A Cap-Axis Integral Diagnostic of Factor Models

Resumen Técnico: Un Diagnóstico Integral de Eje de Capital para Modelos de Factores

Planteamiento del Problema
La evaluación estándar de la valoración de activos se basa en criterios tales como el spanning de factores, comparaciones de la razón de Sharpe máxima y pruebas de alfa conjunto sobre conjuntos finitos de activos de prueba. Si bien un Factor de Descuento Estocástico (SDF) correctamente especificado implica tanto alfas de cero como eficiencia de media-varianza, los modelos de factores empíricos son aproximaciones de baja dimensión donde estos criterios pueden separarse. Un modelo puede expandir con éxito la frontera de media-varianza (mejorando la razón de Sharpe máxima) mientras deja errores de valoración sistemáticos en subespacios económicamente significativos que las pruebas estándar comprimen en un único veredicto escalar o esconden dentro de carteras agregadas. Las pruebas existentes a menudo no logran revelar dónde residen los errores de valoración a lo largo de la estructura interna del mercado, particularmente en lo que respecta a la distribución de los errores a través del eje de capitalización de mercado.

Metodología
El artículo propone un diagnóstico integral de eje de capital que eleva los errores de valoración de los modelos de factores a una función continua a lo largo del eje de rango de capitalización de mercado.

1. Construcción del Puente:

   • Los activos se ordenan por capitalización de mercado descendente.
   • Para cualquier participación de valor de mercado acumulada $p \in [0, 1]$, se forma una cartera de inversión cero "puente": larga la parte inicial (prefix) del top-$p$ del mercado y corta una exposición igual de valor de mercado del mercado agregado.
   • Este puente, $D_t(p)$, es cero en ambos extremos ($p=0$ y $p=1$) por construcción.

2. La Curva de Alfa del Puente:

   • El retorno del puente se regresa sobre un modelo de factores $f_{m,t}$ para estimar una función de alfa $\alpha_m(p)$.
   • La curva resultante, $p \mapsto \alpha_m(p)$, representa la distribución del error de valoración a lo largo del eje de rango de capital.
   • Bajo una "puerta de mercado agregado" (que requiere que el modelo valore el mercado agregado con alfa cero), una curva de alfa de puente de cero es necesaria y suficiente para que el modelo valore el subespacio lineal cerrado generado por el mercado agregado y todos los puentes del eje de capital.

3. Estadísticos Funcionales:
   La curva se resume mediante cuatro funcionales para separar dirección, magnitud y distorsión local:

   • Área con Signo ($\widehat{SA}$): Mide la inclinación direccional; equivalente al alfa de una única cartera de "área de rango" con pesos $(1/2 - u)$.
   • Error Absoluto Integrado ($\widehat{IAE}$): Mide la magnitud de la distorsión total sin cancelación de signos.
   • Error Cuadrático Integrado ($\widehat{ISE}$): Mide la distorsión cuadrática total.
   • Supremo ($\widehat{SUP}$): Registra la mayor distorsión local.

4. Inferencia y Placebos:

   • Inferencia HAC: Prueba si el área con signo es estadísticamente significativa en relación con la incertidumbre de la serie temporal (errores estándar de Newey–West).
   • Placebos de Ordenamiento: Un benchmark emparejado donde las fechas, los retornos y los pesos de mercado se fijan, pero el orden de las acciones se randomiza. Esto prueba si la forma del puente observada es específica al rango de capitalización o si es una característica general de la distribución de retornos.
   • Corrección Lead–Lag: Aplicada a datos diarios para abordar el trading no sincrónico, agregando los adelantos (leads) y retrasos (lags) de los factores para corregir la atenuación de la beta.

Resultados Clave
El diagnóstico se aplica a datos de mercado invertible de CRSP de 1967–2024 a través de 154 factores y varios modelos estándar (CAPM, Fama–French, Carhart, q5).

1. Distorsiones Dependientes de la Frecuencia:

   • Frecuencia Diaria: El modelo q5 exhibe una curva de alfa de puente negativa y unilateral robusta (área con signo $\approx -39.6$ pb). Esta distorsión es altamente significativa y pasa los placebos de ordenamiento. Sin embargo, se atenúa rápidamente bajo correcciones de lead–lag, sugiriendo que es impulsada por un trading no sincrónico de corto horizonte.
   • Frecuencia Mensual: La distorsión del q5 casi desaparece. Por el contrario, los modelos Fama–French (FF3, FF5, FF6) y Carhart muestran un puente positivo y unilateral significativo (área con signo $\approx +32$ pb) que es más fuerte en la frecuencia mensual que en la diaria.
   • Conclusión: Los errores de valoración están localizados por horizonte; diferentes modelos dejan errores en diferentes frecuencias.

2. Coordenadas a Nivel de Factor:

   • A través de 154 factores, la huella del eje de capital (medida por $\widehat{IAE}$) es distinta de la ganancia de la razón de Sharpe máxima ($\Delta SR$). La correlación de rango es baja (0.15).
   • Un factor puede mejorar significativamente la frontera de Sharpe dejando una gran huella de alfa cero en el subespacio de rango de capital (por ejemplo, el Crecimiento Esperado de q5 tiene la mayor ganancia de Sharpe y la mayor huella).
   • La huella no es explicada mecánicamente por la exposición convencional al tamaño. Regresar la magnitud de la huella sobre las cargas del factor de tamaño arroja un $R^2$ cercano a cero, indicando que el diagnóstico captura una característica distinta del comportamiento de los factores más allá de la simple exposición al tamaño.

3. Resolución vs. Deciles de Tamaño:

   • Las pruebas estándar de deciles de tamaño comprimen el mercado en 10 cestas (bins), donde el decil superior contiene aproximadamente el 60% del valor de mercado. Esta agregación oculta la estructura interna.
   • El diagnóstico del eje de capital resuelve el decil superior en un camino continuo, revelando que los errores de valoración a menudo alcanzan su pico dentro del decil dominante (por ejemplo, en $p \approx 0.33$ o $0.45$) en lugar de en los límites de los deciles. Un modelo podría pasar una prueba de deciles mientras falla el diagnóstico del eje de capital debido a errores internos ocultos.

Significancia y Reivindicaciones
El artículo afirma añadir un complemento de alfa cero restringido a las herramientas estándar de evaluación de modelos.

• Distintividad: Demuestra que el ajuste del mercado agregado, la mejora de la razón de Sharpe máxima y la consistencia de alfa cero restringida en el subespacio de rango de capital son criterios empíricos distintos. Un modelo puede pasar el mercado agregado y expandir la frontera mientras falla el diagnóstico del eje de capital.
• Localización: A diferencia de las pruebas escalares, el diagnóstico identifica la dirección, magnitud, ubicación y frecuencia de los errores de valoración a lo largo de una coordenada fija interna del mercado.
• No Sustituibilidad: No reemplaza las pruebas de spanning ni las pruebas de deciles de tamaño, sino que revela información que estas comprimen. Muestra que los "SDF aproximados" pueden situar sus errores de valoración en diferentes horizontes (diario vs. mensual) y que la consistencia a nivel de modelo puede surgir de la compensación de las huellas marginales de los factores constituyentes.
• Utilidad: La curva de alfa del puente sirve como un objeto funcional que puede usarse para la construcción de factores (minimizando el IAE) o para la descomposición de bloques de factores, ofreciendo una visión de alta resolución de los errores de valoración que las pruebas estándar oscurecen.

El artículo mantiene un alcance modesto, reconociendo que pasar el diagnóstico no implica la validez total del SDF (ya que ignora el momentum, el valor y otras direcciones no relacionadas con el rango de capital) y que fallar no implica una falta de valor de media-varianza. Su principal contribución es el dispositivo de medición mismo.