司規模與價值特徵，是對單因子思路的實用升級。
• 法瑪 - 弗倫奇三因素模型不只問 “這位經理是否跑贏市場？”，而是問 “這份收益是否只是對承擔市場、小盤或價值暴露的補償？”
• 正確使用法瑪 - 弗倫奇三因素模型，可以用清晰、數據驅動的方式將能力（alpha）與系統性風格傾向區分開來，同時避免常見陷阱，例如因子數據不匹配或樣本期過短導致的不穩定結論。

定義及背景

什麼是法瑪 - 弗倫奇三因素模型

法瑪 - 弗倫奇三因素模型是一種資產定價與績效歸因框架，用三個系統性風險因子來刻畫某項投資的超額收益（相對無風險利率的收益）：

• 市場因子（MKT - Rf）：廣義股票市場的超額收益
• SMB（Small Minus Big）：規模因子，代表小市值股票減去大市值股票的收益
• HML（High Minus Low）：價值因子，代表高賬面市值比股票減去低賬面市值比股票的收益

簡而言之，該模型認為許多組合的 “跑贏”，並不一定來自獨特選股能力，而可能是組合更偏向小公司、價值公司，或兩者兼具。法瑪 - 弗倫奇三因素模型可以量化這些風格傾向，讓不同經理與策略之間的比較更可比、更接近 “同口徑”。

為什麼會被提出：CAPM 的不足

在法瑪 - 弗倫奇三因素模型之前，常用基準是 CAPM（Capital Asset Pricing Model），它只強調一個驅動：市場 beta。隨着時間推移，研究與實務發現 CAPM 往往無法解釋一些持續性的現象，尤其是：

• 小市值股票與大市值股票的平均收益表現存在差異
• 價值股（以更高的賬面市值比定義）與 “成長股” 的表現行為不同

Eugene Fama 與 Kenneth French 在 1990 年代初將這些觀察系統化，提出三因素結構，在許多場景下能更好描述分散化股票組合的收益。需要強調的是，法瑪 - 弗倫奇三因素模型不是市場 “定律”，而是一種被廣泛使用的工具，用少量可解釋的風險維度來描述與調整收益。

這裏的 “價值” 是什麼意思（常見混淆點）

日常投資裏，“價值” 可能指基於市盈率的 “便宜”，或某種定性敍事。在法瑪 - 弗倫奇三因素模型中，** 價值通常用賬面市值比（book-to-market）** 來近似衡量（賬面權益除以市值）。這一點很關鍵：如果你在不自知的情況下改用其他 “價值” 指標，你的分析含義可能已經發生變化。

計算方法及應用

核心方程（實際估計的內容）

法瑪 - 弗倫奇三因素模型通常通過時間序列迴歸來實現：將組合的超額收益對三個因子收益進行迴歸：

\[R_i - R_f = \alpha + \beta_m (MKT - R_f) + \beta_s \cdot SMB + \beta_v \cdot HML + \varepsilon\]

其中：

• \(R_i\) = 組合（或資產）收益
• \(R_f\) = 無風險利率（因此 \(R_i - R_f\) 為超額收益）
• \(\alpha\) = “alpha”，三因子無法解釋的部分
• \(\beta_m, \beta_s, \beta_v\) = 對市場、規模、價值因子的敏感度（因子載荷）
• \(\varepsilon\) = 殘差（未解釋的噪聲與個體特有影響）

迴歸結果通常這樣解讀：

• beta描述的是為了獲得收益你承擔了哪些風險暴露。
• alpha是在扣除這些系統性暴露後剩下的部分。

SMB 與 HML 代表什麼（不依賴複雜數學的直覺）

• SMB（規模因子）：一條多空收益序列，當小盤股跑贏大盤股時上升，反之下降。若你的組合 \(\beta_s\) 為正，通常意味着組合更像小盤風格。
• HML（價值因子）：一條多空收益序列，當高賬面市值比（價值）股票跑贏低賬面市值比（成長）股票時上升，反之下降。若你的組合 \(\beta_v\) 為正，通常意味着組合有價值傾向。

重要的實務點：應用法瑪 - 弗倫奇三因素模型時，你不一定需要自己構建 SMB 與 HML。很多投資者會直接使用成熟的因子庫（例如 Kenneth French 的數據源），以保證定義一致、結果更可比。

實務流程（從數據到決策）

典型的法瑪 - 弗倫奇三因素模型實現流程如下：

1. 選擇收益序列

   • 通常是基金、策略或組合。單隻股票也能分析，但噪聲更大。

2. 正確匹配因子數據

   • 區域、幣種與頻率要與資產收益對齊。錯配是導致結論偏差最快的原因之一。

3. 計算超額收益

   • 用資產收益減去無風險利率 \(R_f\)。

4. 進行迴歸

   • 估計 \(\alpha\) 以及對 MKT - Rf、SMB、HML 的 beta。

5. 解讀與校驗

   • beta 是否隨時間穩定？
   • alpha 是否具備統計意義，還是在正常噪聲範圍內？
   • 暴露是否符合你對該策略的認知？

現實中的常見用途

法瑪 - 弗倫奇三因素模型被廣泛使用，原因在於它既易解釋也便於落地：

• 績效歸因：
  某位經理相對寬基指數看似表現出色，但法瑪 - 弗倫奇三因素模型可能顯示收益主要來自持續的小盤或價值傾向。

• 風險控制與組合構建：
  避免無意的集中暴露。例如兩隻基金持倉看似分散，但都可能有很高的 HML 正暴露，意味着當價值風格走弱時會一起承壓。

• 經理評估與授權範圍監控：
  機構配置與顧問常關心經理的超額收益究竟來自真實 alpha，還是主要在收割系統性因子。

• 解釋基準之間的收益差異：
  如果兩個基準風格不同（一個更偏小盤，一個更偏價值），模型能更結構化地解釋表現差距。

優勢分析及常見誤區

對比：CAPM vs 法瑪 - 弗倫奇三因素模型 vs Carhart

CAPM（單因子）

CAPM 通常只使用市場超額收益。作為第一步近似有用，但對帶有明顯風格傾向的股票組合往往解釋不足。

法瑪 - 弗倫奇三因素模型（三因子）

法瑪 - 弗倫奇三因素模型加入 SMB 與 HML。在許多分散化股票組合的場景裏，它能減少 CAPM 會誤判為 alpha 的 “神秘收益”。

Carhart 四因子（加入動量）

Carhart 在法瑪 - 弗倫奇框架上增加 動量因子（常寫作 UMD，Up Minus Down）。實務含義是：

• 如果某策略在法瑪 - 弗倫奇三因素模型下顯示正 alpha，但加入動量後 alpha 明顯縮小，那麼原先看似 “能力” 的部分可能實際上是動量暴露。

優勢（為什麼仍被大量使用）

• 對股票收益的刻畫通常比單因子更貼近現實在許多權益組合中，法瑪 - 弗倫奇三因素模型往往比僅用市場因子的模型更能解釋收益來源。

• 經濟含義清晰
  規模與價值是投資者熟悉的分類，模型把它們量化。

• 更利於基準溝通與歸因表達
  能回答類似 “我們是因為決策而跑贏，還是因為加了價值風險？” 的問題。

侷限（它不承諾什麼）

• 解釋的是平均規律，不保證因子溢價必然出現
  SMB 與 HML 並非 “穩賺收益”，規模或價值可能在較長時期內跑輸。

• 更偏向權益資產
  法瑪 - 弗倫奇三因素模型主要圍繞股票組合設計，用到其他資產類別可能不合適，或需要擴展版本。

• 結果依賴定義與數據口徑
  因子構建方式（樣本範圍、再平衡規則、會計口徑、地區劃分等）會影響 SMB 與 HML 表現。模型理念穩健，但實現細節很重要。

常見誤區與使用錯誤（及其影響）

“SMB 和 HML 是保證存在的溢價”

在法瑪 - 弗倫奇三因素模型中，SMB 與 HML 是數據中觀察到的因子，並非承諾回報。把 “歷史上出現過” 當作 “未來必然有”，容易誤用。

“alpha 就等於長期能力”

三因素迴歸的 alpha 是樣本內估計值，可能來自運氣、特定市場階段，或模型未納入的隱藏暴露，因此應謹慎對待。

“任何因子數據都能用”

用美國口徑構建的 SMB、HML 去分析交易日曆、市場結構或幣種不同的組合，會扭曲 beta 與 alpha。法瑪 - 弗倫奇三因素模型對數據對齊很敏感。

“日頻一定比月頻更好”

更高頻率可能引入更多噪聲、微觀結構影響與時點錯配。很多教學與機構場景更偏好月度數據，尤其是基金通常按月披露。

“價值就是低 P/E”

經典法瑪 - 弗倫奇三因素模型中，價值通常以賬面市值比衡量。若改用低 P/E，你實際上可能在做另一種不同口徑的分析。

實戰指南

使用法瑪 - 弗倫奇三因素模型的步驟清單

在做迴歸前先對齊輸入

• 收益頻率：組合與基金常用月度對月度。
• 同一日曆：確保因子日期與組合收益日期對齊（例如月末口徑、交易日差異、節假日）。
• 使用超額收益：若要遵循標準解釋，應計算 \(R_i - R_f\)。

跑回歸後，把 beta 當作 “風險標籤” 來讀

估計出 \(\beta_m\)、\(\beta_s\)、\(\beta_v\) 後，可視作風格畫像：

• \(\beta_m\) 高：對市場波動依賴強
• \(\beta_s\) 為正：偏小盤
• \(\beta_v\) 為正：偏價值
• \(\beta_v\) 為負：相對更偏成長（在該模型的價值定義下）

檢查穩定性（因為 beta 可能漂移）

實務中常用滾動窗口（例如 36 個月）檢驗暴露是否穩定、是否存在階段性。如果 \(\beta_s\) 從明顯為正變為為負，可能是策略變了，也可能是窗口太短導致估計不穩。

更保守地解讀 alpha

alpha 不是 “獎盃”，而是殘差。建議進一步考慮：

• alpha 是否在不同子區間仍能維持，
• 加入其他相關因子（如動量）後 alpha 是否仍然存在，
• 策略敍事是否與測得的暴露一致。

示例（假設數據，僅用於學習）

以下為假設案例（教育用途，並非投資建議）。假設某投資者用 60 個月的月度收益分析一隻美國股票基金，並採用常見學術因子庫的標準數據，迴歸得到：

基於法瑪 - 弗倫奇三因素模型的解讀：

• \(\beta_m \approx 1.02\)：基金整體與市場同向波動，敏感度略高於市場。
• \(\beta_s = 0.35\)：存在較明顯的小盤傾向；小盤跑贏時有利，小盤落後時不利。
• \(\beta_v = 0.60\)：價值傾向較強（偏高賬面市值比）。
• \(\alpha = 0.10\%\)（月度）：三因子之外的 “未解釋部分”，若持續大約相當於年化 1.2%，但應視為估計而非承諾。

進一步的實務問題：“為什麼這隻基金去年跑輸寬基指數？”
用法瑪 - 弗倫奇三因素模型可以給出一種結構化解釋：如果該年度價值風格較弱（HML 為負），基金較高的 \(\beta_v\) 會放大這類逆風，即使選股並未明顯失誤。

將結果轉化為行動，但避免過度反應

法瑪 - 弗倫奇三因素模型往往最有價值的地方在於改變你的提問方式，而不僅是增加一張表：

• 如果你的整體組合已有較高 HML 暴露，再加入價值傾向基金可能提高風格集中風險。
• 如果你聘請的是 “核心” 經理，但模型顯示較高 SMB 暴露，可能意味着你拿到了非預期的小盤風險。
• 若某些 “超額收益” 在因子調整後明顯縮小，這仍可能符合目標（例如你本來就想獲得因子暴露），但應在描述上更準確。

資源推薦

主要閲讀（概念基礎）

• Eugene Fama and Kenneth French, The Cross-Section of Expected Stock Returns（1992）
  有助於理解法瑪 - 弗倫奇三因素模型提出的背景，以及因子與收益規律的關係。

數據來源（避免因子口徑不一致）

• Kenneth French Data Library
  常用的因子收益序列來源（MKT - Rf、SMB、HML）與無風險利率。使用一致數據源有利於提升可比性並降低實現歧義。

值得補充的實現主題

• 時間序列迴歸基礎（beta 與殘差的含義）
• 穩健標準誤（例如 Newey-West）在收益迴歸中的使用
• 滾動迴歸與穩定性檢驗用於識別階段變化
• 因子構建邏輯（按規模與賬面市值比進行分組排序），理解 SMB 與 HML 的含義與邊界

常見問題

法瑪 - 弗倫奇三因素模型裏的 SMB 是什麼意思？

SMB 是 “Small Minus Big”。在法瑪 - 弗倫奇三因素模型中，它表示同一期間內分散化小盤股票組合的收益減去分散化大盤股票組合的收益。

法瑪 - 弗倫奇三因素模型裏的 HML 是什麼意思？

HML 是 “High Minus Low”。在法瑪 - 弗倫奇三因素模型中，它表示高賬面市值比（價值）股票的收益減去低賬面市值比（成長）股票的收益。

法瑪 - 弗倫奇三因素模型中的 alpha 到底説明什麼？

alpha 是在法瑪 - 弗倫奇三因素模型中，市場、規模與價值暴露無法解釋的那部分超額收益。它可能代表能力、運氣、遺漏因子或階段性環境，因此需要謹慎解讀。

beta 更高就一定更好嗎？

不一定。在法瑪 - 弗倫奇三因素模型中，beta 更高意味着對該因子漲跌更敏感。它可能對應某些歷史收益特徵，但也會增加該因子表現不佳時期的回撤風險。

法瑪 - 弗倫奇三因素模型能解釋單隻股票的漲跌嗎？通常不太適合。法瑪 - 弗倫奇三因素模型一般對分散化組合與較長時間跨度更有信息量，因為個股的特質噪聲更大。

為什麼換一個時間窗口，結果會變？因為因子關係與組合暴露可能隨市場階段變化；同時短樣本會讓 beta 更不穩定。法瑪 - 弗倫奇三因素模型通常在更長、口徑一致的數據上更有參考價值，並建議做子區間或滾動穩定性檢驗。

為什麼不同平台對同一基金給出的 SMB 與 HML 暴露會不一樣？差異常來自因子數據源不同、幣種與日曆對齊差異、收益頻率選擇、以及收益口徑（費前 vs 費後）不同。法瑪 - 弗倫奇三因素模型對這些實現細節較敏感。

總結

法瑪 - 弗倫奇三因素模型用三個可重複的視角理解股票收益：市場風險、規模暴露（SMB）與價值暴露（HML）。它之所以常用，是因為它能幫助投資者跳出 “是否跑贏大盤” 的單一敍事，更清楚地解釋承擔了什麼風險以及還有多少收益無法被系統性因子解釋。

在因子數據匹配、頻率一致、使用超額收益，並結合穩定性檢驗的前提下，法瑪 - 弗倫奇三因素模型可以作為績效歸因、基準比較與風險識別的結構化工具。它不用於預測下個季度收益，而更適合用於診斷歷史表現與更一致地描述組合風格。