A Cap-Axis Integral Diagnostic of Factor Models

Resumo Técnico: Um Diagnóstico Integral de Eixo de Capitalização de Modelos de Fatores

Enunciado do Problema
A avaliação padrão de precificação de ativos baseia-se em critérios como o spanning de fatores, comparações de razão de Sharpe máxima e testes conjuntos de alfa sobre conjuntos finitos de ativos de teste. Embora um Fator de Desconto Estocástico (SDF) corretamente especificado implique tanto alfas nulos quanto eficiência média-variância, os modelos de fatores empíricos são aproximações de baixa dimensão onde esses critérios podem divergir. Um modelo pode expandir com sucesso a fronteira de média-variância (melhorando a razão de Sharpe máxima) ao mesmo tempo em que deixa erros sistemáticos de precificação em subespaços economicamente significativos, os quais os testes padrão comprimem em um único veredito escalar ou ocultam dentro de carteiras agregadas. Os testes existentes frequentemente falham em revelar onde os erros de precificação residem ao longo da estrutura interna do mercado, particularmente em relação à distribuição dos erros ao longo do eixo de capitalização de mercado.

Metodologia
O artigo propõe um diagnóstico integral de eixo de capitalização que eleva os erros de precificação do modelo de fatores para uma função contínua ao longo do eixo de ranking de capitalização de mercado.

1. Construção da Ponte:

   • Os ativos são ordenados por capitalização de mercado decrescente.
   • Para qualquer participação cumulativa no valor de mercado $p \in [0, 1]$, uma carteira de investimento zero "ponte" é formada: compra do prefixo dos top-$p$ do mercado e venda de uma exposição de valor de mercado igual do mercado agregado.
   • Esta ponte, $D_t(p)$, é zero em ambos os extremos ($p=0$ e $p=1$) por construção.

2. A Curva de Alfa da Ponte:

   • O retorno da ponte é regredido em um modelo de fator $f_{m,t}$ para estimar uma função de alfa $\alpha_m(p)$.
   • A curva resultante, $p \mapsto \alpha_m(p)$, representa a distribuição do erro de precificação ao longo do eixo de rank de capitalização.
   • Sob um "portão de mercado agregado" (exigindo que o modelo precifique o mercado agregado com alfa zero), uma curva de alfa de ponte zero é necessária e suficiente para que o modelo precifique o subespaço linear fechado gerado pelo mercado agregado e todas as pontes do eixo de capitalização.

3. Estatísticas Funcionais:
   A curva é resumida por quatro funcionais para separar direção, magnitude e distorção local:

   • Área Assinada ($\widehat{SA}$): Mede o viés direcional; equivalente ao alfa de uma única carteira de "área de rank" com pesos $(1/2 - u)$.
   • Erro Absoluto Integrado ($\widehat{IAE}$): Mede a magnitude total da distorção sem cancelamento de sinal.
   • Erro Quadrático Integrado ($\widehat{ISE}$): Mede a distorção quadrática total.
   • Supremo ($\widehat{SUP}$): Registra a maior distorção local.

4. Inferência e Placebos:

   • Inferência HAC: Testa se a área assinada é estatisticamente significativa em relação à incerteza de séries temporais (erros padrão Newey–West).
   • Placebos de Ordenação: Um benchmark correspondente onde datas, retornos e pesos de mercado são fixos, mas a ordenação das ações é randomizada. Isso testa se a forma da ponte observada é específica ao rank de capitalização ou se é uma característica geral da distribuição de retornos.
   • Correção Lead–Lag: Aplicada a dados diários para abordar a negociação não síncrona, agregando lideranças e defasagens de fatores para corrigir a atenuação de beta.

Resultos Principais
O diagnóstico é aplicado a dados de mercado investível da CRSP de 1967–2024 através de 154 fatores e vários modelos padrão (CAPM, Fama–French, Carhart, q5).

1. Distorções Dependentes de Frequência:

   • Frequência Diária: O modelo q5 exibe uma curva de alfa de ponte negativa e robusta (área assinada $\approx -39,6$ bp). Esta distorção é altamente significativa e passa nos placebos de ordenação. No entanto, ela atenua rapidamente sob correções lead–lag, sugerindo que é impulsionada por negociações de curto horizonte não síncronas.
   • Frequência Mensal: A distorção do q5 quase desaparece. Por outro lado, os modelos Fama–French (FF3, FF5, FF6) e Carhart exibem uma ponte positiva e unilateral significativa (área assinada $\approx +32$ bp) que é mais forte na frequência mensal do que na diária.
   • Conclusão: Os erros de precificação são localizados por horizonte; diferentes modelos deixam erros em diferentes frequências.

2. Coordenadas de Nível de Fator:

   • Através de 154 fatores, a pegada do eixo de capitalização (medida por $\widehat{IAE}$) é distinta do ganho de razão de Sharpe máxima ($\Delta SR$). A correlação de rank é baixa (0,15).
   • Um fator pode melhorar significativamente a fronteira de Sharpe ao mesmo tempo em que deixa um grande rastro de alfa zero no subespaço de rank de capitalização (ex: o Crescimento Esperado do q5 possui o maior ganho de Sharpe e a maior pegada).
   • A pegada não é mecanicamente explicada pela exposição convencional ao tamanho (size). Regredir a magnitude da pegada sobre as cargas do fator de tamanho resulta em um $R^2$ próximo de zero, indicando que o diagnóstico captura uma característica distinta do comportamento dos fatores além da simples exposição ao tamanho.

3. Resolução vs. Bin de Tamanho:

   • Testes padrão de decil de tamanho comprimem o mercado em 10 bins, onde o decil superior detém cerca de 60% do valor de mercado. Essa agregação oculta a estrutura interna.
   • O diagnóstico de eixo de capitalização resolve o decil superior em um caminho contínuo, revelando que os erros de precificação frequentemente atingem o pico dentro do bin dominante (ex: em $p \approx 0,33$ ou $0,45$) em vez de nos limites do bin. Um modelo pode passar em um teste de decil enquanto falha no diagnóstico de eixo de capitalização devido a erros internos ocultos.

Significância e Alegações
O artigo afirma adicionar um complemento de alfa zero restrito às ferramentas padrão de avaliação de modelos.

• Distintividade: Demonstra que o ajuste do mercado agregado, a melhoria da razão de Sharpe máxima e a consistência de alfa zero restrita no subespaço de rank de capitalização são critérios empíricos distintos. Um modelo pode passar no mercado agregado e expandir a fronteira, enquanto falha no diagnóstico de eixo de capitalização.
• Localização: Ao contrário de testes escalares, o diagnóstico identifica a direção, magnitude, localização e frequência dos erros de precificação ao longo de uma coordenada interna fixa do mercado.
• Não Substituibilidade: Não substitui testes de spanning ou testes de bin de tamanho, mas revela informações que eles comprimem. Mostra que "SDFs aproximados" podem posicionar seus erros de precificação em diferentes horizontes (diário vs. mensal) e que a consistência ao nível do modelo pode surgir de pegadas marginais compensatórias de fatores constituintes.
• Utilidade: A curva de alfa da ponte serve como um objeto funcional que pode ser usado para construção de fatores (minimizando o IAE) ou decomposição de blocos de fatores, oferecendo uma visão de alta resolução de erros de precificação que testes padrão obscurecem.

O artigo mantém-se modesto em seu escopo, reconhecendo que passar no diagnóstico não implica validade total do SDF (pois ignora momentum, valor e outras direções de rank de capitalização), e falhar nele não implica falta de valor de média-variância. Sua principal contribuição é o próprio dispositivo de medição.