Comparative Analysis on Fama-French Five-factor Model and Three-factor Model adopted in various Industries in A-share Market of China
Notice bibliographique
Résumé
Asset pricing has always been a hot issue in the financial industry. The cutting-edge research achievements of Capital Asset Pricing Models are the Fama-French three-factor model and the Fama-French five-factor model. Although many scholars have studied the performance of Fama-French three-factor model and five-factor model in China's A-share market, there is still controversy about the explanatory power of these two model in the A-share market. This thesis discusses the applicability of Fama-French three-factor and five-factor models adopted in various industries. This thesis chooses A shares in terms of performances, with 14 years commencing from August 2007 to August 2021 as the samples, and utilizes the data of monthly transactions of listed companies in the market for calculation. The thesis has divided the samples into 18 industries. The Fama-French three-factor and five-factor models are used for regression to verify the model's applicability in China's stock market. Through the empirical test, this thesis found that the Fama-French three-factor and five-factor models have strong explanatory powers regarding the excess returns of 15 industries. The research obtained in the thesis has enriched and broadened the study of the Asset Pricing Theory in China, providing theoretical guidance for various investment entities in acts conducted in the market.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».