Priced risk in corporate bonds

Este artigo questiona a eficácia de modelos multifatoriais na explicação dos retornos excessivos de títulos corporativos, demonstrando que, com exceção da liquidez negociada, os fatores de risco propostos não possuem poder explicativo adicional sobre o fator de mercado, sugerindo que o CAPM de títulos não é superado por modelos de fatores negociados ou não negociados.

O essencial

Imagine que o mercado de títulos corporativos (dívidas de empresas) é como um grande supermercado onde investidores compram e vendem "caixas de risco". Por anos, os especialistas tentaram criar um mapa perfeito para prever quais caixas dariam mais lucro. Eles acreditavam que, além do risco geral do mercado (como uma tempestade que afeta todo o mundo), existiam outros "ventos específicos" que empurravam certos títulos para cima ou para baixo: o risco de crédito, o risco de liquidez (dificuldade de vender rápido) e o risco de desvalorização.

Este artigo, escrito por Dickerson, Mueller e Robotti, é basicamente um detetive financeiro que decidiu investigar se esses mapas estavam realmente corretos. A conclusão deles é surpreendente: a maioria desses mapas complexos é falsa.

Aqui está a explicação, passo a passo, usando analogias simples:

1. O Mapa que Todos Acreditavam (O Modelo BBW)

Havia um estudo famoso (chamado BBW) que dizia: "Para ganhar dinheiro em títulos corporativos, você precisa de um carro de quatro rodas:

1. O Mercado (MKTB): O motor principal.
2. Risco de Desvalorização (DRF): O medo de que a empresa quebre.
3. Risco de Crédito (CRF): A qualidade da dívida.
4. Risco de Liquidez (LRF): A dificuldade de vender o título rápido.

Os autores do BBW diziam que, se você ignorasse as rodas 2, 3 e 4, seu carro não funcionaria bem. Eles criaram um "mapa de quatro fatores" que se tornou o padrão ouro para medir se um gestor de fundos estava sendo bom.

2. A Investigação: O Mapa estava com Erros de Impressão?

Os autores deste novo artigo pegaram os dados originais e começaram a reconstruir o mapa do zero, como se estivessem verificando se o GPS estava com o sinal correto.

• O Problema do "Olhar para o Futuro" (Look-ahead Bias): Eles descobriram que, no mapa original do BBW, havia um erro de digitação massivo. Para a maioria dos anos estudados, os dados de "Risco de Desvalorização" e "Crédito" estavam um mês à frente. Era como se o GPS dissesse: "Vire à esquerda amanhã", mas você estivesse dirigindo hoje. Isso distorceu completamente os resultados, fazendo parecer que esses fatores funcionavam quando, na verdade, era apenas um erro de cálculo.
• O Efeito "Suavizador": Eles também notaram que os dados originais "suavizavam" as quedas bruscas. Era como se alguém tivesse tirado o "gelo" da bebida antes de servir, fazendo parecer que o risco era menor do que realmente era.

3. A Descoberta Principal: O Motor Único é Suficiente

Quando corrigiram os erros e usaram estatísticas mais rigorosas (como um teste de "eficiência" do carro), a mágica desapareceu.

• A Analogia do Carro: Eles descobriram que o "Motor Principal" (o risco geral do mercado de títulos, chamado MKTB) é tão poderoso que ele engole quase todo o poder explicativo dos outros três fatores.
• O Resultado: Adicionar as rodas extras (os outros fatores) não faz o carro andar mais rápido nem mais longe. Na verdade, tentar usar esses fatores extras é como tentar adicionar um turbo a um carro que já está no limite: você gasta mais dinheiro (custos de transação) e não ganha nada em troca.
• A Exceção: A única "roda" que ainda parece ter um pouco de utilidade é a Liquidez (LRF). Como títulos corporativos são vendidos em balcões (mercado de balcão) e não em uma bolsa organizada, vender rápido é difícil e caro. Esse fator ainda explica um pouco do preço, mas os outros dois (Crédito e Desvalorização) são redundantes.

4. O Teste de "Fator Fantasma"

O artigo também olhou para outros modelos que usavam fatores que não são negociados diretamente (como a incerteza macroeconômica ou o consumo de longo prazo).

• A Analogia do Fantasma: Eles tentaram usar esses "fantasmas" para explicar os preços. O resultado? Os fantasmas não existem. Quando você tenta medir o quanto eles realmente ajudam a prever o retorno, eles desaparecem. Eles não trazem nenhum prêmio de risco extra. É como tentar usar a lua para explicar por que o mar está agitado; a lua existe, mas não é a causa principal da onda naquele momento.

5. Por que isso importa para você?

Imagine que você é um investidor.

• O Cenário Antigo: Você pagava taxas altas para um gestor que dizia: "Estou usando um modelo de 4 fatores supercomplexo para escolher seus títulos".
• A Realidade Revelada: O artigo diz: "Espere! Esse modelo complexo é, na verdade, apenas o mercado geral com alguns erros de cálculo. Você está pagando caro por algo que poderia fazer sozinho, apenas comprando o mercado de títulos inteiro."

Conclusão Simples

A mensagem final é um choque de realidade. A busca por fatores complexos e "inteligentes" para explicar o mercado de títulos corporativos, até agora, foi em grande parte uma ilusão causada por erros estatísticos e dados ruins.

O mercado de títulos corporativos é muito mais simples do que os modelos sugerem:

1. O risco geral do mercado é o rei.
2. A dificuldade de vender rápido (liquidez) é o único outro fator importante.
3. Tentar criar modelos com 4, 5 ou 6 fatores extras é, na maioria das vezes, perder tempo e dinheiro.

É como se a humanidade tivesse passado décadas tentando inventar um mapa de tesouro com 10 camadas de complexidade, apenas para descobrir que o tesouro estava escondido debaixo de uma árvore simples no centro do jardim, e os outros 9 mapas estavam cheios de erros de impressão.

Resumo técnico

Resumo Técnico: Risco Precificado em Títulos Corporativos

1. O Problema e o Contexto

O artigo aborda a dificuldade persistente em estabelecer uma estrutura de fatores comuns para explicar a variação transversal dos retornos esperados em títulos corporativos. Enquanto a literatura de ações (equities) evoluiu do CAPM para modelos multifatoriais robustos (como Fama-French), a pesquisa em títulos corporativos tem proposto diversos fatores de risco (liquidez, crédito, volatilidade, incerteza macroeconômica) com resultados mistos.

O foco central do estudo é reavaliar as descobertas empíricas de estudos recentes, em particular o modelo de quatro fatores proposto por Bai, Bali e Wen (2019, BBW). O modelo BBW afirma que fatores além do mercado de títulos (como risco de queda, crédito e liquidez) possuem poder explicativo incremental significativo. Os autores questionam se esses fatores adicionais são realmente necessários ou se são artefatos estatísticos, erros de construção de dados ou problemas de especificação do modelo.

2. Metodologia

Os autores empregam uma abordagem rigorosa, combinando análise de dados de nível de título e de portfólio, utilizando ferramentas estatísticas avançadas para lidar com incerteza de modelo e má especificação.

• Dados:

  • Utilizam o banco de dados Enhanced TRACE (janeiro de 2002 a dezembro de 2016) combinado com o Mergent FISD.
  • Aplicam filtros rigorosos para remover títulos estruturados, conversíveis, com taxas flutuantes, e transações com preços extremos ou condições especiais.
  • Reconstrução de Fatores: Replicam os fatores do modelo BBW (MKTB, DRF, CRF, LRF) e comparam com os dados originais fornecidos pelos autores do estudo anterior. Descobrem erros de look-ahead (viés de antecipação) e erros de defasagem nos dados originais do BBW para a maior parte do período amostral.

• Abordagens Estatísticas:

  • Fronteira de Variância-Média e Razão de Sharpe: Analisam a eficiência dos fatores isolados e combinados, calculando a Razão de Sharpe quadrada ajustada ao viés.
  • Regressões de Seção Transversal (CSR):
    • Comparam estimativas OLS (Mínimos Quadrados Ordinários) e GLS (Mínimos Quadrados Generalizados). Seguem a recomendação de Lewellen, Nagel e Shanken (2010) de que o GLS é superior para portfólios heterogêneos, pois penaliza portfólios com retornos extremos que podem inflar artificialmente o $R^2$ no OLS.
    • Utilizam testes robustos à má especificação (misspecification-robust) e à identificação fraca (weak identification), conforme proposto por Kan, Robotti e Shanken (2013) e Gospodinov e Robotti.
  • Análise de Nível de Título: Realizam regressões de Fama-MacBeth (1973) usando betas pós-ordenação para evitar viés de atenuação, testando se os fatores precificam retornos individuais de títulos.
  • Fatores Não Negociados: Avaliam modelos com fatores não negociados (liquidez agregada, volatilidade sistêmica, incerteza macroeconômica, consumo de longo prazo) construindo portfólios de imitação (mimicking portfolios).

3. Principais Contribuições e Descobertas

A. Correção de Erros nos Dados Originais (BBW)

• Os autores identificam que os fatores originais de Risco de Queda (DRF) e Risco de Crédito (CRF) do estudo BBW sofrem de um erro de look-ahead (os dados de $t$ eram, na verdade, de $t+1$) durante a maior parte da amostra.
• O fator de Liquidez (LRF) original apresentava um erro de defasagem.
• Ao corrigir esses erros e reconstruir os fatores, observa-se que as volatilidades dos fatores aumentam drasticamente (ex: desvio padrão do DRF aumenta 41% e do CRF 82%), e os retornos negativos extremos, que estavam suavizados nos dados originais, tornam-se visíveis.

B. Ineficácia de Fatores Adicionais (Traded Factors)

• Fator de Mercado (MKTB): O fator de mercado de títulos (retorno médio ponderado por valor de mercado) é o único fator que demonstra poder explicativo robusto.
• Fatores BBW (DRF, CRF, LRF): Quando testados contra o MKTB, os fatores DRF e CRF não possuem poder explicativo incremental. Eles são essencialmente versões ruidosas do fator de mercado.
• Exceção Marginal (LRF): O fator de risco de liquidez (LRF) mostra algum poder explicativo incremental marginal, mas apenas em testes específicos (GLS e nível de título).
• Comparação de Modelos: Testes de comparação de pares e múltiplos (baseados na Razão de Sharpe quadrada e $R^2$ da CSR) mostram que o modelo CAPM de um único fator (apenas MKTB) não é dominado pelo modelo de quatro fatores de BBW ou por outros modelos multifatoriais. A adição de fatores não melhora significativamente a fronteira eficiente.

C. Fatores Não Negociados (Nontraded Factors)

• Modelos baseados em incerteza macroeconômica, volatilidade sistêmica (VIX), liquidez agregada e risco de consumo de longo prazo (EJN) não demonstram prêmios de risco estatisticamente significativos.
• Os portfólios de imitação desses fatores são precificados pelo fator de mercado de títulos (MKTB), indicando que eles não capturam risco não diversificável adicional.
• O modelo de consumo de longo prazo (LRC), quando ajustado para erros de estimação nos pesos do portfólio de imitação, também perde seu poder explicativo.

D. Análise de Nível de Título

• As regressões de Fama-MacBeth em nível individual de títulos confirmam os resultados de nível de portfólio. Apenas o MKTB e, marginalmente, o LRF mantêm poder de precificação. Os outros fatores propostos não adicionam poder explicativo.

4. Significância e Implicações

• Ceticismo sobre Modelos Multifatoriais em Títulos: O estudo sugere que a busca por fatores adicionais em títulos corporativos, muitas vezes baseada em relevância empírica ex-post sem fundamentação teórica sólida, pode levar a conclusões espúrias.
• Importância da Robustez Estatística: O artigo destaca como o uso de OLS em vez de GLS, e a falha em corrigir erros de dados (como look-ahead bias), podem levar a uma superestimação drástica do poder explicativo de modelos de precificação.
• Simplicidade vs. Complexidade: Do ponto de vista de um investidor, manter uma carteira ponderada pelo mercado de títulos (fator MKTB) é estatisticamente e economicamente tão eficiente quanto tentar explorar fatores adicionais, especialmente considerando os altos custos de transação no mercado over-the-counter (OTC) de títulos.
• Direção Futura: Os autores recomendam que a pesquisa futura em precificação de títulos corporativos foque em:
  1. Maior rigor na construção e verificação de dados.
  2. Uso de inferência robusta à má especificação e identificação fraca.
  3. Consideração de custos de transação na avaliação de modelos.
  4. Exploração de dimensões de risco baseadas em frequência (frequência de negociação) e outros fundamentos teóricos mais sólidos.

Conclusão Geral

O artigo conclui que, ao contrário do que sugerem estudos anteriores, não há evidência robusta de que fatores de risco adicionais (seja de crédito, liquidez, volatilidade ou macroeconomia) ofereçam um poder explicativo incremental significativo sobre o simples fator de mercado de títulos corporativos. O modelo CAPM de um único fator para títulos permanece como o benchmark mais robusto, e a complexidade de modelos multifatoriais atuais parece ser, em grande parte, resultado de especificações estatísticas inadequadas e erros de dados.