Any Axes Are Allowed: A Characteristic-Axis Integral Diagnosis of Factor Models

Resumen Técnico: Un Diagnóstico de Integrales de Eje de Características para Modelos de Factores

Planteamiento del Problema
Los diagnósticos estándar de valoración de activos, como la prueba de Gibbons–Ross–Shanken (GRS) o las pruebas de carteras clasificadas por características, evalúan si un modelo de factores valora un conjunto seleccionado de activos de prueba. Sin embargo, estas pruebas suelen depender de elecciones arbitrarias en la construcción de carteras (por ejemplo, la agrupación en deciles) y pueden no revelar la ubicación o forma específica de los errores de valoración a lo largo de una coordenada económica. Por el contrario, las pruebas de expansión (spanning tests) y las comparaciones de la razón de Sharpe máxima evalúan la expansión del conjunto de oportunidades de inversión, pero no identifican dónde permanecen los errores de valoración sistemáticos (alfa) dentro de un subespacio restringido. Existe una brecha entre evaluar el espacio de expansión de un factor y verificar la valoración de alfa cero en coordenadas de características preespecificadas y económicamente significativas. Este documento aborda la necesidad de un diagnóstico que mida los errores de valoración como una función continua a lo largo de un eje de características, en lugar de como un conjunto discreto de alfas de carteras.

Metodología
El documento introduce un diagnóstico de integral de eje de características que generaliza un marco previo de "eje de tope" (cap-axis) para características de empresas arbitrarias (por ejemplo, valor contable sobre valor de mercado, rentabilidad, inversión, momentum).

1. Construcción del Puente:

   • Las acciones se clasifican ex ante por una característica específica $x$ (por ejemplo, orden descendente de book-to-market).
   • Para cualquier punto de corte $p \in [0, 1]$, se forma una "cartera de prefijo" que comprende la fracción superior $p$ del universo ordenado, ponderada por capitalización de mercado.
   • Se construye un retorno de "puente" $D^x_t(p)$ restando una cartera agregada de exposición igualitaria ($p \times R^{A,x}_t$) de la cartera de prefijo. Esto crea una cartera de inversión cero que aísla la desviación del prefijo respecto al agregado.
   • El puente se cierra en los extremos ($p=0$ y $p=1$), asegurando que $D^x_t(0) = D^x_t(1) = 0$.

2. Curva de Alfa del Puente:

   • El retorno del puente se regresa contra un modelo de factores $m$ en cada punto de corte $p$:
     $$D^x_t(p) = \alpha^x_m(p) + \beta^x_m(p)'f_{m,t} + \varepsilon^x_{m,t}(p)$$
   • La función resultante $p \mapsto \alpha^x_m(p)$ es la curva de alfa del puente.
   • La hipótesis nula es una restricción de curva cero: $\alpha^x_m(p) = 0$ para todo $p \in [0, 1]$. Esto implica que el modelo valora cada prefijo, cola, intervalo y cartera de función escalonada generada por el orden de la característica.

3. Resúmenes Funcionales:

   • En lugar de pruebas puntuales, la curva se resume mediante cuatro funcionales:
     • Área con Signo (SA): $\int \alpha^x_m(p) dp$, mide la distorsión direccional.
     • Error Absoluto Integrado (IAE): $\int |\alpha^x_m(p)| dp$, mide la distorsión total sin cancelación de signos.
     • Error Cuadrático Integrado (ISE): $\int \alpha^x_m(p)^2 dp$, pondera los errores locales de gran magnitud.
     • Norma del Supremo (SUP): $\sup |\alpha^x_m(p)|$, registra el error local máximo.
   • El Área con Signo es equivalente al alfa de una única "cartera de área de rango" con pesos lineales $(1/2 - u)$.

4. Inferencia:

   • La inferencia para SA utiliza pruebas t de HAC estándar sobre la cartera de área de rango.
   • La inferencia para IAE, ISE y SUP (funcionales no lineales) utiliza una aproximación de proceso gaussiano HAC de rejilla finita. Se estima la covarianza de largo plazo del estimador del alfa del puente, y los valores críticos se derivan mediante simulación (o block-bootstrap) bajo la hipótesis nula de curva cero.

Resultados Empíricos Clave
El diagnóstico se aplica a datos de CRSP (1967–2024) a través de cuatro ejes: Valor (HML), Rentabilidad Operativa (RMW), Inversión (CMA) y Momentum (UMD).

• Reversión de Signo y Sobrecorrección: Emerge un patrón recurrente. Los modelos que carecen del factor contraparte (por ejemplo, CAPM en el eje de Valor) tienden a dejar curvas de alfa de puente positivas (subcorrección). Añadir el factor contraparte desplaza la curva hacia abajo. Sin embargo, este desplazamiento a menudo resulta en una sobrecorrección, empujando la curva significativamente por debajo de cero.

  • Eje de Valor: Los modelos con HML (FF3, FF5, FF6) exhiben áreas con signo significativamente negativas y un IAE alto, lo que indica que sobrecorrigen la prima de valor. El modelo q5, al carecer de un factor de valor explícito, deja una curva cercana a cero.
  • Eje de Inversión: Los modelos con factores de inversión (FF5, FF6, q5) muestran una sobrecorrección negativa significativa. El modelo más plano es Carhart (que carece de un factor de inversión), aunque su puerta agregada falla.
  • Eje de Rentabilidad Operativa (OP): A diferencia de los otros ejes, los modelos con factores de rentabilidad (FF5, FF6) logran aplanar la curva con éxito, dejando alfas insignificantes. El modelo q5 muestra una ligera sobrecorrección negativa en la frecuencia mensual, pero los rechazos diarios desaparecen bajo las correcciones de rezago de Dimson, lo que sugiere un artefacto de temporalidad más que un error de valoración estable.
  • Eje de Momentum: Sirve como un control positivo. Los modelos con UMD (Carhart, FF6) aplanan la curva eficazmente sin una sobrecorrección significativa. El q5 también pasa sin UMD, probablemente debido a que su bloque ROE/EG absorbe las primas de momentum.

• Ortogonalidad de Métricas: El documento encuentra que los ganancias de Sharpe máximo ($\Delta SR$) y los errores de valoración a nivel de eje (IAE) son casi ortogonales. Los factores que expanden significativamente el conjunto de oportunidades (por ejemplo, q-EG) pueden dejar grandes errores de valoración en ejes específicos, mientras que los factores con $\Delta SR$ moderados pueden producir curvas más planas.

• Identificación de Modelos (Fingerprinting): Ningún modelo único domina en todos los ejes.

  • q5: Pasa en Valor y Momentum, pero es rechazado en Inversión.
  • FF5/FF6: Más planos en OP, pero rechazados en Valor e Inversión.
  • Carhart: Estable en Inversión y Momentum, pero rechazado en Valor.

Significado y Reivindicaciones
El documento afirma proporcionar un diagnóstico funcional que complementa, en lugar de reemplazar, las pruebas existentes (GRS, expansión, razón de Sharpe). Sus principales contribuciones son:

1. Resolución: Convierte los errores de valoración de un conjunto discreto de alfas de carteras en una función continua, revelando la dirección, magnitud, ubicación y concentración local de los errores a lo largo de una coordenada de característica.
2. Valoración Restringida: Prueba un subespacio específico y restringido generado por una característica preespecificada. Pasar un eje significa que el modelo valora todas las carteras generadas por ese orden, no que sea un Factor de Descuento Estocástico (SDF) válido para todo el mercado.
3. Sensibilidad de la Construcción de Factores: Los resultados sugieren que los errores de valoración dependen no solo de la presencia de una prima de característica en un modelo, sino de cómo se implementa esa prima (por ejemplo, clasificación 2x2 frente a clasificación directa por característica). La sobrecorrección se atribuye a un desajuste entre la construcción del factor (a menudo neutralizada por tamaño) y la coordenada de rango de capitalización de la característica.
4. Criterios de Evaluación Distintos: El documento establece que maximizar la razón de Sharpe y minimizar la distorsión a nivel de eje son objetivos separados. Un factor puede mejorar la frontera dejando, al mismo tiempo, errores de valoración sistemáticos en un eje de característica específico.

El autor enfatiza que el diagnóstico es una declaración "estrecha pero fuerte" sobre la valoración en un subespacio restringido. No pretende resolver el debate sobre si las características actúan como indicadores de riesgo o de retornos esperados, sino que proporciona una herramienta de alta resolución para medir dónde y cómo fallan los modelos de factores al valorar coordenadas económicas específicas. Las pruebas de robustez (replicación de factores, block-bootstrapping y calibración de muestra finita) confirman que los resultados no son artefactos de la construcción de los datos o de los procedimientos de inferencia.