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

Resumo Técnico: Um Diagnóstico de Integral de Eixo de Características para Modelos de Fatores

Definição do Problema
Os diagnósticos padrão de precificação de ativos, como o teste de Gibbons–Ross–Shanken (GRS) ou os testes de portfólios ordenados por características, avaliam se um modelo de fatores precifica um conjunto selecionado de ativos de teste. No entanto, esses testes frequentemente dependem de escolhas arbitrárias de construção de portfólios (por exemplo, agrupamento em decis) e podem falhar em revelar a localização ou a forma específica dos erros de precificação ao longo de uma coordenada econômica. Por outro lado, testes de abrangência (spanning tests) e comparações de razão de Sharpe máxima avaliam a expansão do conjunto de oportunidades de investimento, mas não identificam onde os erros sistemáticos de precificação (alfas) permanecem dentro de um subespaço restrito. Existe uma lacuna entre avaliar o span de fatores de um modelo e verificar a precificação de alfa zero em coordenadas de características pré-especificadas e economicamente significativas. Este artigo aborda a necessidade de um diagnóstico que meça os erros de precificação como uma função contínua ao longo de um eixo de característica, em vez de um conjunto discreto de alfas de portfólio.

Metodologia
O artigo introduz um diagnóstico de integral de eixo de características que generaliza uma estrutura anterior de "eixo de cap" para características de empresas arbitrárias (ex: book-to-market, lucratidade, investimento, momentum).

1. Construção da Ponte (Bridge Construction):

   • As ações são ordenadas ex ante por uma característica específica $x$ (ex: ordem decrescente de book-to-market).
   • Para qualquer ponto de corte $p \in [0, 1]$, um "portfólio de prefixo" é formado compreendendo a fração superior $p$ do universo ordenado, ponderada pela capitalização de mercado.
   • Um retorno de ponte $D^x_t(p)$ é construído subtraindo um portfólio agregado de exposição igual ($p \times R^{A,x}_t$) do portfólio de prefixo. Isso cria um portfólio de investimento zero que isola o desvio do prefixo em relação ao agregado.
   • A ponte é fechada nos pontos finais ($p=0$ e $p=1$), garantindo que $D^x_t(0) = D^x_t(1) = 0$.

2. Curva de Alfa de Ponte (Bridge-Alpha Curve):

   • O retorno da ponte é regredido contra um modelo de fatores $m$ em cada ponto de corte $p$:
     $$D^x_t(p) = \alpha^x_m(p) + \beta^x_m(p)'f_{m,t} + \varepsilon^x_{m,t}(p)$$
   • A função resultante $p \mapsto \alpha^x_m(p)$ é a curva de alfa de ponte.
   • A hipótese nula é uma restrição de curva zero: $\alpha^x_m(p) = 0$ para todo $p \in [0, 1]$. Isso implica que o modelo precifica cada prefixo, cauda, intervalo e portfólio de função-degrau gerado pela ordem da característica.

3. Resumos Funcionais:

   • Em vez de testes pontuais, a curva é resumida por quatro funcionais:
     • Área Assinada (SA - Signed Area): $\int \alpha^x_m(p) dp$, medindo a distorção direcional.
     • Erro Absoluto Integrado (IAE - Integrated Absolute Error): $\int |\alpha^x_m(p)| dp$, medindo a distorção total sem cancelamento de sinais.
     • Erro Quadrático Integrado (ISE - Integrated Squared Error): $\int \alpha^x_m(p)^2 dp$, ponderando grandes erros locais.
     • Norma do Supremo (SUP - Supremum Norm): $\sup |\alpha^x_m(p)|$, registrando o erro local máximo.
   • A Área Assinada é equivalente ao alfa de um único "portfólio de área de ranking" com pesos lineares $(1/2 - u)$.

4. Inferência:

   • A inferência para SA utiliza testes t HAC padrão no portfólio de área de ranking.
   • A inferência para IAE, ISE e SUP (funcionais não lineares) utiliza uma aproximação de processo gaussiano-HAC de grade finita. A covariância de longo prazo do estimador da ponte é estimada, e os valores críticos são derivados via simulação (ou block-bootstrap) sob a hipótese nula de curva zero.

Principais Resultados Empíricos
O diagnóstico é aplicado a dados do CRSP (1967–2024) através de quatro eixos: Valor (HML), Lucratidade Operacional (RMW), Investimento (CMA) e Momentum (UMD).

• Reversão de Sinal e Sobrecorreção: Um padrão recorrente emerge. Modelos que carecem do fator correspondente (ex: CAPM no eixo de Valor) tendem a deixar curvas de alfa de ponte positivas (subcorreção). Adicionar o fator correspondente desloca a curva para baixo. No entanto, esse deslocamento frequentemente resulta em sobrecorreção, empurrando a curva significamente abaixo de zero.

  • Eixo de Valor: Modelos com HML (FF3, FF5, FF6) exibem áreas assinadas significativamente negativas e IAE alto, indicando que sobrecorrigem o prêmio de valor. O q5, carecendo de um fator de valor explícito, deixa uma curva próxima de zero.
  • Eixo de Investimento: Modelos com fatores de investimento (FF5, FF6, q5) mostram uma significativa sobrecorreção negativa. O modelo mais plano é o Carhart (que carece de um fator de investimento), embora seu portfólio agregado falhe.
  • Eixo de Lucratividade Operacional (OP): Diferente dos outros eixos, modelos com fatores de lucratidade (FF5, FF6) conseguem achatar a curva com sucesso, deixando alfas insignificantes. O q5 mostra uma leve sobrecorreção negativa na frequência mensal, mas as rejeições diárias desaparecem sob correções de defasagem (lead-lag) de Dimson, sugerindo um artefato de tempo em vez de um erro de precificação estável.
  • Eixo de Momentum: Serve como um controle positivo. Modelos com UMD (Carhart, FF6) achatam a curva efetivamente sem sobrecorreção significativa. O q5 também passa sem UMD, provavelmente devido ao bloco ROE/EG absorver os prêmios de momentum.

• Ortogonalidade de Métricas: O artigo encontra que os ganhos de Sharpe máxima ($\Delta SR$) e os erros de precificação ao nível do eixo (IAE) são quase ortogonais. Fatores que expandem significativamente o conjunto de oportunidades (ex: q-EG) podem deixar grandes erros de precificação em eixos específicos, enquanto fatores com $\Delta SR$ modesto podem produzir curvas mais planas.

• Identificação de Modelos (Fingerprinting): Nenhum modelo único domina em todos os eixos.

  • q5: Passa em Valor e Momentum, mas é rejeitado em Investimento.
  • FF5/FF6: Mais planos em OP, mas rejeitados em Valor e Investimento.
  • Carhart: Estável em Investimento e Momentum, mas rejeitado em Valor.

Significância e Alegações
O artigo alega fornecer um diagnóstico funcional que complementa, em vez de substituir, os testes existentes (GRS, spanning, razão de Sharpe). Suas principais contribuições são:

1. Resolução: Converte erros de precificação de um conjunto discreto de alfas de portfólio em uma função contínua, revelando a direção, magnitude, localização e concentração local dos erros ao longo de uma coordenada característica.
2. Precificação Restrita: Testa um subespaço específico e restrito gerado por uma característica pré-especificada. Passar em um eixo significa que o modelo precifica todos os portfólios gerados por aquela ordem, não que ele seja um SDF (Fator de Desconto Estocástico) válido para todo o mercado.
3. Sensibilidade à Construção de Fatores: Os resultados sugerem que os erros de precificação dependem não apenas da presença de um prêmio de característica em um modelo, mas de como esse prêmio é implementado (ex: ordenação 2x3 vs. ordenação direta por característica). A sobrecorreção é atribuída a um descompasso entre a construção do fator (frequentemente neutralizado em tamanho) e a coordenada de ranking de característica ponderada pelo valor de mercado.
4. Critérios de Avaliação Distintos: O artigo estabelece que maximizar a razão de Sharpe e minimizar a distorção ao nível do eixo são objetivos distintos. Um fator pode melhorar a fronteira enquanto deixa erros de precificação sistemáticos em um eixo de característica específico.

O autor enfatiza que o diagnóstico é uma afirmação "estreita, mas forte" sobre a precificação em um subespaço restrito. Não pretende resolver o debate sobre se as características são proxies para risco ou retornos esperados, mas fornece uma ferramenta de alta resolução para medir onde e como os modelos de fatores falham ao precificar coordenadas econômicas específicas. Testes de robustez (replicação de fatores, block-bootstrapping e calibração de amostra finita) confirmam que os resultados não são artefatos da construção de dados ou dos procedimentos de inferência.