Mô hình 3 nhân tố Fama và French: Từ lý thuyết đến thực hành trong phân tích cổ phiếu

4. Hạn chế của mô hình Fama-French 3 nhân tố

• Hạn chế và chỉ trích: Mô hình 3 nhân tố Fama và French cũng không thoát khỏi những chỉ trích. Một trong những vấn đề lớn nhất là các nhân tố có thể không ổn định theo thời gian (instability) và có thể bị suy yếu trong tương lai (factor decay). Ngoài ra, mô hình cũng đối mặt với nguy cơ data-mining, khi các nhà nghiên cứu "đào bới" dữ liệu lịch sử để tìm ra các yếu tố mới mà thực chất chỉ là ngẫu nhiên.

• Các mô hình mở rộng và tương lai: Fama và French sau này đã mở rộng mô hình của họ lên 5 nhân tố bằng cách bổ sung thêm hai nhân tố mới là lợi nhuận (profitability) và đầu tư (investment). Tuy nhiên, mô hình mới này cũng vấp phải những chỉ trích đáng kể từ giới học thuật và chuyên gia.

• Nhân tố giá trị (HML) trở nên dư thừa: Chính Fama và French đã thừa nhận rằng, khi thêm hai nhân tố mới (lợi nhuận và đầu tư), nhân tố HML trở nên "thừa" (redundant) vì lợi nhuận và đầu tư đã giải thích phần lớn thông tin mà HML từng cung cấp.

• Vẫn thiếu nhân tố Momentum: Đây là một trong những chỉ trích lớn nhất. Mặc dù 5 nhân tố đã toàn diện hơn, mô hình vẫn bỏ qua một trong những "anomalies" mạnh mẽ và được nghiên cứu nhiều nhất: momentum (đà tăng trưởng). Đây là lý do tại sao nhiều chuyên gia vẫn sử dụng mô hình 4 nhân tố của Carhart (bổ sung thêm momentum) thay vì mô hình 5 nhân tố.

• Thách thức từ học máy và dữ liệu thay thế: Sự trỗi dậy của học máy (machine learning) đang thách thức các mô hình tuyến tính truyền thống. Các mô hình này có thể khám phá những mối quan hệ phi tuyến tính và tích hợp các nguồn dữ liệu thay thế (alternative data), mở ra một kỷ nguyên mới cho tài chính định lượng vượt ngoài các nhân tố đã được định nghĩa.

5. Không cần học một mình: Đồng hành cùng cộng đồng Quant & AI Việt Nam

6. Từ lý thuyết đến thực chiến: Thử sức trên đấu trường XNO Quant

Fama-French không phải là câu trả lời cuối cùng, mà là một lăng kính sắc bén hơn