Niveles de existencias, pendientes y curvas

“Level, Slope, and Curve Factor Models for Stocks” es un interesante e importante artículo empírico sobre finanzas de Charles Clark de la Universidad de Connecticut.

Charles utiliza las variables de Fama-French (2008) para predecir el rendimiento de las acciones, a saber, el tamaño, el valor contable de mercado, el impulso, la emisión neta, las ganancias acumuladas, la inversión y la rentabilidad. [ Ret_{i,t+1} = beta_0 + beta_1 Size_{i,t} + beta_2 BtM_{i,t} + beta_3 Mom_{i,t}
+ beta_4 zeroNS_{i,t} + beta_5 NS_{i,t} + beta_6 negACC_{i,t} +
]
[ + beta_7 posACC_{i,t} + beta_8 dAtA_{i,t} + beta_9 posROE_{i,t} + beta_{10} negROE_{i,t} + e_{i,t+1}
]
Formó 25 carteras basadas en los rendimientos promedio previstos de esta regresión, con rendimientos esperados que van de mayor a menor. Luego encuentra los componentes principales de los 25 rendimientos de la cartera.

Fuente: Charles Clark

El resultado es… contener la respiración… ¡nivel, pendiente y curvatura! El gráfico de la izquierda muestra los pesos y las cargas de los tres primeros factores. En el eje x hay 25 carteras, que van desde carteras con rendimientos medios bajos hasta 25 con rendimientos medios altos. El gráfico representa los pesos (cómo combina cada cartera para formar cada factor a su vez) y la carga (cuánto se mueve el rendimiento de cada cartera cuando el factor correspondiente se mueve en 1).

No es sorprendente que estos 3 factores expliquen casi toda la variación en los 25 rendimientos de la cartera, y estos tres factores proporcionan un modelo de valoración de factores con un alfa muy bajo; APT funciona.

Ahora, ¿por qué estoy tan entusiasmado con este artículo?

Ahora hay docenas, más de 300 en la literatura (ver Green, Hand, Zhang y Harvey, Liu y Zhou), variables que predicen los rendimientos transversales de las acciones. La primera pregunta difícil es, en el sentido de la regresión múltiple, ¿cuál de estos realmente importa y cuántos datos se extraen en toda la empresa?

La siguiente pregunta más difícil y menos examinada es, ¿cómo se corresponden estos patrones de rendimiento promedio con las covarianzas? Cada variable también parece ser un factor en el sentido de la varianza: los activos ordenados por la variable que predice el rendimiento se mueven juntos después del hecho. Pero, ¿cuántos de estos factores necesitamos realmente? Para explicar la sección transversal de los retornos promedio, ¿necesitamos crecimiento y rentabilidad en presencia de valor? Mira cómo Fama, French y Robert Novy-Marx luchan un factor contra el otro. La tasa de descuento lucha con este problema, lo que sugiere que necesitamos modelar la matriz de covarianza como una función de las características, esencialmente la misma mano derecha para el producto (R_{i,t+1}R_{j,t+ 1}), haga un análisis factorial de alguna manera, clasifique el mismo problema de regresión múltiple/pesca de alguna manera para ver qué características son realmente importantes para el segundo momento, luego vea si la función del primer momento de la característica está cooperando con el función como función La varianza es linealmente proporcional a la característica. qué.

Charles disolvió el lío masivo de múltiples retornos de este último. Su gran idea fue observar la única característica que importa, ¡el rendimiento esperado en sí mismo! Se le ocurrió el nivel, la pendiente y la curvatura, que es siempre la respuesta, de ahí la belleza. Sólo necesitamos saber qué pregunta hacer. El problema del phishing en los rendimientos esperados permanece, pero es mucho más simple relacionar los rendimientos esperados con los factores.

En un nivel más profundo, creo que Charles nos lleva al segundo paso de comprender cómo vemos los modelos de valoración de activos. Primero, consideramos los rendimientos esperados y las betas de empresas individuales. Pero estos son volátiles con el tiempo, por lo que, en promedio, todas las empresas tienen el mismo aspecto. Luego tratamos el rendimiento esperado y la beta como una función de características como el tamaño y el valor contable de mercado, ignorando los nombres de las empresas. Esto funciona para una o dos funciones, pero se desmorona con cientos de funciones. Al usar el rendimiento esperado en sí mismo como la única característica del segundo momento, Charles simplificó enormemente la tarea.

Lustig, Roussanov y Verdehlan hicieron algo similar con los carry trades. Al clasificar a los países según los rendimientos esperados, encontraron una estructura estable, así como factores de curvatura y pendiente horizontal; encontraron que los factores de pendiente explicaban los rendimientos esperados. Pero esto básicamente solo usa una señal, así que no veo el punto. En el artículo de Charles, la pendiente horizontal y los factores de curvatura para las carteras de rendimiento esperado le permiten evitar todo el modelado altamente multivariado de las matrices de covarianza.

maravilloso.

(Estudiantes: El análisis factorial es realmente simple. [Q,L] = eig(cov(rx)) en matlab, donde rx es el vector T x N devuelto. Las columnas de Q son los pesos y cargas de los componentes principales. Las instrucciones detalladas comienzan en la página 551 aquí. )

Toda la información expuesta en este articulo es solo de carácter informativo, esta compuesto por una recopilación de información de internet. No necesariamente esta actualizada o debe ser tomada como una fuente

(Visited 1 times, 1 visits today)