Facteurs Fama-French et AQR pour le trading

Article Machine Learning for Trading

Résumé

Cette référence décrit les jeux de données universitaires de rendements factoriels de la bibliothèque Fama-French et de AQR, destinés à l’analyse de stratégies et à la modélisation des facteurs. Les données Fama-French comprennent des séries de marché, de taille, de valeur, de rentabilité, d’investissement et de momentum, ainsi que des classements de portefeuilles et des rendements sectoriels. Les jeux de données AQR couvrent des thèmes tels que la qualité, la stratégie « betting against beta », la valeur, le momentum, le suivi de tendance et d’autres primes. Les deux sources fournissent des données quotidiennes et mensuelles, mais l’historique disponible varie selon les séries.

Le document résume l’accès, la taille approximative des jeux de données, les méthodes de téléchargement, les conventions des chargeurs et les usages en recherche. Les données Fama-French permettent l’attribution de performance dans les rapports de backtest, tandis que les séries AQR servent de références factorielles et de bases de comparaison. Les chargeurs fournissent des colonnes de facteurs horodatées, avec des champs de taux sans risque ou de zone géographique selon la source. Ces rendements peuvent aider à expliquer les expositions d’une stratégie, mais le document ne teste aucune stratégie de trading et ne montre pas qu’un facteur persistera. L’attribution et les comparaisons de modèles exigent d’aligner correctement les fréquences, les dates et les définitions des facteurs ; les pages sources précisent leurs propres conditions d’attribution.

Idées clés

Fama-French et AQR fournissent des séries de rendements factoriels pour l’attribution et la modélisation.
Fama-French comprend des mesures de marché, de taille, de valeur, de rentabilité, d’investissement et de momentum.
AQR propose d’autres familles de facteurs, dont la qualité, la stratégie « betting against beta » et le suivi de tendance.
L’historique disponible et la fréquence varient selon les jeux de données factoriels.
Les facteurs de référence peuvent décrire les expositions d’une stratégie, mais ne prouvent pas qu’elle générera ces rendements.

Étiquettes

Investissement factoriel Statistiques Backtest Actions

Texte intégral

# Factor Data (Fama-French, AQR)


# Factor Data (Fama-French, AQR)

Academic factor-return series used for factor attribution in backtest
tearsheets (Chs 16-20) and as explanatory regressors in Ch10-14 factor
modelling work. Two providers, both free, both daily and monthly.

## Fama-French (Ken French Data Library)

- **Source**: Ken French Data Library
  (https://mba.tuck.dartmouth.edu/pages/faculty/ken.french/data_library.html).
- **Coverage**: 1926-07 → present (daily); 1926-07 → present (monthly).
- **Factors**: FF3 (Mkt-RF, SMB, HML, RF), FF5 (+ RMW, CMA), Momentum
  (MOM), plus developed-market FF3, size/B-M 25-portfolio sorts, and
  industry-return 5-portfolio sorts.
- **Size on disk**: ~1 MB total.
- **Runtime**: under 1 minute (small CSV pulls from Dartmouth).
- **API key**: not required.
- **License / attribution**: Factor series are distributed under Ken
  French's terms (https://mba.tuck.dartmouth.edu/pages/faculty/ken.french/data_library.html) —
  free for academic and personal use with attribution. Cite Fama &
  French (1993, 2015) when publishing.

## AQR (AQR Data Sets)

- **Source**: AQR Data Sets (https://www.aqr.com/Insights/Datasets).
- **Coverage**: Varies by series (QMJ 1957→; BAB 1931→; HML-Devil 1926→;
  VME 1972→; century premia 1800s→).
- **Factors**: QMJ (Quality Minus Junk), BAB (Betting Against Beta),
  HML-Devil (value, devil variant), VME (Value/Momentum Everywhere),
  century premia, credit premium, ESG frontier, TSMOM, 6 QMJ portfolios,
  25 VME portfolios.
- **Size on disk**: ~12 MB.
- **Runtime**: ~1-2 minutes (Excel workbook downloads).
- **API key**: not required.
- **License / attribution**: AQR permits use for personal research with
  attribution to the AQR Capital Management white-paper that introduced
  the factor. See https://www.aqr.com/Insights/Datasets (terms on each
  dataset page).

## Download

```bash
# Fama-French — core (ff3, ff5, mom, daily + monthly)
uv run python data/factors/ff_download.py

# Fama-French — all 70+ datasets from the library
uv run python data/factors/ff_download.py --all

# Fama-French — single dataset
uv run python data/factors/ff_download.py --dataset ff5

# AQR — all four primary factor sets
uv run python data/factors/aqr_download.py
```

Output layout under `$ML4T_DATA_PATH/factors/`:

```
fama-french/
├── ff3_daily.parquet
├── ff3_monthly.parquet
├── ff5_daily.parquet
├── ff5_monthly.parquet
├── mom_daily.parquet
├── mom_monthly.parquet
├── ff3_developed_monthly.parquet
├── ind_5_monthly.parquet
├── port_size_monthly.parquet
└── bp_me_monthly.parquet
aqr/
├── qmj_factors.parquet          qmj_factors_daily.parquet      qmj_6_portfolios.parquet
├── bab_factors.parquet          bab_factors_daily.parquet
├── hml_devil.parquet            hml_devil_daily.parquet
├── vme_factors.parquet          vme_portfolios.parquet
├── century_premia.parquet       credit_premium.parquet
├── esg_frontier.parquet         tsmom.parquet
├── metadata.json
└── source/                      # raw Excel / CSV archives
```

## Loading

```python
from data import load_ff_factors, load_aqr_factors

# Fama-French
ff5 = load_ff_factors(dataset="ff5", frequency="daily")
ff3 = load_ff_factors(dataset="ff3", frequency="monthly")
mom = load_ff_factors(dataset="mom", frequency="monthly")
ff = load_ff_factors(
    dataset="ff5", frequency="daily",
    start_date="2010-01-01", end_date="2023-12-31",
)

# AQR
qmj = load_aqr_factors(dataset="qmj")
bab = load_aqr_factors(dataset="bab")
vme = load_aqr_factors(dataset="vme")
hml = load_aqr_factors(dataset="hml_devil")
```

Schema (both loaders return canonical `timestamp` + per-factor float
columns; FF files include `RF` risk-free rate, AQR files include
per-geography columns).

## Consumers

### Fama-French
- **Ch16**: `09_performance_reporting.py` (factor attribution tab).
- **All 9 case studies** — `*_strategy_analysis.py` uses FF5 for
  factor-attribution tearsheets (`case_studies/utils/factor_attribution.py`).

### AQR
- **Ch10**: factor-family surveys (AQR QMJ / BAB primary references).
- **Ch14**: latent factor models use AQR factor returns as comparison
  benchmarks.

Reproduit dans son intégralité avec attribution, conformément à la licence de la source. Licence: MIT

Ce résumé a été rédigé par l’agent de recherche de Stratmill à partir de la source originale ; il n’en est pas une copie.