A Cap-Axis Integral Diagnostic of Factor Models

Sintesi Tecnica: Una Diagnostica Integrale sull'Asse della Capitalizzazione per i Modelli Fattoriali

Enunciato del Problema
La valutazione standard dei modelli di pricing degli asset si basa su criteri quali lo spanning fattoriale, i confronti del rapporto di Sharpe massimo e i test congiunti di alpha su insiemi finiti di asset di test. Sebbene un Fattore di Sconto Stocastico (SDF) correttamente specificato implichi sia alfa nulli che l'efficienza media-varianza, i modelli fattoriali empirici sono approssimazioni a bassa dimensionalità dove tali criteri possono divergere. Un modello può espandere con successo la frontiera media-varianza (migliorando il rapporto di Sharpe massimo) pur lasciando errori di pricing sistematici su sottospazi economicamente significativi che i test standard comprimono in un singolo verdetto scalare o nascondono all'interno di portafogli aggregati. Gli esistenti test spesso non riescono a rivelare dove risiedano gli errori di pricing lungo la struttura interna del mercato, in particolare riguardo alla distribuzione degli errori lungo l'asse della capitalizzazione di mercato.

Metodologia
Il documento propone una diagnostica integrale sull'asse della capitalizzazione che eleva gli errori di pricing dei modelli fattoriali in una funzione continua lungo l'asse del rango di capitalizzazione di mercato.

1. Costruzione del Ponte:

   • Gli asset sono ordinati per capitalizzazione di mercato decrescente.
   • Per ogni quota di valore di mercato cumulativa $p \in [0, 1]$, viene formato un portafoglio "ponte" a investimento zero: una posizione lunga sul prefisso del mercato fino a $p$ e una posizione corta di pari esposizione di valore di mercato rispetto al mercato aggregato.
   • Questo ponte, $D_t(p)$, è nullo in entrambi gli estremi ($p=0$ e $p=1$) per costruzione.

2. La Curva Bridge-Alpha:

   • Il rendimento del ponte viene regredito su un modello fattoriale $f_{m,t}$ per stimare una funzione alpha $\alpha_m(p)$.
   • La curva risultante, $p \mapsto \alpha_m(p)$, rappresenta la distribuzione dell'errore di pricing lungo l'asse del rango di capitalizzazione.
   • Sotto un "gate del mercato aggregato" (che richiede al modello di prezzare il mercato aggregato con alpha nullo), una curva bridge-alpha nulla è necessaria e sufficiente affinché il modello prezzi il sottospazio lineare chiuso generato dal mercato aggregato e da tutti i ponti dell'asse della capitalizzazione.

3. Statistiche Funzionali:
   La curva è riassunta da quattro funzionali per separare direzione, magnitudo e distorsione locale:

   • Area con Segno ($\widehat{SA}$): Misura il tilt direzionale; equivalente all'alfa di un singolo portafoglio "rank-area" con pesi $(1/2 - u)$.
   • Errore Assoluto Integrato ($\widehat{IAE}$): Misura la magnitudo totale della distorsione senza cancellazione del segno.
   • Errore Quadratico Integrato ($\widehat{ISE}$): Misura la distorsione quadratica totale.
   • Supremo ($\widehat{SUP}$): Registra la massima distorsione locale.

4. Inferenza e Placebo:

   • Inferenza HAC: Testa se l'area con segno è statisticamente significativa rispetto all'incertezza delle serie temporali (errori standard Newey–West).
   • Placebo di Ordinamento: Un benchmark accoppiato in cui date, rendimenti e pesi di mercato sono fissi, ma l'ordinamento dei titoli è randomizzato. Questo testa se la forma del ponte osservata sia specifica al rango di capitalizzazione o una caratteristica generale della distribuzione dei rendimenti.
   • Correzione Lead–Lag: Applicata ai dati giornalieri per affrontare il trading non sincrono, aggregando i lead e i lag dei fattori per correggere l'attenuazione del beta.

Risultati Chiave
La diagnostica è applicata ai dati CRSP dell'investable market dal 1967 al 2024 su 154 fattori e diversi modelli standard (CAPM, Fama–French, Carhart, q5).

1. Distorsioni Dipendenti dalla Frequenza:

   • Frequenza Giornaliera: Il modello q5 esibisce una robusta curva bridge-alpha negativa a lato singolo (area con segno $\approx -39,6$ bp). Questa distorsione è altamente significativa e supera i placebo di ordinamento. Tuttavia, essa si attenua rapidamente sotto le correzioni lead–lag, suggerendo che sia guidata da trading non sincrono a breve orizzonte.
   • Frequenza Mensile: La distorsione del q5 quasi svanisce. Al contrario, i modelli Fama–French (FF3, FF5, FF6) e Carhart mostrano un ponte positivo a lato singolo significativo (area con segno $\approx +32$ bp) che è più forte alla frequenza mensile che a quella giornaliera.
   • Conclusione: Gli errori di pricing sono localizzati nell'orizzonte temporale; diversi modelli lasciano errori a diverse frequenze.

2. Coordinate a Livello di Fattore:

   • Attraverso 154 fattori, l'impronta sull'asse della capitalizzazione (misurata tramite $\widehat{IAE}$) è distinta dal guadagno del rapporto di Sharpe massimo ($\Delta SR$). La correlazione di rango è bassa (0,15).
   • Un fattore può migliorare significativamente la frontiera di Sharpe pur lasciando una grande impronta di zero-alfa sul sottospazio del rango di capitalizzazione (ad esempio, l'Expected Growth del q5 ha il maggior guadagno di Sharpe e la più grande impronta).
   • L'impronta non è spiegata meccanicamente dall'esposizione alla dimensione (size) convenzionale. Regredendo la magnitudo dell'impronta sui loading del fattore size si ottiene un $R^2$ prossimo allo zero, indicando che la diagnostica cattura una caratteristica distinta del comportamento dei fattori oltre la semplice esposizione alla dimensione.

3. Risoluzione vs Bin di Dimensione:

   • I test standard sui decili di dimensione comprimono il mercato in 10 bin, dove il decile superiore detiene circa il 60% del valore di mercato. Questa aggregazione nasconde la struttura interna.
   • La diagnostica dell'asse della capitalizzazione risolve il decile superiore in un percorso continuo, rivelando che gli errori di pricing spesso raggiungono il picco all'interno del bin dominante (ad esempio, a $p \approx 0,33$ o $0,45$) piuttosto che ai confini del bin. Un modello potrebbe superare un test sui decili pur fallendo la diagnostica dell'asse della capitalizzazione a causa di errori interni nascosti.

Significatività e Rivendicazioni
Il documento rivendica l'aggiunta di un complemento di zero-alfa ristretto agli strumenti standard di valutazione dei modelli.

• Distintività: Dimostra che il fit del mercato aggregato, il miglioramento del rapporto di Sharpe massimo e la coerenza dello zero-alfa ristretto sul sottospazio del rango di capitalizzazione sono criteri empirici distinti. Un modello può superare il mercato aggregato ed espandere la frontiera pur fallendo la diagnostica dell'asse della capitalizzazione.
• Localizzazione: A differenza dei test scalari, la diagnostica identifica la direzione, la magnitudo, la posizione e la frequenza degli errori di pricing lungo una coordinata interna fissa del mercato.
• Non Sostituibilità: Non sostituisce i test di spanning o i test sui bin di dimensione, ma rivela informazioni che essi comprimono. Mostra che gli "SDF approssimati" possono collocare i loro errori di pricing a diversi orizzonti (giornaliero vs mensile) e che la coerenza a livello di modello può derivare da impronte marginali contrastanti dei fattori costituenti.
• Utilità: La curva bridge-alpha funge da oggetto funzionale che può essere utilizzato per la costruzione di fattori (minimizzando l'IAE) o per la decomposizione di blocchi fattoriali, offrendo una visione ad alta risoluzione degli errori di pricing che i test standard oscurano.

Il documento rimane modesto nel suo ambito, riconoscendo che superare la diagnostica non implica la piena validità dell'SDF (poiché ignora momentum, value e altre direzioni non legate al rango di capitalizzazione) e che fallirla non implica una mancanza di valore media-varianza. Il suo contributo primario è il dispositivo di misurazione stesso.