High dimensional alpha test for linear factor pricing model with $L_q$-norm

1. Problema e Contesto

Il lavoro si concentra sul test dell'ipotesi nulla di assenza di alfa (errori di pricing zero) nei modelli di pricing lineare a fattori in contesti ad alta dimensionalità.

• Modello: $Y_{it} = \alpha_i + \beta_i^T f_t + \varepsilon_{it}$, dove $Y_{it}$ è il rendimento in eccesso dell'asset $i$, $f_t$ è un vettore di fattori di rischio osservati, e $\alpha_i$ è l'intercetta (alfa).
• Ipotesi: $H_0: \alpha = 0$ contro $H_1: \alpha \neq 0$.
• Sfida Dimensionale: Il numero di asset ($N$) è grande rispetto alla dimensione temporale ($T$), una situazione comune nei dati finanziari moderni. In questo regime, i metodi classici (come il test GRS o i test Wald) falliscono a causa dell'instabilità o dell'impossibilità di invertire la matrice di covarianza degli errori.
• Limitazione della Letteratura Esistente: I metodi attuali si dividono in due categorie geometriche:
  1. Statistiche basate sulla somma dei quadrati ($L_2$): efficaci quando le alternative sono dense (molti alfa piccoli ma collettivamente significativi).
  2. Statistiche di tipo "max" ($L_\infty$): potenti quando le alternative sono molto sparse (pochi alfa molto grandi).
     Tuttavia, il livello di sparsità degli errori di pricing nella realtà è spesso sconosciuto, rendendo i metodi esistenti non robusti se la struttura dell'alternativa non corrisponde al loro regime di progettazione.

2. Metodologia Proposta

Gli autori sviluppano un quadro unificato basato sulle norme $L_q$ per un $q$ finito (in particolare $q=4$ e $q=6$) e propongono una combinazione adattiva.

A. Test basati sulla norma $L_q$

Vengono definiti statistiche basate sulle potenze pari dei t-statistic individuali ($t_i$).

• Le statistiche sono costruite come medie normalizzate di potenze pari: $Q_{a,N} = \frac{1}{\sqrt{N}} \sum_{i=1}^N (t_i^a - \mu_{a,v})$, con $a \in \{2, 4, 6\}$.
• Relazione con la Sparsità:
  • $L_2$ ($a=2$): Ottimale per alternative dense.
  • $L_4$ e $L_6$: Interpolano tra $L_2$ e $L_\infty$. All'aumentare di $q$, la sensibilità alle alternative sparse aumenta.
  • $L_\infty$: Corrisponde al limite per $q \to \infty$ (statistica max).
• Asintotica: Sotto l'ipotesi nulla e condizioni di regolarità (fattori stazionari, modello a componenti indipendenti per gli errori, dipendenza trasversale debole), le statistiche $Q_{a,N}$ convergono a una distribuzione normale multivariata. Viene proposta una stima della matrice di covarianza tramite thresholding delle correlazioni residue per gestire la dipendenza trasversale.

B. Indipendenza Asintotica

Un risultato teorico fondamentale è la dimostrazione dell'indipendenza asintotica tra la statistica $L_\infty$ (max-type) e le statistiche $L_q$ per qualsiasi $q$ finito. Questo risultato è cruciale perché permette di combinare statistiche che catturano regimi di sparsità diversi senza dover stimare una struttura di dipendenza complessa tra di esse.

C. Test di Combinazione di Cauchy

Per superare l'incertezza sulla sparsità dell'alternativa, gli autori propongono un test di combinazione di Cauchy:
$$T_{C,N} = \frac{1}{4} \sum_{a \in \{2,4,6,\infty\}} \tan\left\{ \pi \left( \frac{1}{2} - p_a \right) \right\}$$
dove $p_a$ sono i p-value asintotici dei singoli test ($L_2, L_4, L_6, L_\infty$).

• Vantaggi: Grazie all'indipendenza asintotica, la coda della distribuzione combinata segue una distribuzione di Cauchy standard. Questo evita la necessità di simulazioni ripetute o bootstrap computazionalmente costosi per la calibrazione congiunta.
• Robustezza: La trasformazione di Cauchy è a coda pesante, permettendo al test di essere guidato dal componente più informativo (il p-value più piccolo) senza perdere sensibilità se l'alternativa è di tipo intermedio.

3. Risultati Principali

Risultati Teorici

1. Normalità Asintotica: Le statistiche $L_q$ sono asintoticamente normali sotto $H_0$.
2. Potenza: L'analisi della potenza locale mostra che:
   • Per alternative dense/deboli, $L_2$ è superiore.
   • Per alternative molto sparse/forti, $L_\infty$ e $L_6$ dominano.
   • Per sparsità moderata, $L_4$ offre un ottimo compromesso.
3. Indipendenza: La prova dell'indipendenza tra il blocco normale ($L_2, L_4, L_6$) e la statistica di estremo valore ($L_\infty$) giustifica teoricamente l'uso della combinazione di Cauchy.

Risultati Empirici (Simulazioni)

• Controllo della Dimensione: I test mantengono un controllo della dimensione (size) soddisfacente in scenari con errori non gaussiani (distribuzione t-Student), dipendenza trasversale spaziale e fattori latenti.
• Potenza: Il test combinato (CC) mostra una potenza robusta su un ampio spettro di alternative, superando i singoli test quando la sparsità è sconosciuta.
• Scelta di $L_4$: Nei casi in cui si preferisce un singolo test semplice, $L_4$ emerge come un compromesso eccellente tra robustezza e semplicità, performando bene sia in scenari moderatamente sparsi che densi.

Applicazione Reale (Dati CAPM)

• Dataset: Rendimento mensile delle azioni S&P 500 (2005-2024).
• Metodo: Analisi a finestra mobile per testare la validità del CAPM nel tempo.
• Risultati:
  • I test $L_2$ e $L_4$, insieme alle combinazioni, rilevano sistematicamente scostamenti dall'ipotesi di alfa zero, specialmente durante periodi di turbolenza di mercato (es. pandemia COVID-19).
  • Il test $L_\infty$ è meno sensibile, suggerendo che gli errori di pricing non sono guidati da pochi asset estremi, ma da un pattern più diffuso o moderatamente sparso.
  • I risultati confermano che la misspecificazione del modello è strutturale e non solo episodica.

4. Contributi Chiave

1. Quadro Unificato $L_q$: Estensione della prospettiva delle norme $L_q$ (fino ad ora usata per la media ad alta dimensionalità) ai modelli di pricing a fattori, fornendo un continuum interpretabile di test basato sulla sensibilità alla sparsità.
2. Teorema di Indipendenza: Dimostrazione rigorosa dell'indipendenza asintotica tra statistiche di tipo somma (norme finite) e statistiche di tipo max ($L_\infty$) in questo contesto specifico.
3. Procedura Adattiva Efficiente: Introduzione di un test di combinazione di Cauchy che è teoricamente calibrato, computazionalmente efficiente (nessun bootstrap) e robusto alla sparsità sconosciuta.

5. Significato e Implicazioni

Questo lavoro fornisce agli econometrici e ai gestori finanziari uno strumento robusto per la validazione dei modelli di pricing in un mondo di dati ad alta dimensionalità.

• Pratica: Risolve il dilemma della scelta del test quando la struttura dell'errore (sparsità) è ignota. Invece di rischiare di scegliere il test sbagliato ($L_2$ vs $L_\infty$), la combinazione di Cauchy o l'uso di $L_4$ offrono una soluzione "sicura".
• Teorica: Colma un vuoto nella letteratura sui test di alfa ad alta dimensionalità, spostando il focus da approcci binari (somma vs max) a un approccio continuo e adattivo.
• Futuro: Apre la strada a estensioni per dati con dipendenza temporale (serie storiche) e modelli a fattori dinamici, aree identificate come direzioni future di ricerca.

In sintesi, il paper propone una metodologia statistica avanzata che combina rigore teorico e utilità pratica, migliorando significativamente la capacità di rilevare anomalie di pricing nei mercati finanziari moderni.