Capm
“風險”因素與雙重排序
關於橫截面資產定價（股票）研究，我正在測試一個變數是否可以解釋另一個變數。一種常見的方法是使用雙重排序投資組合技術（將變數 a 排序到投資組合中，然後根據 a - 將 b 排序到投資組合中）。如果您有一個大樣本，那麼這種方法似乎足以解決這樣的問題，這樣您就可以在排序變數中獲得合理的分散量。
我在文獻中看到的另一種方法是使用 Fama French 因子方法（HML、SML 等）創建您喜歡的解釋變數的因子，然後根據第一個變數（您想解釋的變數）對您的投資組合進行排序並執行Fama French 三因子模型（或 CAPM）的時間序列回歸增加了您的新因子。
我想知道是否有任何論據可以執行第二種方法而不是第一種方法？這些方法能否相互補充，
投資組合分類和回歸技術在檢驗兩個或多個變數之間的橫截面關係的實證研究中都很常見。每個都有自己的優點和缺點。它想簡要強調最重要的一些。
投資組合排序
- 它是一種非參數技術，即它不對所研究的變數之間的橫截面關係的性質做出任何假設。因此，它有助於揭示變數之間的非線性關係
- 在檢查感興趣的橫截面關係時，很難控制大量變數。
回歸技術
- 適用於控制大量其他變數。
- 參數技術，因此通常假設每個控制變數和結果變數之間存線上性關係。
我已經使用第二種方法的方法來檢查（或正交化）一個因素相對於其他因素的“獨立性”。除了查看 R^2 之外，還要檢查每個因素的敏感性及其 t-stats。
如果回歸的截距在統計上不同於零，則表明“相關”因素的貢獻大於解釋因素。如果它在統計上為零（abs（t-stat）<= 2），則因因素包含在解釋因素中。