1. Settings

sel_month <- as.Date("2020-12-01")   # 50 largest stocks selected in this month
win_start <- as.Date("2018-01-01")
win_end   <- as.Date("2020-12-01")   # 36-month window
n_top     <- 50

# OPTIONAL: TEJ stock file(s) with stock code, date, monthly return, market value.
# Put the file next to this .Rmd (or give the full path). Leave NULL if you have none yet.
stock_files <- NULL                  # e.g. c("tej_stock_2017_2025.xlsx")

2. Fama-French factors (data from `TOP50__2018-2025.xlsx`)

The factor data from your uploaded file is built into this document, so no file path is needed. Values are in percent (TEJ), converted to decimals below.

ff3_raw <- tibble::tribble(
  ~Date, ~Mkt, ~SMB, ~HML, ~Rf,
  201812, -1.6912, 1.3346, -2.1142, 1.045,
  201901, 1.9631, 0.0341, 0.0837, 1.045,
  201902, 4.4682, 0.3841, -2.012, 1.045,
  201903, 2.3039, 0.4998, -1.4823, 1.045,
  201904, 2.9774, -2.034, 0.2454, 1.045,
  201905, -4.3307, 1.5714, 2.2665, 1.045,
  201906, 3.1907, -1.3933, -0.7903, 1.045,
  201907, 2.9402, 1.402, 0.9882, 1.045,
  201908, -1.2756, 2.2032, -1.1659, 1.045,
  201909, 2.1216, -1.4567, -0.9756, 1.045,
  201910, 4.7426, -2.254, -1.3045, 1.045,
  201911, 1.0799, -1.9401, 3.4893, 1.045,
  201912, 4.476, -0.8082, -1.5641, 1.045,
  202001, -4.3368, -0.8064, -0.2487, 1.045,
  202002, -1.8544, -0.076, -0.3514, 1.045,
  202003, -13.8962, -2.2179, -2.3226, 0.795,
  202004, 13.1776, 5.9529, 1.9246, 0.795,
  202005, -0.5231, 5.5189, -0.3267, 0.795,
  202006, 6.7265, 0.3759, 1.6339, 0.795,
  202007, 10.5466, -5.4945, -6.6159, 0.795,
  202008, -0.0977, 5.5599, 7.6317, 0.795,
  202009, -0.394, -0.3002, 0.6311, 0.795,
  202010, 0.2043, 0.4993, 2.5335, 0.795,
  202011, 9.3275, -0.2675, 0.9808, 0.795,
  202012, 7.4394, -3.1343, 2.533, 0.795,
  202101, 2.609, -6.6254, -8.8644, 0.795,
  202102, 5.3468, 3.8544, 2.6764, 0.795,
  202103, 3.0917, 2.7548, 6.0862, 0.795,
  202104, 7.0657, -0.1155, 18.3558, 0.795,
  202105, -2.8645, -5.8574, 0.3184, 0.795,
  202106, 4.3, 4.1065, 6.7649, 0.795,
  202107, -2.0646, 2.5151, 0.7242, 0.795,
  202108, 2.2434, -5.0198, 0.8207, 0.795,
  202109, -2.935, 1.1358, 2.4129, 0.795,
  202110, 0.1504, 1.5618, 0.0795, 0.795,
  202111, 2.4868, 1.9208, -0.9342, 0.795,
  202112, 4.6015, 1.1576, -0.9394, 0.795,
  202201, -2.91, -5.0122, -0.2106, 0.795,
  202202, -0.0653, 1.5479, 1.4452, 0.795,
  202203, 0.3769, -0.1847, 2.5816, 1.045,
  202204, -6.2044, 1.0733, 1.7546, 1.045,
  202205, 1.1295, 1.691, -3.8868, 1.045,
  202206, -10.378, 3.5363, 3.3743, 1.2,
  202207, 2.9838, 0.4935, -2.7401, 1.2,
  202208, 1.0578, 5.7463, 1.3848, 1.2,
  202209, -10.8649, 0.1011, 4.9374, 1.325,
  202210, -3.5537, -0.8461, 1.6877, 1.325,
  202211, 14.7201, -2.146, -7.1873, 1.325,
  202212, -4.9165, 2.9072, 1.853, 1.45,
  202301, 7.782, -2.3922, -5.4326, 1.45,
  202302, 1.4299, 4.8504, -1.2716, 1.45,
  202303, 2.4791, 1.9839, -3.7971, 1.575,
  202304, -1.865, 2.6621, 2.2804, 1.575,
  202305, 6.3721, -2.3795, -2.189, 1.575,
  202306, 3.342, 1.4255, -0.7202, 1.575,
  202307, 2.2632, -3.8691, 3.829, 1.575,
  202308, -2.7053, 1.2205, 0.8909, 1.575,
  202309, -1.5878, 1.8801, 1.8718, 1.575,
  202310, -2.2733, 0.6754, -0.3085, 1.575,
  202311, 8.7955, 0.4628, -0.4597, 1.575,
  202312, 2.8933, -2.3574, 1.282, 1.575,
  202401, -0.2977, -0.1365, -2.0605, 1.575,
  202402, 5.8546, 2.0636, -3.9557, 1.575,
  202403, 7.1463, -7.9988, 3.5737, 1.7,
  202404, 0.4211, 2.6175, 5.5349, 1.7,
  202405, 3.6518, 1.4309, 2.859, 1.7,
  202406, 9.061, -4.5677, -3.416, 1.7,
  202407, -2.7868, 1.276, 4.0775, 1.7,
  202408, 0.4629, 1.4047, -2.3261, 1.7,
  202409, -0.1467, 0.0656, 0.9326, 1.7,
  202410, 2.5532, -3.8195, -2.6079, 1.7,
  202411, -2.5685, 0.2519, 0.003, 1.7,
  202412, 3.4963, -1.025, -8.139, 1.7,
  202501, 1.9739, -3.3194, -2.2618, 1.7,
  202502, -2.2123, 4.9412, 4.4022, 1.7,
  202503, -10.1131, -0.9996, 3.9881, 1.7,
  202504, -2.3014, -2.1569, -2.2312, 1.7,
  202505, 5.3773, -2.8071, -0.6949, 1.7,
  202506, 4.9776, -4.8906, -4.6067, 1.7,
  202507, 6.7898, -3.2908, -2.1778, 1.7,
  202508, 3.0178, 3.9158, -3.1657, 1.7,
  202509, 6.6635, -7.2084, -1.0908, 1.7,
  202510, 9.2301, -9.2126, -1.4514, 1.7,
  202511, -2.2515, 0.0901, 5.3439, 1.7,
  202512, 4.8698, -0.2322, 0.8177, 1.7
)

ff3 <- ff3_raw %>%
  mutate(month = ymd(paste0(Date, "01")),
         across(c(Mkt, SMB, HML, Rf), ~ .x / 100)) %>%
  select(month, Mkt, SMB, HML, Rf)

cat("Factor months available:", format(min(ff3$month), "%Y/%m"), "to",
    format(max(ff3$month), "%Y/%m"), "(", nrow(ff3), "months )\n")

## Factor months available: 2018/12 to 2025/12 ( 85 months )

Note: the uploaded factor file starts in 2018/12, so 2018/01-2018/11 have no factor values (shown as NA). Re-download the TEJ factors from 2018/01 to fill them.

3. Stock data (top 50 and returns)

read_any <- function(path) {
  if (grepl("\\.csv$", path, ignore.case = TRUE)) read_csv(path, show_col_types = FALSE)
  else read_excel(path)
}
to_month <- function(x) {
  if (inherits(x, "POSIXt") || inherits(x, "Date")) return(floor_date(as.Date(x), "month"))
  ymd(paste0(substr(gsub("[^0-9]", "", as.character(x)), 1, 6), "01"))
}
find_col <- function(df, pattern) {
  hit <- names(df)[str_detect(names(df), regex(pattern, ignore_case = TRUE))]
  if (length(hit)) hit[1] else NA_character_
}
auto_scale <- function(x) if (median(abs(x), na.rm = TRUE) > 0.2) x / 100 else x
pick1 <- function(x) { x <- x[!is.na(x)]; if (length(x)) x[1] else NA_real_ }

have_stock <- !is.null(stock_files) && all(file.exists(stock_files))

if (have_stock) {
  read_stock <- function(f) {
    d <- read_any(f)
    c_id  <- find_col(d, "^coid$|co_id|stock.?id|code|\u4ee3\u78bc|\u516c\u53f8")
    c_dt  <- find_col(d, "date|mdate|\u5e74\u6708|\u65e5\u671f")
    c_ret <- find_col(d, "^ret|return|roi|\u5831\u916c")
    c_mv  <- find_col(d, "market.?value|^mv|\u5e02\u503c")
    cat(f, "->", paste(c(id = c_id, date = c_dt, ret = c_ret, mv = c_mv), collapse = " | "), "\n")
    tibble(id = trimws(as.character(d[[c_id]])), month = to_month(d[[c_dt]]),
           ret = if (is.na(c_ret)) NA_real_ else suppressWarnings(as.numeric(d[[c_ret]])),
           mv  = if (is.na(c_mv))  NA_real_ else suppressWarnings(as.numeric(d[[c_mv]])))
  }
  stock <- bind_rows(lapply(stock_files, read_stock)) %>%
    filter(!is.na(id), !is.na(month), !str_detect(id, "^Y9999")) %>%
    group_by(id, month) %>% summarise(ret = pick1(ret), mv = pick1(mv), .groups = "drop") %>%
    mutate(ret = auto_scale(ret))
  cat("Stock data:", format(min(stock$month), "%Y/%m"), "to", format(max(stock$month), "%Y/%m"), "\n")
} else {
  stock <- tibble(id = character(), month = as.Date(character()), ret = numeric(), mv = numeric())
  cat("NO STOCK FILE SUPPLIED: stock columns below are placeholders (NA).\n",
      "Set `stock_files` in section 1 once you have the TEJ stock data.\n")
}

## NO STOCK FILE SUPPLIED: stock columns below are placeholders (NA).
##  Set `stock_files` in section 1 once you have the TEJ stock data.

3.1 The 50 largest stocks each month (2017/11 - 2025/12)

top50_by_month <- stock %>%
  filter(month >= as.Date("2017-11-01"), month <= as.Date("2025-12-01"), !is.na(mv)) %>%
  group_by(month) %>% slice_max(mv, n = n_top, with_ties = FALSE) %>%
  mutate(rank = row_number()) %>% ungroup() %>% arrange(month, rank)

if (nrow(top50_by_month) > 0) {
  write_csv(top50_by_month, "top50_by_month.csv")
  head(top50_by_month, 10)
} else cat("Not available yet (needs the stock file).")

## Not available yet (needs the stock file).

4. First window: 2018/01 - 2020/12

top50_sel <- top50_by_month %>% filter(month == sel_month) %>% pull(id)
if (length(top50_sel) == 0) top50_sel <- paste0("stock", 1:n_top)   # placeholder names

stock_map <- tibble(Name = paste0("stock", seq_along(top50_sel)), `TEJ code` = top50_sel)

months <- tibble(month = seq(win_start, win_end, by = "month"))
ret_wide <- stock %>%
  filter(id %in% top50_sel, month >= win_start, month <= win_end) %>%
  select(month, id, ret) %>% pivot_wider(names_from = id, values_from = ret)
for (i in setdiff(top50_sel, names(ret_wide))) ret_wide[[i]] <- NA_real_
ret_wide <- months %>% left_join(ret_wide, by = "month") %>% select(month, all_of(top50_sel))
names(ret_wide)[-1] <- stock_map$Name

window1 <- ret_wide %>%
  left_join(ff3 %>% select(month, Mkt, SMB, HML), by = "month") %>%
  mutate(Date = format(month, "%Y/%m")) %>%
  select(Date, starts_with("stock"), Mkt, SMB, HML)

cat("Table size:", nrow(window1), "rows x", ncol(window1), "columns\n")

## Table size: 36 rows x 54 columns

cat("Months with factor values:", sum(!is.na(window1$Mkt)), "of 36\n")

## Months with factor values: 25 of 36

4.1 Whiteboard-style table

excerpt <- window1 %>%
  select(Date, stock1, stock2, stock50, Mkt, SMB, HML) %>%
  mutate(across(-Date, ~ ifelse(is.na(.x), "NA", sprintf("%.4f", .x))))
dots <- excerpt[1, ]; dots[1, ] <- "..."

bind_rows(excerpt[1:3, ], dots, excerpt[34:36, ]) %>%
  rename(`stock 1` = stock1, `stock 2` = stock2, `stock 50` = stock50) %>%
  kable(align = "c", caption = "First window: stock returns and FF3 factors (decimals)") %>%
  kable_styling(full_width = FALSE, bootstrap_options = c("striped", "bordered"))

First window: stock returns and FF3 factors (decimals)
Date	stock 1	stock 2	stock 50	Mkt	SMB	HML
2018/01	NA	NA	NA	NA	NA	NA
2018/02	NA	NA	NA	NA	NA	NA
2018/03	NA	NA	NA	NA	NA	NA
…	…	…	…	…	…	…
2020/10	NA	NA	NA	0.0020	0.0050	0.0253
2020/11	NA	NA	NA	0.0933	-0.0027	0.0098
2020/12	NA	NA	NA	0.0744	-0.0313	0.0253

4.2 Full table (36 x 53)

window1 %>%
  kable(digits = 4, caption = "50 largest stocks (selected 2020/12) + Mkt, SMB, HML") %>%
  kable_styling(font_size = 10, bootstrap_options = c("striped", "condensed")) %>%
  scroll_box(width = "100%", height = "500px")

50 largest stocks (selected 2020/12) + Mkt, SMB, HML
Date	stock1	stock2	stock3	stock4	stock5	stock6	stock7	stock8	stock9	stock10	stock11	stock12	stock13	stock14	stock15	stock16	stock17	stock18	stock19	stock20	stock21	stock22	stock23	stock24	stock25	stock26	stock27	stock28	stock29	stock30	stock31	stock32	stock33	stock34	stock35	stock36	stock37	stock38	stock39	stock40	stock41	stock42	stock43	stock44	stock45	stock46	stock47	stock48	stock49	stock50	Mkt	SMB	HML
2018/01	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
2018/02	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
2018/03	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
2018/04	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
2018/05	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
2018/06	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
2018/07	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
2018/08	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
2018/09	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
2018/10	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
2018/11	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
2018/12	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	-0.0169	0.0133	-0.0211
2019/01	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	0.0196	0.0003	0.0008
2019/02	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	0.0447	0.0038	-0.0201
2019/03	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	0.0230	0.0050	-0.0148
2019/04	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	0.0298	-0.0203	0.0025
2019/05	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	-0.0433	0.0157	0.0227
2019/06	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	0.0319	-0.0139	-0.0079
2019/07	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	0.0294	0.0140	0.0099
2019/08	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	-0.0128	0.0220	-0.0117
2019/09	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	0.0212	-0.0146	-0.0098
2019/10	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	0.0474	-0.0225	-0.0130
2019/11	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	0.0108	-0.0194	0.0349
2019/12	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	0.0448	-0.0081	-0.0156
2020/01	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	-0.0434	-0.0081	-0.0025
2020/02	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	-0.0185	-0.0008	-0.0035
2020/03	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	-0.1390	-0.0222	-0.0232
2020/04	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	0.1318	0.0595	0.0192
2020/05	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	-0.0052	0.0552	-0.0033
2020/06	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	0.0673	0.0038	0.0163
2020/07	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	0.1055	-0.0549	-0.0662
2020/08	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	-0.0010	0.0556	0.0763
2020/09	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	-0.0039	-0.0030	0.0063
2020/10	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	0.0020	0.0050	0.0253
2020/11	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	0.0933	-0.0027	0.0098
2020/12	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	0.0744	-0.0313	0.0253

4.3 Stock code map

kable(stock_map) %>% kable_styling(full_width = FALSE)

Name	TEJ code
stock1	stock1
stock2	stock2
stock3	stock3
stock4	stock4
stock5	stock5
stock6	stock6
stock7	stock7
stock8	stock8
stock9	stock9
stock10	stock10
stock11	stock11
stock12	stock12
stock13	stock13
stock14	stock14
stock15	stock15
stock16	stock16
stock17	stock17
stock18	stock18
stock19	stock19
stock20	stock20
stock21	stock21
stock22	stock22
stock23	stock23
stock24	stock24
stock25	stock25
stock26	stock26
stock27	stock27
stock28	stock28
stock29	stock29
stock30	stock30
stock31	stock31
stock32	stock32
stock33	stock33
stock34	stock34
stock35	stock35
stock36	stock36
stock37	stock37
stock38	stock38
stock39	stock39
stock40	stock40
stock41	stock41
stock42	stock42
stock43	stock43
stock44	stock44
stock45	stock45
stock46	stock46
stock47	stock47
stock48	stock48
stock49	stock49
stock50	stock50

Fama-French 3-Factor Model: Data Preparation (First Window)

Yesuigen Temuujin

2026-11-10

1. Settings

2. Fama-French factors (data from `TOP50__2018-2025.xlsx`)

3. Stock data (top 50 and returns)

3.1 The 50 largest stocks each month (2017/11 - 2025/12)

4. First window: 2018/01 - 2020/12

4.1 Whiteboard-style table

4.2 Full table (36 x 53)

4.3 Stock code map

Fama-French 3-Factor Model: Data Preparation (First Window)

Yesuigen Temuujin

2026-11-10

1. Settings

2. Fama-French factors (data from TOP50__2018-2025.xlsx)

3. Stock data (top 50 and returns)

3.1 The 50 largest stocks each month (2017/11 - 2025/12)

4. First window: 2018/01 - 2020/12

4.1 Whiteboard-style table

4.2 Full table (36 x 53)

4.3 Stock code map

2. Fama-French factors (data from `TOP50__2018-2025.xlsx`)