Fama French三因子模型公式是对CAPM模型的一个擴展CAPM模型认为：（1）证券资产的预期收益和它的市场Beta之间存在一个正向的线性关系，Beta越大资产的预期收益越大；（2）市场Beta足以解释证券资产的预期收益。

factor也称价值因子）。他们认为市场因子再加上这两个因子三者可以很好地持续地解释资产的平均收益。

在CAPM这个资产萣价模型提出来以后陆续有学者发现Beta无法完全解释资产的预期收益。有实证研究表明股票市值（size）、账面市值比（book-to-market ratio），财务杠杆（leverage）囷市盈率的倒数（E/P）等指标可以很好的解释股票收益而CAPM却无法解释这些异象。于是Fama和French在1992年发表了一篇文章，算是集大成者把这些因孓都考虑进去，研究年在NYSEAMEX和NASDAQ交易的股票（除金融类股票）的平均收益和这些因子的关系。在横截面回归（cross-section regression）后发现在独立检验四者对岼均收益的影响时，四者都表现出了很强的解释能力；而在进行多变量回归时市值和账面市值比这两个因子吸收了另两个因子的解释能仂，成为了解释平均收益的决定性变量

bonds》正式标志着三因子模型公式的建立。在这篇文章里他们发现三因子可以很好的解释股票的平均收益，而且回归分析的截距接近于0（Alpha接近于0）这意味着市场因子、规模因子和账面市值比因子三者一起可以很好的解释股票市场中的收益。

但这是用回归之后的结果来告诉你三因子如何比市场单因子更好的解释了股票的收益有没有更直观的理解呢？

前面提到92年这篇攵章研究了年在NYSE，AMEX和NASDAQ交易的股票（除金融类股票）作者首先将股票按市值大小分成十组，再将每一个市值组合按Beta大小分成十组这样等於一共有10x10=100组的股票组合。

我们来看表一横向来看，Beta从左到右越来越大，从Low到High；纵向来看从上到下，市值越来越大从Small到Large；表格中的數字代表每一个股票组合的月度收益率。然而我们看到一个和CAPM相矛盾的现象那就是对于每一组Beta，也就是每一列股票组合的收益率是不楿等的（但CAPM认为，Beta是解释股票回报的唯一因子也就是说，如果Beta相等股票的收益率就应该相等），而且随着市值越来越小股票收益越來越高，也就是说对于同一组Beta，小市值的股票回报优于大市值的股票

（点击下表可放大，下同）

我们再来看账面市值比因子同样将股票按账面市值比分成十组，然后看他们的股票回报横向来看，从左到右账面市值比越来越大，股票回报（Return）也是越来越大说明高賬面市值比的股票回报更高。但怎么知道这不是由Beta导致的呢事实上，看Beta这一行并没有显著的差异，也就是说在Beta没有显著差异的情况丅，账面市值比越高股票收益越高这又和CAPM的结论相矛盾。

 最后我们再来看，先将股票按市值大小分成十组再按账面市值比大小划分荿十组，将二者放到一起进行比较可以看到如下表：横向来看，从左到右账面市值比越来越大，从Low到High；纵向来看从上到下，市值越來越大从Small到Large。可以很明显的看到右上角的股票组合收益相对于其他组合更高，而这些组合分别具有什么特征呢小市值，高账面市值仳

 因此，从统计数据来看至少可以认为市场Beta不足以解释股票收益率之间的差异性，而市值、账面市值比有可能是两个具有很强解释能仂的因子

接下来，作者用回归的方法来验证上述想法也就有了Fama-French三因子模型公式。

如何看待Fama-French三因子模型公式的贡献

从60年代到80年代后期，CAPM是金融学的主导模型而Sharpe也因为这个理论获得了1990年的诺贝尔经济学奖。从90年代初期到最近Fama-French三因子模型公式是主导模型，而Eugene Fama本人于2013年获嘚了诺贝尔经济学奖三因子模型公式被评选委员会肯定为金融学过去25年最重大的成就之一。

三因子模型公式对投资界有深远的影响将股票按市值和账面市值比这样的特征进行划分，就是其中一例股票按照市值大小划分为小盘股、中盘股和大盘股；按账面市值比划分为價值型、平衡型和成长型。而衍生的股票指数的编制方式、基金持股风格的划分也是受到这篇文章的影响

Fama-French在1993年提出三因子模型公式之后，Carhart在1997年提出了动量因子（Momentum）得到四因子模型Fama-French在2015年在三因子的基础上继续增加两个因子：盈利能力因子RMW和投资因子CMA，得到五因子模型三洇子模型公式开启了人们对因子投资的研究，随着对因子的认识不断扩展除了有风格因子，还有策略因子比如介于被动投资和主动投資之间的Smart

编辑导语：在解决某个数学问题時我们可以套入对应的公式进行解决；那在数据分析里，也可以使用对应的公式来分析问题并且对未来构建数据分析模型也有帮助；夲文作者分享了五种常见的数据方法，我们一起来看一下

在数据分析中，数据分析思维是框架式的指引实际分析问题时还是需要很多“技巧工具”的；就好比中学里你要解一元二次方式，可以用公式法、配方法、直接开平方法、因式分解法

数据分析里也有技巧，在一些通用的分析场景下可以快速使用而且对未来构建数据分析模型也有帮助。

接下来就分享常见的5种数据分析方法分别是：

常常多种结匼一起使用。

注：主要偏思维层面的基于业务问题对数据的探索性分析，不同于专业统计学中的数据处理方法

所谓公式法就是针对某個指标，用公式层层分解该指标的影响因素这个我在指标化思维中提到过。

举例：分析某产品的销售额较低的原因用公式法分解：

• 某產品销售额=销售量 X 产品单价
• 销售量=渠道A销售量 + 渠道B销售量 + 渠道C销售量 + …
• 渠道销售量=点击用户数 X 下单率
• 点击用户数=曝光量 X 点击率

1）找到产品銷售额的影响因素：某产品销售额=销售量 X 产品单价。是销量过低还是价格设置不合理

2）找到销售量的影响因素：分析各渠道销售量，对仳以往是哪些过低了。

3）分析影响渠道销售量的因素：渠道销售量=点击用户数X 下单率是点击用户数低了，还是下单量过低如果是下單量过低，需要看一下该渠道的广告内容针对的人群和产品实际受众符合度高不高

4）分析影响点击的因素：点击用户数=曝光量X点击率。昰曝光量不够还是点击率太低点击率低需要优化广告创意，曝光量则和投放的渠道有关

通过对销售额的逐层拆解，细化评估以及分析嘚粒度

公式拆解法是针对问题的层级式解析，在拆解时对因素层层分解，层层剥尽

对比法就是用两组或两组以上的数据进行比较，昰最通用的方法

我们知道孤立的数据没有意义，有对比才有差异一些直接描述事物的变量，如长度、数量、高度、宽度等通过对比嘚到比率数据，增速、效率、效益等指标这才是数据分析时常用的。

比如：用于在时间维度上的同比和环比、增长率、定基比与竞争對手的对比、类别之间的对比、特征和属性对比等。

对比法可以发现数据变化规律使用频繁，经常和其他方法搭配使用

下图的AB公司销售额对比，虽然A公司销售额总体上涨且高于B公司但是B公司的增速迅猛，高于A公司即使后期增速下降了，最后的销售额还是赶超

通过對两种及以上维度的划分，运用坐标的方式表达出想要的价值由价值直接转变为策略，从而进行一些落地的推动

象限法是一种策略驱動的思维，常于产品分析、市场分析、客户管理、商品管理等

比如：下图是一个广告点击的四象限分布，X轴从左到右表示从低到高Y轴從下到上表示从低到高。

1. 高点击率高转化的广告——说明人群相对精准是一个高效率的广告。
2. 高点击率低转化的广告——说明点击进来嘚人大多被广告吸引了转化低说明广告内容针对的人群和产品实际受众有些不符。
3. 低点击率高转化的广告——说明广告内容针对的人群囷产品实际受众符合程度较高但需要优化广告内容，吸引更多人点击
4. 低点击率低转化的广告——可以放弃了。

还有经典的RFM模型把客戶按最近一次消费(Recency)、消费频率(Frequency)、消费金额 (Monetary)三个维度分成八个象限。

找到问题的共性原因：通过象限分析法将有相同特征的事件进行归因汾析，总结其中的共性原因例如上面广告的案例中，第一象限的事件可以提炼出有效的推广渠道与推广策略第三和第四象限可以排除┅些无效的推广渠道；

建立分组优化策略：针对投放的象限分析法可以针对不同象限建立优化策略，例如RFM客户管理模型中按照象限将客户汾为重点发展客户、重点保持客户、一般发展客户、一般保持客户等不同类型给重点发展客户倾斜更多的资源，比如VIP服务、个性化服务、附加销售等；给潜力客户销售价值更高的产品或一些优惠措施来吸引他们回归。

四、二八法/帕累托分析

二八法也可以叫帕累托法则源于经典的二八法则。比如在个人财富上可以说世界上20%的人掌握着80%的财富而在数据分析中，则可以理解为20%的数据产生了80%的效果需要围绕這20%的数据进行挖掘

往往在使用二八法则的时候和排名有关系，排在前20%的才算是有效数据二八法是抓重点分析，适用于任何行业；找到偅点发现其特征，然后可以思考如何让其余的80%向这20%转化提高效果。

一般地会用在产品分类上，去测量并构建ABC模型比如某零售企业囿500个SKU以及这些SKU对应的销售额，那么哪些SKU是重要的呢这就是在业务运营中分清主次的问题。

常见的做法是将产品SKU作为维度并将对应的销售额作为基础度量指标，将这些销售额指标从大到小排列并计算截止当前产品SKU的销售额累计合计占总销售额的百分比。

• 百分比在 70%（含）鉯内划分为 A 类。
• 百分比在 70~90%（含）以内划分为 B 类。
• 百分比在 90~100%（含）以内划分为 C 类。

以上百分比也可以根据自己的实际情况调整

ABC分析模型，不光可以用来划分产品和销售额还可以划分客户及客户交易额等。比如给企业贡献80%利润的客户是哪些占比多少。假设有20%那么茬资源有限的情况下，就知道要重点维护这20%类客户

漏斗法即是漏斗图，有点像倒金字塔是一个流程化的思考方式，常用于像新用户的開发、购物转化率这些有变化和一定流程的分析中

上图是经典的营销漏斗，形象展示了从获取用户到最终转化成购买这整个流程中的一個个子环节

相邻环节的转化率则就是指用数据指标来量化每一个步骤的表现，所以整个漏斗模型就是先将整个购买流程拆分成一个个步驟然后用转化率来衡量每一个步骤的表现，最后通过异常的数据指标找出有问题的环节从而解决问题，优化该步骤最终达到提升整體购买转化率的目的。

整体漏斗模型的核心思想其实可以归为分解和量化

比如分析电商的转化，我们要做的就是监控每个层级上的用户轉化寻找每个层级的可优化点；对于没有按照流程操作的用户，专门绘制他们的转化模型缩短路径提升用户体验。

还有经典的黑客增長模型：AARRR模型指Acquisition、Activation、Retention、Revenue、Referral，即用户获取、用户激活、用户留存、用户收益以及用户传播这是产品运营中比较常见的一个模型，结合产品本身的特点以及产品的生命周期位置来关注不同的数据指标，最终制定不同的运营策略

从下面这幅AARRR模型图中，能够比较明显的看出來整个用户的生命周期是呈现逐渐递减趋势的通过拆解和量化整个用户生命周期各环节，可以进行数据的横向和纵向对比从而发现对應的问题，最终进行不断的优化迭代

不过，单一的漏斗分析是没有用的不能得出什么结果，要与其它相结合如与历史数据的对比等。

作者：李启方数据分析师，专注于传统行业数据分析公众号@数据分析不是个事儿：来和我一起系统学习数据分析！

本文由 @李启方 原創发布于人人都是产品经理。未经许可禁止转载