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

तकनीकी सारांश: कारक मॉडलों का एक विशेषता-अक्ष समाकल निदान (A Characteristic–Axis Integral Diagnosis of Factor Models)

समस्या विवरण
मानक परिसंपत्ति-मूल्य निर्धारण निदान, जैसे कि गिबन्स-रोस-शँकेन (GRS) परीक्षण या विशेषता-वर्गीकृत पोर्टफोलio परीक्षण, यह मूल्यांकन करते हैं कि क्या एक कारक मॉडल चयनित परीक्षण परिसंपत्तियों का मूल्य निर्धारण करता है। हालाँकि, ये परीक्षण अक्सर मनमाने पोर्टफोलियो निर्माण विकल्पों (जैसे, डेसाइल बिनिंग) पर निर्भर करते हैं और एक आर्थिक समन्वय (economic coordinate) के साथ विशिष्ट स्थान या आकार को प्रकट करने में विफल हो सकते हैं। इसके विपरीत, स्पैनिंग परीक्षण और अधिकतम-शार्प अनुपात तुलना निवेश अवसर सेट के विस्तार का आकलन करती हैं, लेकिन वे यह पहचान नहीं पाती हैं कि एक प्रतिबंधित उप-स्थान (restricted subspace) के भीतर व्यवस्थित मूल्य निर्धारण त्रुटियाँ (alphas) कहाँ शेष रहती हैं। एक अंतराल (gap) मौजूद है: एक मॉडल के कारक स्पैन (factor span) का मूल्यांकन करने और पूर्व-निर्धारित आर्थिक विशेषता निर्देशांकों पर शून्य-अल्फा मूल्य निर्धारण को सत्यापित करने के बीच। यह शोध पत्र एक ऐसे निदान की आवश्यकता को संबोधित करता है जो अल्फाओं के एक असतत (discrete) पोर्टफोलio सेट के बजाय एक विशेषता अक्ष के साथ एक निरंतर फलन (continuous function) के रूप में मूल्य निर्धारण त्रुटियों को मापता है।

कार्यप्रणाली
यह शोध पत्र एक विशेषता-अक्ष समाकल निदान (characteristic-axis integral diagnostic) प्रस्तुत करता है जो पिछले "कैप-एक्सिस" ढांचे को मनमाने फर्म विशेषताओं (जैसे, बुक-टू-मार्केट, लाभप्रदता, निवेश, मोमेंटम) के लिए सामान्य बनाता है।

1. ब्रिज निर्माण (Bridge Construction):

   • शेयरों को पूर्व-निर्धारित (ex ante) एक विशिष्ट विशेषता $x$ (जैसे, बुक-टू-मार्केट के घटते क्रम) द्वारा वर्गीकृत किया जाता है।
   • किसी भी कटऑफ $p \in [0, 1]$ के लिए, एक "प्रिफिक्स पोर्टफोलियो" (prefix portfolio) बनाया जाता है जिसमें सॉर्ट किए गए ब्रह्मांड का शीर्ष $p$ अंश शामिल होता है, जिसका भार बाजार पूंजीकरण द्वारा निर्धारित होता है।
   • एक "ब्रिज रिटर्न" $D^x_t(p)$ का निर्माण एक समान-एक्सपोज़र एग्रीगेट पोर्टफोलियो ($p \times R^{A,x}_t$) को प्रिफिक्स पोर्टफोलियो से घटाकर किया जाता है। यह एक शून्य-निवेश पोर्टफोलियो बनाता है जो प्रिफिक्स के एग्रीगेट से विचलन को अलग करता है।
   • ब्रिज को एंडपॉइंट्स ($p=0$ और $p=1$) पर बंद किया जाता है, जिससे यह सुनिश्चित होता है कि $D^x_t(0) = D^x_t(1) = 0$।

2. ब्रिज-अल्फा वक्र (Bridge-Alpha Curve):

   • ब्रिज रिटर्न को प्रत्येक कटऑफ $p$ पर एक कारक मॉडल $m$ पर रिgress किया जाता है:
     $$D^x_t(p) = \alpha^x_m(p) + \beta^x_m(p)'f_{m,t} + \varepsilon^x_{m,t}(p)$$
   • परिणामी फलन $p \mapsto \alpha^x_m(p)$ ब्रिज-अल्फा वक्र है।
   • शून्य-वक्र प्रतिबंध (null hypothesis) यह है कि $\alpha^x_m(p) = 0$ सभी $p \in [0, 1]$ के लिए। इसका तात्पर्य है कि मॉडल विशेषता क्रम द्वारा उत्पन्न प्रत्येक प्रिफिक्स, टेल, अंतराल और स्टेप-फंक्शन पोर्टफोलियो का मूल्य निर्धारण करता है।

3. कार्यात्मक सारांश (Functional Summaries):

   • बिंदुवार परीक्षणों के बजाय, वक्र को चार कार्यात्मकों (functionals) द्वारा संक्षेपित किया जाता है:
     • हस्ताक्षरित क्षेत्र (Signed Area - SA): $\int \alpha^x_m(p) dp$, जो दिशात्मक विरूपण को मापता है।
     • एकीकृत पूर्ण त्रुटि (Integrated Absolute Error - IAE): $\int |\alpha^x_m(p)| dp$, जो बिना संकेत प्रतिस्थापन (sign cancellation) के कुल विरूपण को मापता है।
     • एकीकृत वर्ग त्रुटि (Integrated Squared Error - ISE): $\int \alpha^x_m(p)^2 dp$, जो बड़े स्थानीय त्रुटियों को अधिक महत्व देता है।
     • सुप्रिमम नॉर्म (Supremum Norm - SUP): $\sup |\alpha^x_m(p)|$, जो अधिकतम स्थानीय त्रुटि को रिकॉर्ड करता है।
   • SA के लिए, 'रैंक-एरिया पोर्टफोलियो' के रैखिक भार $(1/2 - u)$ के साथ एकल अल्फा के बराबर है।

4. अनुमान (Inference):

   • SA के लिए अनुमान लगाने हेतु मानक HAC t-परीक्षणों का उपयोग किया जाता है।
   • IAE, ISE और SUP (गैर-रेखीय कार्यात्मकों) के लिए, एक परिमित-ग्रिड (finite-grid) HAC-गौसियन-प्रक्रिया सन्निकटन का उपयोग किया जाता है। ब्रिज-अल्फा एस्टिमेटर के दीर्घकालिक सहप्रसरण (long-run covariance) का अनुमान लगाया जाता है, और शून्य-वक्र नल के तहत सिमुलेशन (या ब्लॉक-बूटस्ट्रैप) के माध्यम से महत्वपूर्ण मान (critical values) प्राप्त किए जाते हैं।

प्रमुख अनुभवजन्य परिणाम
इस निदान को चार अक्षों (axes) पर CRSP डेटा (1967–2024) पर लागू किया गया है: वैल्यू (HML), ऑपरेटिंग प्रॉफिटेबिलिटी (RMW), इन्वेस्टमेंट (CMA), और मोमेंटम (UMD)।

• संकेत प्रतिवर्तन और अति-सुधार (Sign Reversal and Overcorrection): एक आवर्ती पैटर्न उभर कर आता है। वे मॉडल जिनमें प्रति-कारक (counterpart factor) का अभाव होता है (जैसे, वैल्यू अक्ष पर CAPM), सकारात्मक ब्रिज-अल्फा वक्र छोड़ते हैं (अल्प-सुधार/undercorrection)। प्रति-कारक को जोड़ने से वक्र नीचे की ओर खिसक जाता है। हालाँकि, यह बदलाव अक्सर अति-सुधार (overcorrection) की ओर ले जाता है, जिससे वक्र शून्य से काफी नीचे चला जाता है।

  • वैल्यू अक्ष (Value Axis): HML वाले मॉडल (FF3, FF5, FF6) महत्वपूर्ण नकारात्मक हस्ताक्षरित क्षेत्र और उच्च IAE प्रदर्शित करते हैं, जो दर्शाता है कि वे वैल्यू प्रीमियम का अति-सुधार करते हैं। q5, जिसमें स्पष्ट वैल्यू फैक्टर नहीं है, लगभग शून्य वक्र छोड़ता है।
  • इन्वेस्टमेंट अक्ष (Investment Axis): निवेश कारकों (FF5, FF6, q5) वाले मॉडल महत्वपूर्ण नकारात्मक अति-सुधार दिखाते हैं। सबसे सपाट मॉडल कारहार्ट (Carhart) है (जिसमें निवेश कारक का अभाव है), हालाँकि इसका एग्रीगेट गेट (aggregate gate) विफल रहता है।
  • ऑपरेटिंग प्रॉफिटेबिलिटी (OP) अक्ष: अन्य अक्षों के विपरीत, प्रॉफिटेबिलिटी कारकों (FF5, FF 6) वाले मॉडल वक्र को सफलतापूर्वक सपाट करते हैं, जिससे महत्वहीन अल्फा प्राप्त होता है। q5 मासिक आवृत्ति पर मामूली नकारात्मक अति-सुधार दिखाता है, लेकिन डिमसन लीड-लैग सुधारों के तहत दैनिक अस्वीकरण गायब हो जाते हैं, जो यह सुझाव देता है कि यह एक टाइमिंग आर्टिफैक्ट है न कि एक स्थिर मूल्य निर्धारण त्रुटि।
  • मोमेंटम अक्ष (Momentum Axis): यह एक सकारात्मक नियंत्रण (positive control) के रूप में कार्य करता है। UMD वाले मॉडल (Carhart, FF6) बिना किसी महत्वपूर्ण अति-सुधार के वक्र को प्रभावी ढंग से सपाट करते हैं। q5 भी बिना UMD के पास होता है, संभवतः इसके ROE/EG ब्लॉक द्वारा मोमेंटम प्रीमियम को अवशोषित करने के कारण।

• मापकों की लंबवतता (Orthogonality of Metrics): शोध पाता है कि अधिकतम-शार्प लाभ ($\Delta SR$) और अक्ष-स्तरीय मूल्य निर्धारण त्रुटियाँ (IAE) लगभग लंबवत (orthogonal) हैं। ऐसे कारक जो अवसर सेट का विस्तार करते हैं (जैसे, q-EG), विशिष्ट अक्षों पर बड़ी मूल्य निर्धारण त्रुटियाँ छोड़ सकते हैं, जबकि मध्यम $\Delta SR$ वाले कारक सपाट वक्र उत्पन्न कर सकते हैं।

• मॉडल फिंगरप्रिंटिंग (Model Fingerprinting): कोई भी एकल मॉडल सभी अक्षों पर हावी नहीं है।

  • q5: वैल्यू और मोमेंटम पर पास होता है लेकिन इन्वेस्टमेंट पर खारिज हो जाता है।
  • FF5/FF6: OP पर सबसे सपाट है लेकिन वैल्यू और इन्वेस्टमेंट पर खारिज हो जाता है।
  • Carhart: इन्वेस्टमेंट और मोमेंटम पर स्थिर है लेकिन वैल्यू पर खारिज हो जाता है।

महत्व और दावे
यह शोध पत्र दावा करता है कि यह मौजूदा परीक्षणों (GRS, स्पैनिंग, शार्प अनुपात) को बदलने के बजाय उन्हें पूरक बनाने वाला एक कार्यात्मक निदान (functional diagnostic) प्रदान करता है। इसके प्राथमिक योगदान हैं:

1. विभेदन (Resolution): यह मूल्य निर्धारण त्रुटियों को असतत पोर्टफोलियो अल्फाओं से एक निरंतर फलन में परिवर्तित करता है, जो विशेषता निर्देशांक के साथ त्रुटि के दिशा, परिमाण, स्थान और स्थानीय एकाग्रता को प्रकट करता है।
2. प्रतिबंधित मूल्य निर्धारण (Restricted Pricing): यह एक विशिष्ट, प्रतिबंधित उप-स्थान का परीक्षण करता है जो एक पूर्व-निर्धारित विशेषता द्वारा उत्पन्न होता है। एक अक्ष को पास करने का अर्थ है कि मॉडल उस क्रम द्वारा उत्पन्न सभी पोर्टफोलियो का मूल्य निर्धारण करता है, न कि यह कि वह पूरे बाजार के लिए एक वैध स्टोकेस्टिक डिस्काउंटिंग फंक्शन (SDF) है।
3. कारक निर्माण संवेदनशीलता (Factor Construction Sensitivity): परिणाम बताते हैं कि मूल्य निर्धारण त्रुटियाँ न केवल मॉडल में किसी विशेषता प्रीमियम की उपस्थिति पर, बल्कि इस पर भी निर्भर करती हैं कि उस प्रीमियम को कैसे लागू किया गया है (जैसे, 2x3 सॉर्टिंग बनाम प्रत्यक्ष विशेषता सॉर्टिंग)। अति-सुधार का कारण कारक निर्माण (जो अक्सर आकार-तटस्थ होता है) और कैप-वेटेड विशेषता रैंक समन्वय के बीच बेमेल होना है।
4. विशिष्ट मूल्यांकन मानदंड: यह स्थापित करता है कि शार्प अनुपात को अधिकतम करना और अक्ष-स्तरीय विरूपण को कम करना अलग-अलग उद्देश्य हैं। एक कारक सीमा (frontier) में सुधार कर सकता है, फिर भी विशिष्ट अक्ष पर व्यवस्थित मूल्य निर्धारण त्रुटियाँ छोड़ सकता है।

लेखक इस बात पर जोर देते हैं कि यह निदान एक पूर्व-निर्दिष्ट उप-स्थान पर मूल्य निर्धारण के बारे में एक "संकीर्ण लेकिन मजबूत" कथन है। यह इस बहस को हल करने का दावा नहीं करता है कि विशेषताएँ जोखिम या अपेक्षित रिटर्न का प्रतिनिधित्व करती हैं, बल्कि यह मापने के लिए एक उच्च-रिज़ॉल्यूशन उपकरण प्रदान करता है कि मॉडल विशिष्ट आर्थिक निर्देशांकों पर कहाँ और कैसे विफल होते हैं। मजबूती जांच (कारक प्रतिकृति, ब्लॉक-बूटस्ट्रैपिंग और परिमित-नमूना अंशांकन) पुष्टि करती है कि परिणाम डेटा निर्माण या अनुमान प्रक्रियाओं के आर्टिफैक्ट नहीं हैं।