Fama-French三因子模型中HML因子的检验，核心是确认价值溢价（高账面市值比股票相对于低账面市值比股票的额外收益）是否在统计上显著，并且模型能否充分解释资产收益。检验分三步：计算HML因子收益率、估计资产对因子的暴露、验证模型有效性。
第一步：计算HML因子收益率
HML（High Minus Low）因子代表价值溢价，即做多高账面市值比（价值股）组合、做空低账面市值比（成长股）组合的收益率差。通常按每年6月底的账面市值比将所有股票分为三组（高、中、低），然后分别构建市值加权组合，HML因子收益率 = 高账面市值比组合收益率 - 低账面市值比组合收益率。这一时间序列直接衡量了价值溢价的月度或年度表现。
第二步：估计因子暴露
对于单个资产（如股票或投资组合），使用时序回归来估计其对HML因子的敏感度（暴露βi）。回归方程为：
[ R_i - R_f = \alpha_i + \beta_i^{MKT} (R_M - R_f) + \beta_i^{HML} HML + \epsilon_i ]
其中，( R_i - R_f ) 是资产超额收益，( R_M - R_f ) 是市场超额收益，HML是价值溢价因子。βi^HML就是该资产对价值溢价的暴露系数，表示当HML因子收益率变化1%时，资产超额收益预期变动βi^HML%。如果βi^HML > 0，说明该资产收益率与价值股同步性更强。
第三步：检验模型有效性
估计因子收益率λ
若想检验HML因子本身是否被定价（即是否具有正的期望溢价），可采用截面回归。第一步先通过时序回归得到各资产的因子暴露βi^HML，第二步在截面上对所有资产进行回归：
[ R_i - R_f = \lambda_0 + \lambda_{MKT} \beta_i^{MKT} + \lambda_{HML} \beta_i^{HML} + \alpha_i ]
这里，λ_HML就是HML因子的风险溢价，代表市场为承担价值风险所要求的额外收益。若λ_HML显著为正，说明价值溢价在统计上成立。
判断标准
模型有效性主要看两个条件：
- λ_HML显著为正：通过t统计量检验（通常取5%显著性水平），证明价值溢价不是偶然波动。
- α_i联合接近零：对所有资产，回归截距项α_i（即未被模型解释的超额收益）的联合检验（如GRS检验）应不显著。如果α_i整体不显著，说明三因子模型能充分解释资产收益，HML因子起到了关键作用。
总结
检验HML因子的核心逻辑是：先构建价值溢价时间序列，再衡量资产对其暴露，最后验证溢价是否显著且模型残差足够小。实际操作中，如果λ_HML显著为正且α_i联合不显著，就支持Fama-French三因子模型的有效性，表明价值溢价是系统性风险因子的补偿。
常见问题
### HML因子暴露βi^HML为负值意味着什么？
βi^HML为负表示该资产收益率与价值股走势相反，更接近成长股特征。 例如，高成长科技股通常有负的HML暴露，因为其收益率与低账面市值比组合同步性更强。这本身不说明模型失效，只是资产属性的体现。
### 检验中必须使用截面回归吗？
时序回归已能估计因子暴露，但截面回归是检验因子是否被定价的标准方法。 时序回归只得出βi^HML，截面回归才能得到λ_HML及其显著性。多数实证研究中，两者结合使用：时序回归估计β，截面回归估计λ并检验α。
### 如果λ_HML不显著，说明价值溢价不存在吗？
不一定。 λ_HML不显著可能源于样本期较短、市场结构变化或数据质量问题。历史上，价值溢价在不同时期波动较大，有时持续多年为负。建议延长检验窗口（如10年以上）或使用不同账面市值比分组方法（如三分位变五分位）再次验证。