练习

实践：计算因子风险暴露

滚动回归对比分析

请完成以下任务：

1. 获取阿里巴巴（BABA）和英伟达（NVDA）2020-2023年日度收益率数据

2. 获取同期Fama-French五因子数据（代码：F-F_Research_Data_5_Factors_2x3）

3. 分别计算90日和180日滚动窗口下的市场因子暴露

4. 可视化对比不同窗口长度对暴露系数稳定性的影响

import yfinance as yf
import pandas as pd
import statsmodels.api as sm
import matplotlib.pyplot as plt

# 因子数据获取（五因子模型）
ff5 = yf.download('F-F_Research_Data_5_Factors_2x3', start='2020-01-01', end='2023-12-31')['Adj Close']

# 个股数据获取
tech_stocks = yf.download(['BABA', 'NVDA'], start='2020-01-01', end='2023-12-31')['Adj Close']
tech_returns = tech_stocks.pct_change().dropna()

# 数据对齐处理（注意时区问题）
combined_data = pd.concat([tech_returns, ff5], axis=1).dropna()

构建追踪组合

多因子中性组合优化

请实现以下要求：

1. 选取苹果、微软、特斯拉三只股票

2. 构建同时对市场因子和动量因子（Mom）中性的组合

3. 组合需满足个股权重不超过40%的约束

4. 输出最优权重并验证因子中性条件

from scipy.optimize import minimize
import numpy as np

# 获取因子暴露数据示例
factor_exposures = pd.DataFrame({
    'AAPL': [1.2, 0.8],
    'MSFT': [0.9, 0.6],
    'TSLA': [1.5, 1.1]
}, index=['Mkt-RF', 'Mom']).T

def multi_factor_neutral(benchmark_exposures):
    n_assets = len(factor_exposures)
    init_weights = np.ones(n_assets)/n_assets

    def objective(w):
        return np.sum(w**2)  # 最小化组合波动

    constraints = (
        {'type': 'eq', 'fun': lambda w: w @ factor_exposures.values - benchmark_exposures},
        {'type': 'eq', 'fun': lambda w: np.sum(w)-1}
    )
    bounds = [(0,0.4) for _ in range(n_assets)]

    res = minimize(objective, init_weights,
                  constraints=constraints, bounds=bounds)
    return res.x

# 目标因子暴露（全市场中性）
target_exposures = [0, 0]  # 市场因子和动量因子均为中性