A Cap-Axis Integral Diagnostic of Factor Models

Résumé Technique : Un Diagnostic Intégral sur l'Axe de la Capitalisation pour les Modèles de Facteurs

Énoncé du Problème
L'évaluation standard de l'évaluation des actifs repose sur des critères tels que l'étalement factoriel (factor spanning), les comparaisons de ratio de Sharpe maximal et les tests d'alpha conjoints sur des ensembles finis d'actifs de test. Bien qu'un Facteur d'Actualisation Stochastique (SDF) correctement spécifié implique à la fois des alphas nuls et une efficacité moyenne-variance, les modèles factoriels empiriques sont des approximations de faible dimension où ces critères peuvent diverger. Un modèle peut réussir à étendre la frontière moyenne-variance (en améliorant le ratio de Sharpe maximal) tout en laissant des erreurs de prix systématiques sur des sous-espaces économiquement significatifs que les tests standards compressent en un verdict scalaire unique ou cachent au sein de portefeuilles agrégés. Les tests existants échouent souvent à révéler où résident les erreurs de prix le long de la structure interne du marché, particulièrement en ce qui concerne la distribution des erreurs à travers l'axe de la capitalisation boursière.

Méthodologie
Le papier propose un diagnostic intégral sur l'axe de la capitalisation qui élève les erreurs de prix des modèles factoriels en une fonction continue le long de l'axe du rang de capitalisation boursière.

1. Construction du Pont :

   • Les actifs sont triés par capitalisation boursière décroissante.
   • Pour toute part de valeur de marché cumulative $p \in [0, 1]$, un « pont » de portefeuille à investissement nul est formé : l'achat du préfixe des plus grandes capitalisations (top-$p$) du marché et la vente à découvert d'une exposition égale à la valeur de marché de l'agrégat du marché.
   • Ce pont, $D_t(p)$, est nul aux deux extrémités ($p=0$ et $p=1$) par construction.

2. La Courbe d'Alpha du Pont (Bridge-Alpha Curve) :

   • Le rendement du pont est régressé sur un modèle factoriel $f_{m,t}$ pour estimer une fonction d'alpha $\alpha_m(p)$.
   • La courbe résultante, $p \mapsto \alpha_m(p)$, représente la distribution de l'erreur de prix le long de l'axe du rang de capitalisation.
   • Sous une « porte du marché agrégé » (exigeant que le modèle évalue le marché agrégé avec un alpha nul), une courbe d'alpha de pont nulle est nécessaire et suffisante pour que le modèle évalue le sous-espace linéaire fermé généré par le marché agrégé et tous les ponts de l'axe de la capitalisation.

3. Fonctionnelles Statistiques :
   La courbe est résumée par quatre fonctionnelles pour séparer la direction, la magnitude et la distorsion locale :

   • Aire Signée ($\widehat{SA}$) : Mesure le biais directionnel ; équivalent à l'alpha d'un portefeuille unique de « zone de rang » avec des poids $(1/2 - u)$.
   • Erreur Absolue Intégrée ($\widehat{IAE}$) : Mesure la magnitude totale de la distorsion sans annulation de signe.
   • Erreur Quadratique Intégrée ($\widehat{ISE}$) : Mesure la distoration quadratique totale.
   • Suprémum ($\widehat{SUP}$) : Enregistre la plus grande distorsion locale.

4. Inférence et Placebos :

   • Inférence HAC : Teste si l'aire signée est statistiquement significative par rapport à l'incertitude des séries temporelles (erreurs standards de Newey–West).
   • Placebos d'Ordre : Un benchmark apparié où les dates, les rendements et les poids de marché sont fixés, mais où l'ordre des actions est randomisé. Cela teste si la forme du pont observée est spécifique au rang de capitalisation ou s'il s'agit d'une caractéristique générale de la distribution des rendements.
   • Correction Lead–Lag : Appliquée aux données quotidiennes pour traiter le trading non synchrone, agrégeant les avances (leads) et retards (lags) des facteurs pour corriger l'atténuation du bêta.

Résultats Clés
Le diagnostic est appliqué aux données CRSP du marché investissable de 1967 à 2024 sur 154 facteurs et plusieurs modèles standards (CAPM, Fama–French, Carhart, q5).

1. Distorsions selon la Fréquence :

   • Fréquence Quotidienne : Le modèle q5 présente une courbe d'alpha de pont négative, unilatérale et robuste (aire signée $\approx -39,6$ pb). Cette distorsion est hautement significative et passe les placebos d'ordre. Cependant, elle s'atténue rapidement sous les corrections lead–lag, suggérant qu'elle est pilotée par un trading non synchrone à court horizon.
   • Fréquence Mensuelle : La distorsion du q5 disparaît presque totalement. À l'inverse, les modèles Fama–French (FF3, FF5, FF6) et Carhart affichent un pont positif, unilatéral et significatif (aire signée $\approx +32$ pb) qui est plus marqué à la fréquence mensuelle qu'à la fréquence quotidienne.
   • Conclusion : Les erreurs de prix sont localisées par horizon ; différents modèles laissent des erreurs à différentes fréquences.

2. Coordonnées au Niveau des Facteurs :

   • À travers 154 facteurs, l'empreinte sur l'axe de la capitalisation (mesurée par $\widehat{IAE}$) est distincte du gain de ratio de Sharpe maximal ($\Delta SR$). La corrélation de rang est faible (0,15).
   • Un facteur peut améliorer significativement la frontière de Sharpe tout en laissant une empreinte d'alpha nul importante sur le sous-espace du rang de capitalisation (ex: l'Expected Growth du q5 possède le gain de Sharpe le plus élevé et la plus grande empreinte).
   • L'empreinte n'est pas mécaniquement expliquée par l'exposition conventionnelle à la taille. La régression de la magnitude de l'empreinte sur les chargements du facteur de taille produit un $R^2$ proche de zéro, indiquant que le diagnostic capture une caractéristique distincte du comportement des facteurs au-delà de la simple exposition à la taille.

3. Résolution vs Déciles de Taille :

   • Les tests de déciles de taille standards compressent le marché en 10 bacs, le décile supérieur détenant environ 60 % de la valeur de marché. Cette agrégation masque la structure interne.
   • Le diagnostic de l'axe de la capitalisation résout le décile supérieur en un chemin continu, révélant que les erreurs de prix culminent souvent à l'intérieur du bac dominant (ex: à $p \approx 0,33$ ou $0,45$) plutôt qu'aux frontières des bacs. Un modèle pourrait réussir un test de décile tout en échouant au diagnostic de l'axe de la capitalisation en raison d'erreurs internes cachées.

Signification et Revendications
Le papier affirme ajouter un complément de zéro-alpha restreint aux outils standards d'évaluation des modèles.

• Distinctness (Distinctivité) : Il démontre que l'ajustement au marché agrégé, l'amélioration du ratio de Sharpe maximal et la cohérence de l'alpha nul restreint sur le sous-espace du rang de capitalisation sont des critères empiriques distincts. Un modèle peut passer le test du marché agrégé et étendre la frontière tout en échouant au diagnostic de l'axe de la capitalisation.
• Localization (Localisation) : Contrairement aux tests scalaires, le diagnostic identifie la direction, la magnitude, la localisation et la fréquence des erreurs de prix le long d'une coordonnée fixe interne au marché.
• Non-Substituabilité : Il ne remplace pas les tests d'étalement (spanning) ou les tests de bacs de taille, mais révèle des informations que ces derniers compressent. Il montre que les « SDF approximatifs » peuvent placer leurs erreurs de prix à différents horizons (quotidien vs mensuel) et que la cohérence au niveau du modèle peut résulter de l'annulation des empreintes marginales de ses facteurs constituants.
• Utilité : La courbe d'alpha du pont sert d'objet fonctionnel qui peut être utilisé pour la construction de facteurs (minimiser l'IAE) ou la décomposition de blocs de facteurs, offrant une vue à haute résolution des erreurs de prix que les tests standards occultent.

Le papier reste modeste dans son champ d'application, reconnaissant que réussir le diagnostic n'implique pas une pleine validité du SDF (car il ignore le momentum, la valeur et d'autres directions non liées au rang de capitalisation), et que l'échouer n'implique pas un manque de valeur moyenne-variance. Sa contribution primaire est l'instrument de mesure lui-même.