fama的官网是啥？百度没找到～

请问楼主这种分组方法的代码有没有啊，我也在学习这块，不知道分组程序怎么写

官网是http://mba.tuck.dartmouth.edu/pages/faculty/ken.french/data_library.html#BookEquity

假设你有N个公司，F-F的Sorting 是每一年做一次，假设你现在sort出来的是3*3中variable1最低的，variable2最低的，也就是你要用这些数据得到3*3中第一个alpha (最左上角)，那么每年你就会有12*N这样的一个panel data（月数据）。然后呢，你需要把这N个公司的return数据进行value-weighted average，然后你就会得到这一年的12个月的N个公司的value-weighted return的12*1序列。然后你每年都做了一次，假设你有10年，你最后把这些average monthly return放在一起，就会有一个120*1这样的一个value-weighted average retun序列，然后你再找到这10年的月SMB，HML，MKT，RF，放在一起做个回归，就会求出一个alpha，而这个alpha就被放到了3*3的左上角。同样的再做8次，就得到了3*3的alpha。希望能帮到你。

非常感谢，看了你的思路我一下子清晰了不少。
我现在是用13-18年72个月的月度股票型基金数据。求的是总体的FAMA-FRENCH的超额收益率ALPHA.
但是发现在计算无风险报酬的时候用的是1年期的央行定存收益率，比如为2%，那么如果把2%除以12得到了月度无风险收益率，这样才匹配基金数据和SMB,HML,等以月度数据为基准BENCHMARK.计算过程中已经价值加权了。
但是除以了12的央行定存收益率算出来的的结果，超额收益率ALPHA不显著。
若直接用2%作为无风险报酬率，加权后的回归结果超额收益率ALPHA在5%显著水平上显著。
若采用等权基金月度收益率，则不显著。
将1年期的央行定存收益率2%作为RF是否正确？

其二：
13-18年每年的基金数量不一致，这样会造成面板数据缺失。这样是否会产生很大的误差?
对总体平均来讲我自己感觉是可以行得通的，因为求得是加权平均，
但若要对每只基金，做求它的FAMA-FRENCH的超额收益率，这样就会导致时间序列的数据不够。
比如：基金在15年成立的，那么月度时间序列的数据就不足72组，这样进行回归是否显著？
但如果只选取成立期超过6年的基金，这样基金样本数量就会大幅减少，没有代表性。或许会造成生存者偏差等，模型失效，请问如何解决此情况呢？

已经看了很多国外文献，可能有语言障碍，不是全部能看懂，但发现国外的文献基本面板数据都是完备的（文章没有体现如何解决非平稳性数据）故非常疑惑，希望您能解答。感谢

非常感谢，看了你的思路我一下子清晰了不少。
我现在是用13-18年72个月的月度股票型基金数据。求的是总体的FAMA-FRENCH的超额收益率ALPHA.
但是发现在计算无风险报酬的时候用的是1年期的央行定存收益率，比如为2%，那么如果把2%除以12得到了月度无风险收益率，这样才匹配基金数据和SMB,HML,等以月度数据为基准BENCHMARK.计算过程中已经价值加权了。
但是除以了12的央行定存收益率算出来的的结果，超额收益率ALPHA不显著。
若直接用2%作为无风险报酬率，加权后的回归结果超额收益率ALPHA在5%显著水平上显著。
若采用等权基金月度收益率，则不显著。
将1年期的央行定存收益率2%作为RF是否正确？

其二：
13-18年每年的基金数量不一致，这样会造成面板数据缺失。这样是否会产生很大的误差?
对总体平均来讲我自己感觉是可以行得通的，因为求得是加权平均，
但若要对每只基金，做求它的FAMA-FRENCH的超额收益率，这样就会导致时间序列的数据不够。
比如：基金在15年成立的，那么月度时间序列的数据就不足72组，这样进行回归是否显著？
但如果只选取成立期超过6年的基金，这样基金样本数量就会大幅减少，没有代表性。或许会造成生存者偏差等，模型失效，请问如何解决此情况呢？

已经看了很多国外文献，可能有语言障碍，不是全部能看懂，但发现国外的文献基本面板数据都是完备的（文章没有体现如何解决非平稳性数据）故非常疑惑，希望您能解答。感谢