Modelarea piețelor financiare

Capitolul 3: Modele factoriale și evaluarea activelor

Capitolul 3: Modele factoriale și evaluarea activelor

Daniel Traian PELE

Academia de Studii Economice din București
IDA Institute Digital Assets
Blockchain Research Center
AI4EFin Artificial Intelligence for Energy Finance
Academia Română, Institutul de Prognoză Economică
MSCA Digital Finance

[W]hen the tests allow for variation in β that is unrelated to size, the relation between market β and average return is flat, even when β is the only explanatory variable.

— Fama & French (1992), The cross-section of expected stock returns

Capitolul pornește de la o întrebare empirică: ce determină diferențele dintre randamentele medii ale activelor? Pentru 25 de portofolii de acțiuni americane sortate după capitalizare și după raportul dintre valoarea contabilă și valoarea de piață (B/M, book-to-market), randamentele medii în exces, anualizate, variază în perioada iulie 1963 – iulie 2026 de la 3,9% pentru firmele mici de creștere (small-growth) la 13,3% pentru firmele mici de valoare (small-value). Întrebarea este dacă beta explică această diferență de aproximativ 9,5 puncte procentuale.

Modelul de evaluare a activelor financiare (CAPM, Capital Asset Pricing Model) (Sharpe, 1964; Lintner, 1965; Black, 1972) răspunde că prima de risc a unui activ este proporțională cu expunerea lui la riscul de piață, beta. Componenta randamentului mediu în exces pe care beta nu o explică se numește alfa; în CAPM, alfa este nulă pentru orice activ.

Argumentul capitolului urmează această ipoteză. Se estimează beta și alfa, apoi se testează ipoteza că toate valorile alfa sînt nule. Respingerea ei conduce la modelele multifactoriale și la întrebarea dacă factorii propuși în literatură rezistă testării multiple și replicării.

Graficul de mai jos este dreapta pieței titlurilor (SML, security market line): randamentul mediu în exces al fiecărui portofoliu în funcție de beta lui. Pe axa orizontală, beta nu are unitate de măsură; numai randamentele sînt procente anualizate.

Dreapta pieței titlurilor (SML, security market line) pentru cele 25 de portofolii mărime × B/M, iulie 1963 – iulie 2026: stînga, randamentul mediu anual în exces în funcție de beta CAPM, cu dreapta CAPM (panta 7,2%) și dreapta estimată (panta −4,4%); dreapta, valorile alfa anuale, cu portofoliile din cvintila firmelor celor mai mici în roșu. Randamentele și valorile alfa sînt fracții anuale (0,05 = 5%); beta, pe axa orizontală din stînga, nu are unitate de măsură.
Dreapta pieței titlurilor (SML, security market line) pentru cele 25 de portofolii mărime × B/M, iulie 1963 – iulie 2026: stînga, randamentul mediu anual în exces în funcție de beta CAPM, cu dreapta CAPM (panta 7,2%) și dreapta estimată (panta −4,4%); dreapta, valorile alfa anuale, cu portofoliile din cvintila firmelor celor mai mici în roșu. Randamentele și valorile alfa sînt fracții anuale (0,05 = 5%); beta, pe axa orizontală din stînga, nu are unitate de măsură. Graficul interactiv: „Dreapta pieței titlurilor (SML) în date (1/2)” →

Rezultatele învățării

  • Calculați un beta cu erori robuste la heteroscedasticitate și autocorelație și aplicați-i shrinkage.
  • Calculați testul simultan al valorilor alfa ale CAPM și prime de risc cu erori robuste.
  • Interpretați un factor nou în raport cu pragurile testării multiple și cu dovezile de replicare.
  • Interpretați un ETF (Exchange-Traded Fund, fond tranzacționat la bursă) factorial ca expuneri la factori și alfa.

Aprofundările și Anexa sînt lectură pentru familiarizare.

Planul capitolului

  1. Ce explică randamentele așteptate?Întrebarea capitolului, ce este un model factorial și la ce folosește.
  2. De la Markowitz la CAPMFrontiera medie–varianță, portofoliul tangent, CAPM și alfa ca abatere de la CAPM.
  3. Estimarea lui betaPrecizia lui beta, erorile HAC, beta variabil în timp și shrinkage-ul Blume și Vasicek.
  4. Testarea CAPMCele 25 de portofolii de test, dreapta pieței titlurilor, testul simultan al valorilor alfa (GRS) și critica lui Roll.
  5. Modele multifactorialeTeoria evaluării prin arbitraj, construcția factorilor și modelele factoriale standard.
  6. Regresii Fama–MacBethCele două etape, erorile standard ale primelor de risc și primele estimate.
  7. Testarea multiplă și replicarea factorilorPragul pentru un factor nou și replicarea factorilor publicați.
  8. Investiții factorialeETF-urile factoriale față de piață.
  9. ConcluziiPașii unei analize factoriale, verificarea înțelegerii și decizia practică.
  10. AprofundăriDatele, factorul stocastic de actualizare, PCA (Principal Component Analysis, analiza componentelor principale) și IPCA, factor momentum, AI (Artificial Intelligence, inteligență artificială) pentru cercetare și exemple detaliate.
  11. AnexăDerivările, datele și tabelele complete.

Ce explică randamentele așteptate?

Capitolul tratează secțiunea transversală (cross-section) a randamentelor medii: de ce unele active cîștigă în medie mai mult decît altele. Un model factorial atribuie diferența expunerilor la cîteva surse comune de risc, iar modelul de evaluare a activelor financiare (CAPM, Capital Asset Pricing Model) este cazul particular cu un singur factor, piața. Capitolul estimează aceste expuneri, testează restricțiile pe care modelele le impun randamentelor medii și verifică dacă factorii din literatură rezistă testării multiple și replicării.

Secțiunea formulează întrebarea și definește modelul factorial și utilizările lui. Datele și convențiile de randament folosite în tot capitolul sînt descrise în Aprofundări.

Ce conține capitolul

Slide 2 în PDF

Capitolul răspunde la cinci întrebări:

  1. Ce explică randamentele așteptate: CAPM și modelele multifactoriale.
  2. Cum se estimează expunerile. O expunere, sau beta, este un coeficient de regresie, iar capitolul tratează incertitudinea ei de eșantionare și shrinkage-ul ei, adică ajustarea unei estimări imprecise către o valoare de referință.
  3. Cum se testează CAPM: testul simultan al valorilor alfa, termenii liberi ai regresiilor pe randamentul pieței.
  4. Ce aduc factorii suplimentari și cum se estimează primele lor de risc, prin regresiile Fama–MacBeth.
  5. Dacă factorii publicați rezistă după ce se iau în calcul testarea multiplă și replicarea.

Competențele corespunzătoare sînt:

  • calculul unui beta cu erori standard robuste la heteroscedasticitate și autocorelație și aplicarea shrinkage-ului;
  • calculul testului simultan al valorilor alfa ale CAPM și al primelor de risc cu erori robuste;
  • evaluarea unui factor nou față de pragurile testării multiple și de dovezile de replicare;
  • citirea unui fond tranzacționat la bursă (ETF, exchange-traded fund) factorial ca un set de expuneri factoriale plus o valoare alfa.

Aprofundările și Anexa sînt lectură de familiarizare.

Pe scurt

Rezultatele învățării
  • calculați un beta cu erori robuste la heteroscedasticitate și autocorelație și îl contractați spre medie (shrinkage)
  • calculați testul simultan al valorilor alfa ale CAPM și prime de risc cu erori robuste
  • interpretați un factor nou în raport cu pragurile testării multiple și cu dovezile de replicare
  • interpretați un ETF (Exchange-Traded Fund, fond tranzacționat la bursă) factorial ca expuneri la factori și alfa
  • Subiecte suplimentare: Aprofundări; răspunsurile la verificările rapide: Anexă

Ce este un model factorial?

Slide 3 în PDF

Un model factorial explică randamentul activului \(i\) printr-un număr mic \(K\) de variabile comune \(f_{1,t},\dots,f_{K,t}\), numite factori. În forma cu randamente în exces,

\[R_{i,t} - R_{f,t} = \alpha_i + \beta_{i,1} f_{1,t} + \dots + \beta_{i,K} f_{K,t} + \varepsilon_{i,t},\]
(3.1)

unde \(R_{i,t}\) este randamentul activului \(i\) în perioada \(t\), iar \(R_{f,t}\) rata fără risc. Coeficientul \(\beta_{i,k}\) este loading-ul factorial (factor loading), expunerea activului \(i\) la factorul \(k\), iar \(\varepsilon_{i,t}\) este șocul specific activului, sau idiosincratic.

Termenul liber \(\alpha_i\) este partea randamentului mediu în exces pe care factorii nu o explică. Cînd factorii sînt chiar randamente în exces ale unor portofolii tranzacționate, un model care evaluează corect activul implică \(\alpha_i = 0\): randamentul mediu este explicat integral de expunerile \(\beta_{i,k}\) înmulțite cu randamentele medii ale factorilor. A testa un model de evaluare înseamnă, așadar, a testa dacă termenii liberi din (3.1) sînt nuli, simultan pentru toate activele.

Pe scurt

  • Un model factorial explică randamentul activului \(i\) prin cîteva variabile comune \(f_{1,t},\dots,f_{K,t}\), numite factori
    \[ R^e_{i,t} = R_{i,t} - R_{f,t} = \alpha_i + \beta_{i,1} f_{1,t} + \dots + \beta_{i,K} f_{K,t} + \varepsilon_{i,t} \]
    • \(R^e_{i,t}\): randamentul în exces al activului \(i\) în perioada \(t\); \(R_{f,t}\): rata fără risc
    • \(K\): numărul de factori
    • \(\beta_{i,k}\): încărcarea factorială (factor loading): expunerea activului \(i\) la factorul \(k\)
    • \(\alpha_i\): abaterea medie a randamentului în exces de la cea explicată de factori
    • \(\varepsilon_{i,t}\): abaterea din perioada \(t\), specifică activului (idiosincratică), cu medie zero
  • Dacă factorii sînt randamente în exces ale unor portofolii tranzacționate, un model care evaluează corect activul implică \(\alpha_i = 0\)

La ce folosește un model factorial?

Slide 4 în PDF

Capitolul folosește modelele factoriale în două moduri:

  1. Explicarea unui activ: pentru ETF-ul de tehnologie XLK, unei creșteri de un punct procentual a randamentului în exces al pieței americane îi corespunde o creștere estimată de 1,28 puncte, o estimație obținută în secțiunea despre estimarea lui beta.
  2. Evaluarea unui fond: întrebarea este dacă valoarea lui \(\alpha_i\) este pozitivă după ce expunerile lui sînt evaluate, temă tratată în secțiunea despre testarea CAPM și în secțiunea despre investițiile factoriale.

Alte utilizări, tratate în Campbell, Lo & MacKinlay (1997), capitolele 5–6, sînt costul capitalului, construcția portofoliilor și managementul riscului.

În managementul riscului avantajul este numărul de parametri. Matricea de covarianță a \(N\) active are \(N(N+1)/2\) varianțe și covarianțe distincte. Un model cu \(K\) factori o înlocuiește cu cele \(NK\) loadings, cele \(K(K+1)/2\) elemente ale matricei de covarianță a factorilor și cele \(N\) varianțe specifice, în total \(NK + K(K+1)/2 + N\) parametri, un număr care crește liniar, nu pătratic, cu \(N\). Numărarea presupune că reziduurile activelor nu sînt corelate între ele; altfel, cele \(N\) varianțe specifice nu sînt suficiente.

Ideea economică a capitolului este că randamentul mediu este plata pentru risc. Investitorii cer o primă pentru riscurile comune pe care le poartă, factorii (piața, mărimea, valoarea și alții), iar restricția de evaluare este \(\mathbb{E}[R^e_i] = \boldsymbol\beta_i^\top\boldsymbol\lambda\). La expuneri egale la ceilalți factori, o expunere mai mare la un factor ridică randamentul mediu dacă prima acelui factor este pozitivă. Ce rămîne, în medie, neexplicat de expuneri este \(\alpha\).

Pe scurt

  • Ideea capitolului: randamentul mediu este plata pentru risc
    • investitorii cer o primă pentru riscurile comune: factorii (piața, mărimea, valoarea …)
    • la expuneri egale la ceilalți factori, o expunere \(\beta\) mai mare la un factor ridică randamentul mediu dacă prima acelui factor este pozitivă
    • restricția de evaluare este \(\mathbb{E}[R^e_i] = \boldsymbol\beta_i^\top\boldsymbol\lambda\), cu \(\boldsymbol\lambda\) primele factorilor; ce rămîne, în medie, neexplicat de expuneri este \(\alpha\)
  • Două utilizări în acest capitol
    • Explicarea unui activ: pentru XLK (Technology Select Sector SPDR Fund), ETF-ul sectorului de tehnologie, unei creșteri de un punct procentual a randamentului în exces al pieței americane îi corespunde o creștere estimată de \(1{,}28\) puncte (Secțiunea 3)
    • Evaluarea unui fond: rămîne \(\alpha_i\) pozitiv după ce ținem cont de expunerile lui (Secțiunile 4 și 8)?
  • Datele și notațiile pentru randamente sînt în Aprofundări

Sinteza secțiunii

Un model factorial scrie randamentul în exces ca expuneri înmulțite cu factori plus un termen liber, iar un model de evaluare este restricția \(\mathbb{E}[R^e_i] = \boldsymbol\beta_i^\top \boldsymbol\lambda\). Cînd factorii sînt randamente în exces ale unor portofolii tranzacționate, restricția implică termeni liberi nuli în regresia pe acești factori; pentru o surpriză macro centrată, termenul liber este chiar randamentul mediu în exces. Testele capitolului folosesc cele 25 de portofolii mărime × B/M și factorii French, în randamente simple lunare; ETF-urile sectoriale, ETF-urile factoriale și acțiunile de la BVB (Bursa de Valori București) oferă aplicațiile investibile și locale.

De la Markowitz la CAPM

Secțiunea derivă CAPM din alegerea medie–varianță. Dacă investitorii țin cont doar de media și de varianța randamentului portofoliului, toți combină activul fără risc cu un singur portofoliu riscant, portofoliul tangent. În echilibru, acest portofoliu trebuie să fie piața, iar randamentul așteptat în exces al fiecărui activ este atunci proporțional cu beta lui față de piață. Secțiunea aplică pasul medie–varianță celor nouă ETF-uri sectoriale din SUA (Statele Unite ale Americii) și enunță ipotezele și implicațiile CAPM pe care secțiunile următoare le testează.

Ce portofoliu deține un investitor medie–varianță?

Slide 5 în PDF

Secțiunea răspunde la două întrebări:

  1. Dacă investitorii aleg doar după medie și varianță, ce portofoliu dețin? Răspunsul este frontiera lui Markowitz (1952), care dă portofoliul cu cel mai mare raport Sharpe.
  2. Ce randament mediu obține atunci fiecare activ? Răspunsul este CAPM (Sharpe, 1964), (Lintner, 1965), care afirmă că acest portofoliu este chiar portofoliul pieței.

Ambii pași se aplică celor nouă ETF-uri sectoriale americane cu istoric lung din familia Select Sector SPDR, disponibile din decembrie 1998. Ele sînt investibile, iar seriile lor sînt neîntrerupte între 1999 și 2026. Acoperirea lor s-a schimbat însă: reclasificările standardului global de clasificare a industriilor (GICS, Global Industry Classification Standard) din 2016, care a creat sectorul imobiliar, și din 2018, care a creat serviciile de comunicații, au mutat companii în afara acestor nouă fonduri. Cele nouă nu mai acoperă, așadar, întregul S&P 500 (Standard & Poor's).

Pe scurt

  • Întrebarea secțiunii: dacă investitorii aleg doar după medie și varianță, ce portofoliu dețin?
  • A doua întrebare: ce randament mediu rezultă atunci pentru fiecare activ?
  • Pasul 1: frontiera lui Markowitz (1952) dă portofoliul cu cel mai mare raport Sharpe
  • Pasul 2: CAPM (Sharpe (1964); Lintner (1965)) spune că acest portofoliu este chiar portofoliul pieței
  • Aplicăm pe cele nouă ETF-uri sectoriale din SUA (Statele Unite ale Americii) cu istoric lung (Select Sector SPDR), disponibile din decembrie 1998
    • sînt investibile, iar seriile lor sînt continue din 1999 pînă în 2026
    • reclasificările GICS (Global Industry Classification Standard) din 2016 (imobiliare) și 2018 (servicii de comunicații) au mutat companii în afara acestor nouă fonduri
    • de aceea, cele nouă nu mai acoperă întregul indice S&P 500 (Standard & Poor's 500), al celor 500 de mari companii americane

Frontiera medie–varianță

Slide 6 în PDF

Fie \(\mathbf{w}\) vectorul ponderilor portofoliului, \(\boldsymbol\mu\) vectorul randamentelor așteptate în exces și \(\boldsymbol\Sigma\) matricea de covarianță a randamentelor. Frontiera lui Markowitz (1952) este mulțimea portofoliilor complet investite cu cea mai mică varianță pentru fiecare medie-țintă \(\mu^*\):

\[\min_{\mathbf{w}}\; \mathbf{w}^\top \boldsymbol{\Sigma}\, \mathbf{w} \quad \text{cu restricțiile} \quad \mathbf{w}^\top \boldsymbol{\mu} = \mu^*,\; \mathbf{w}^\top \mathbf{1} = 1.\]
(3.2)

Semnul ponderilor nu este restricționat; o pondere negativă este o poziție short.

Condițiile de ordinul întîi ale problemei (3.2) dau \(\mathbf{w}^* = \boldsymbol{\Sigma}^{-1}(\eta_1\boldsymbol{\mu} + \eta_2\mathbf{1})\), unde \(\eta_1\) și \(\eta_2\) sînt multiplicatorii Lagrange fixați de cele două restricții. Pentru că multiplicatorii sînt liniari în \(\mu^*\), la fel sînt și ponderile. Rezultă că orice portofoliu de pe frontieră este o combinație a oricăror două portofolii de pe frontieră, proprietate numită separarea în două fonduri (two-fund separation).

În planul volatilității \(\sigma_p\) și al mediei \(\mu_p\), frontiera este o hiperbolă. Punctul ei cel mai din stînga este portofoliul de varianță minimă. Sub acest punct, fiecare portofoliu este dominat de unul cu aceeași varianță și medie mai mare, deci doar ramura superioară, de deasupra portofoliului de varianță minimă, este frontiera eficientă.

Pe scurt

  • Markowitz (1952): portofoliile de pe frontieră se obțin rezolvînd
    \[ \min_{\mathbf{w}}\; \mathbf{w}^\top \boldsymbol{\Sigma}\, \mathbf{w} \quad \text{cu condițiile} \quad \mathbf{w}^\top \boldsymbol{\mu} = \mu^*,\; \mathbf{w}^\top \mathbf{1} = 1 \]
    • \(\mathbf{w}\): ponderile
    • \(\boldsymbol{\mu}\): randamentele în exces așteptate
    • \(\boldsymbol{\Sigma}\): matricea de covarianță
  • Ponderile negative sînt poziții short
  • Soluția: \(\mathbf{w}^* = \boldsymbol{\Sigma}^{-1}(\eta_1\boldsymbol{\mu} + \eta_2\mathbf{1})\)
    • \(\eta_1\), \(\eta_2\): multiplicatorii Lagrange, fixați de cele două restricții
  • Ponderile \(\mathbf{w}^*\) sînt liniare în \(\mu^*\)
    • orice portofoliu de pe frontieră este o combinație a două portofolii de pe frontieră (teorema celor două fonduri)
  • În planul \((\sigma_p, \mu_p)\) frontiera este o hiperbolă
    • ramura de deasupra portofoliului de varianță minimă este frontiera eficientă

Raportul Sharpe și portofoliul tangent

Slide 7 în PDF

Raportul Sharpe al portofoliului \(p\), \(SR_p = \mathbb{E}[R_p - R_f]/\sigma_p\), este randamentul lui așteptat în exces pe unitatea de volatilitate, unde \(R_p\) și \(\sigma_p\) sînt randamentul și volatilitatea portofoliului. Cînd există un activ fără risc, problema investitorului se reduce la găsirea portofoliului riscant cu cel mai mare raport Sharpe, portofoliul tangent:

\[\mathbf{w}_{\text{tan}} = \frac{\boldsymbol{\Sigma}^{-1}\boldsymbol{\mu}}{\mathbf{1}^\top\boldsymbol{\Sigma}^{-1}\boldsymbol{\mu}}.\]
(3.3)

Formula este valabilă cînd \(\boldsymbol\Sigma\) este pozitiv definită și numitorul este pozitiv; numitorul doar rescalează \(\boldsymbol\Sigma^{-1}\boldsymbol\mu\) astfel încît ponderile să aibă suma 1.

Toate combinațiile dintre activul fără risc și portofoliul tangent se află pe dreapta pieței de capital (CML, Capital Market Line), \(\mu_p = SR_{\text{tan}}\,\sigma_p\), dreapta care pleacă de la rata fără risc și este tangentă la frontiera eficientă. Dacă portofoliul pieței este portofoliul tangent, condiția de ordinul întîi a problemei tangente implică faptul că randamentul mediu în exces al fiecărui activ este liniar în beta lui față de piață. Problema A2 din Seminarul 3 derivă acest rezultat.

Pe scurt

  • Raportul Sharpe \(SR_p = \mathbb{E}[R_p - R_f]/\sigma_p\): randamentul în exces pe unitatea de volatilitate
  • Portofoliul tangent: portofoliul cu cel mai mare raport Sharpe
    \[ \mathbf{w}_{\text{tan}} = \boldsymbol{\Sigma}^{-1}\boldsymbol{\mu}\,/\,\mathbf{1}^\top\boldsymbol{\Sigma}^{-1}\boldsymbol{\mu} \]
    • formula este valabilă dacă \(\boldsymbol\Sigma\) este pozitiv definită și numitorul este pozitiv
    • \(R_p\), \(\sigma_p\): randamentul și volatilitatea portofoliului \(p\)
    • numitorul rescalează \(\boldsymbol{\Sigma}^{-1}\boldsymbol{\mu}\) astfel încît ponderile să aibă suma 1
  • CML (Capital Market Line, dreapta pieței de capital): \(\mu_p = SR_{\text{tan}}\,\sigma_p\)
    • toate combinațiile dintre activul fără risc și portofoliul tangent
  • Dacă piața este portofoliul tangent, randamentul mediu al oricărui activ este liniar în beta
    • Seminarul 3, problema A2

Frontiera eficientă a sectoarelor din SUA (1/2)

Slide 8 în PDF

Graficul estimează frontiera celor nouă ETF-uri sectoriale din date lunare, ianuarie 1999 – iulie 2026 (\(T = 331\) de luni). Pe axa orizontală este volatilitatea anualizată, iar pe cea verticală randamentul mediu anualizat în exces, ambele ca fracții (\(0{,}10 = 10\%\)). Frontiera este calculată in-sample, din mediile și covarianțele de eșantion, iar graficul marchează portofoliul tangent și SPY (SPDR S&P 500 ETF Trust, fondul tranzacționat la bursă pe indicele S&P 500), ETF-ul care replică S&P 500 și servește ca aproximare a pieței.

În versiunea interactivă, cursorul fixează ultima lună a eșantionului de estimare, de la luna 60 pînă la toate cele 331 de luni, iar butonul ▶ extinde eșantionul pas cu pas. Al doilea panou arată ponderile portofoliului tangent pentru eșantionul ales.

    Întrebare pentru sală SPY are raportul Sharpe 0,49, iar portofoliul tangent al sectoarelor 0,66. Respinge această distanță CAPM?
    Răspuns

    Nu. Portofoliul tangent este optimizat in-sample, deci diferența trebuie evaluată statistic. Testul GRS pe cele nouă sectoare, cu Mkt-RF ca piață, dă GRS = 0,53, cu p = 0,85: nu respingem CAPM la 5%, ceea ce nu dovedește că modelul este corect. Portofoliul tangent are poziții short mari: −0,37 în XLF (Financial Select Sector SPDR Fund, ETF pe sectorul financiar) și −0,21 în XLB (Materials Select Sector SPDR Fund, ETF pe sectorul materiilor prime).

    Portofoliul tangent are randamentul mediu în exces 8,55%, volatilitatea 12,96% și raportul Sharpe 0,66; SPY are 7,44%, 15,08% și 0,49. În acest eșantion SPY se află deci sub frontieră, în timp ce CAPM cere ca piața să fie chiar portofoliul tangent. Pentru că portofoliul tangent este optimizat pe aceleași date, rămîne întrebarea cît din această distanță este eroare de estimare; Secțiunea 4 o testează față de factorul de piață Mkt−RF (Risk-Free rate, rata fără risc).

    Pe scurt

    Legenda: Efficient frontier (risky sectors): frontiera eficientă a sectoarelor; Inefficient branch: ramura ineficientă a frontierei de varianță minimă; Tangency portfolio: portofoliul tangent; in-sample frontier: frontiera estimată în eșantion (in-sample), pe tot eșantionul 1999–2026 MFM_ch3_frontier

    Frontiera eficientă a sectoarelor din SUA (2/2)

    Slide 9 în PDF

    Portofoliul tangent al celor nouă sectoare are randamentul mediu în exces 8,55% pe an, volatilitatea 12,96% și raportul Sharpe 0,66. SPY are media 7,44%, volatilitatea 15,08% și raportul Sharpe 0,49, deci se află sub frontiera estimată. CAPM, introdus în cadrele următoare, cere ca piața să fie chiar portofoliul tangent.

    Diferența de raport Sharpe, 0,66 față de 0,49, poate proveni în parte din eroarea de estimare: portofoliul tangent este optimizat pe aceleași date pe care este evaluat. Cît din diferență rămîne după eroarea de estimare? Testul din secțiunea despre testarea CAPM compară îmbunătățirea cu cea pe care ar produce-o zgomotul de estimare, cu factorul de piață Mkt−RF ca reper, nu cu SPY.

    Portofoliul tangent conține și poziții short mari, \(-0{,}37\) în sectorul financiar (XLF) și \(-0{,}21\) în materiale (XLB); Aprofundările arată ce conține fiecare sector. Asemenea ponderi extreme apar pentru că mediile sînt estimate cu zgomot, problema studiată în Capitolul 4.

    Pe scurt

    • Axele graficului: volatilitatea și randamentul mediu în exces, anualizate
      • ca fracții, cu punct zecimal, ca pe axe (\(0.10 = 10\%\))
      • 9 ETF-uri sectoriale, lunar, ianuarie 1999 – iulie 2026 (\(T = 331\) luni)
    • Portofoliul tangent (steaua roșie): medie \(8{,}55\%\), volatilitate \(12{,}96\%\), raport Sharpe \(0{,}66\)
    • SPY (cercul verde): medie \(7{,}44\%\), volatilitate \(15{,}08\%\), raport Sharpe \(0{,}49\)
      • ETF-ul care replică S&P 500, folosit ca aproximare a pieței
    • CAPM (slide-urile următoare) cere ca piața să fie chiar portofoliul tangent
      • în acest eșantion, SPY se află sub frontieră
    • Raport Sharpe \(0{,}66\) față de \(0{,}49\) în acest eșantion: ar putea diferența să provină din eroarea de estimare?
      • portofoliul tangent este optimizat pe aceleași date pe care este evaluat
      • testul formal: Secțiunea 4
    • Portofoliul tangent are poziții short mari
      • \(-0{,}37\) în financiar (XLF) și \(-0{,}21\) în materiale (XLB)
      • ce conține fiecare sector și ponderile complete: Aprofundări
    • Ponderile extreme apar pentru că mediile sînt estimate cu zgomot (Capitolul 4)
    MFM_ch3_frontier

    CAPM: Sharpe, Lintner, Black

    Slide 10 în PDF

    CAPM a fost formulat de Sharpe (1964) și Lintner (1965). Dacă toți investitorii aleg portofolii eficiente în sens medie–varianță și au aceleași convingeri despre medii și covarianțe, toți dețin același portofoliu tangent, combinat cu activul fără risc în proporții date de aversiunea lor față de risc. Cum fiecare activ trebuie deținut de cineva, portofoliul tangent trebuie să fie atunci portofoliul pieței, în care fiecare activ are ponderea valorii lui de piață.

    Implicația pentru evaluare este că randamentul așteptat în exces al fiecărui activ este proporțional cu beta lui:

    \[\mathbb{E}[R_i] - R_f = \beta_i\,\big(\mathbb{E}[R_m] - R_f\big), \qquad \beta_i = \frac{\operatorname{Cov}(R_i, R_m)}{\operatorname{Var}(R_m)},\]
    (3.4)

    unde \(R_i\) și \(R_m\) sînt randamentele activului \(i\) și ale portofoliului pieței, iar \(\mathbb{E}[R_m] - R_f\) este prima de risc a pieței. Beta măsoară sensibilitatea activului la piață; un activ cu \(\beta_i > 1\) amplifică mișcările pieței.

    Black (1972) a derivat o versiune fără împrumut nelimitat la rata fără risc. În acest CAPM cu beta zero (zero-beta CAPM), rata fără risc din (3.4) este înlocuită cu randamentul așteptat al unui portofoliu necorelat cu piața; consecința lui, o SML mai plată, este discutată în Aprofundări.

    Pe scurt

    CAPM: Sharpe, Lintner, Black William F. Sharpe, Premiul Nobel pentru Economie 1990, cu Markowitz și Miller Foto: Larry D. Moore (2007); CC BY 4.0; Wikimedia Commons
    • CAPM a fost formulat de Sharpe (1964) și Lintner (1965)
    • Toți investitorii dețin același portofoliu tangent
      • dacă toți aleg portofolii eficiente medie–varianță și au aceleași așteptări
    • Cum fiecare activ trebuie deținut de cineva, portofoliul tangent este chiar portofoliul pieței
    • Randamentul în exces așteptat este proporțional cu beta
      \[ \mathbb{E}[R_i] - R_f = \beta_i\,\big(\mathbb{E}[R_m] - R_f\big), \qquad \beta_i = \frac{\operatorname{Cov}(R_i, R_m)}{\operatorname{Var}(R_m)} \]
      • \(R_i\), \(R_m\): randamentele activului \(i\) și ale portofoliului pieței
      • \(\mathbb{E}[R_m] - R_f\): prima de risc a pieței
      • \(\beta_i\): sensibilitatea activului \(i\) la piață, \(\beta_i > 1\) amplifică mișcările pieței
    • Black (1972): CAPM cu beta zero (Aprofundări: o SML plată)
      • o versiune fără împrumut nelimitat la rata fără risc

    Implicațiile CAPM

    Slide 11 în PDF

    Ipotezele sînt puternice: investitori medie–varianță cu aceleași convingeri și o singură perioadă, împrumut și plasament nelimitate la \(R_f\), fără taxe și fără costuri de tranzacționare. În aceste condiții doar beta aduce o primă de risc: la același beta, modelul prezice același randament așteptat, deci nicio altă caracteristică nu ar trebui să explice diferențele dintre randamentele așteptate ale activelor cu același beta. Riscul idiosincratic nu este remunerat, pentru că diversificarea îl elimină. Folosirea CAPM pentru costul capitalului și incertitudinea care contează acolo sînt tratate în Aprofundări.

    Afirmația testabilă este dreapta pieței titlurilor (SML, Security Market Line): orice activ se află pe dreapta din planul (beta, medie), iar panta acestei drepte este egală cu prima pieței. SML și CML nu trebuie confundate. SML conține orice activ și orice portofoliu, eficient sau nu, și reprezintă media în funcție de beta; CML conține doar portofoliile eficiente și reprezintă media în funcție de volatilitate.

    O ultimă întrebare este ce portofoliu este „piața”. Răspunsul determină ce poate stabili un test al CAPM, subiectul criticii lui Roll din Secțiunea 4.

    Pe scurt

    • Ipotezele CAPM
      • investitori medie–varianță cu aceleași așteptări, o singură perioadă
      • împrumut și plasament nelimitate la \(R_f\)
      • fără taxe sau costuri de tranzacționare
    • Doar beta aduce o primă de risc: un randament mediu mai mare pentru riscul purtat
      • la același beta, modelul prezice același randament așteptat, oricare ar fi celelalte caracteristici ale activului
    • Riscul idiosincratic nu aduce nicio primă
      • se elimină prin diversificare, deci nimeni nu plătește pentru el
    • SML (Security Market Line, dreapta pieței titlurilor): orice activ se află pe dreapta (beta, medie)
      • panta dreptei este egală cu prima pieței
      • SML este afirmația testabilă a CAPM (Secțiunea 4)
    • Spre deosebire de SML, CML conține doar portofoliile eficiente
    • Care portofoliu este „piața”?
      • răspunsul determină ce poate stabili un test al CAPM (critica lui Roll, Secțiunea 4)

    De la CAPM la regresie: ce este alfa

    Slide 12 în PDF

    CAPM este o afirmație despre medii: (3.4) leagă randamentul așteptat în exces al activului de cel al pieței; exprimată în randamente în exces, relația nu conține termen liber. În date se observă însă randamente lunare, nu medii adevărate, așa că relația se estimează ca regresie în serii de timp, modelul de piață (market model):

    \[R_{i,t} - R_{f,t} = \alpha_i + \beta_i\,(R_{m,t} - R_{f,t}) + \varepsilon_{i,t}.\]

    Termenul liber \(\alpha_i\), alfa, este randamentul mediu în exces pe care beta nu îl explică. Luînd media ambilor membri, \(\alpha_i = \mathbb{E}[R^e_i] - \beta_i\,\mathbb{E}[R^e_m]\), cu \(R^e = R - R_f\): alfa este distanța verticală dintre activ și dreapta pieței titlurilor (SML, security market line). Un alfa pozitiv înseamnă un randament mediu mai mare decît cel justificat de riscul de piață asumat.

    De aceea alfa este mărimea pe care o urmăresc toți investitorii: ea măsoară performanța care rămîne după ajustarea pentru riscul de piață. Dintre două fonduri cu același beta, cel cu randament mediu mai mare are alfa mai mare. Expunerea la piață se poate obține cu costuri reduse printr-un fond indexat; administratorii activi de fonduri sînt plătiți pentru alfa, adică pentru randamentul obținut peste această expunere.

    CAPM afirmă că, în echilibru, \(\alpha_i = 0\) pentru orice activ. Secțiunea următoare estimează \(\beta_i\) și \(\alpha_i\), iar secțiunea despre testarea CAPM testează dacă toate valorile alfa sînt simultan nule.

    Pe scurt

    • CAPM este o afirmație despre medii; exprimată în randamente în exces, relația nu are termen liber
      \[ \mathbb{E}[R^e_i] = \beta_i\,\mathbb{E}[R^e_m], \qquad R^e = R - R_f \]
    • În date avem randamente lunare, deci estimăm o regresie, modelul de piață
      \[ R_{i,t} - R_{f,t} = \alpha_i + \beta_i\,\big(R_{m,t} - R_{f,t}\big) + \varepsilon_{i,t} \]
      • alfa, \(\alpha_i\): randamentul mediu în exces pe care beta nu îl explică
      • în medie, \(\alpha_i = \mathbb{E}[R^e_i] - \beta_i\,\mathbb{E}[R^e_m]\): distanța verticală a activului față de SML
    • Toată lumea vrea alfa
      • ce performanță rămîne după ajustarea pentru riscul de piață? Două fonduri cu același beta: cel cu randament mediu mai mare are alfa mai mare
      • expunerea la piață se poate obține cu costuri reduse printr-un fond indexat; administratorii activi sînt plătiți pentru alfa
    • CAPM spune că, în echilibru, \(\alpha_i = 0\) pentru orice activ

    Sinteza secțiunii

    Frontiera medie–varianță și portofoliul tangent rezultă din (3.2) și (3.3); CAPM adaugă condiția de echilibru ca portofoliul tangent să fie piața, din care rezultă relația liniară (3.4) dintre randamentul mediu în exces și beta. Pe cele nouă sectoare americane, SPY se află sub frontiera in-sample; rămîne de văzut cît din această distanță este eroare de estimare. Scrisă ca regresie, relația CAPM capătă un termen liber, alfa, pe care CAPM îl cere nul. Secțiunea următoare estimează beta, singura mărime cu primă de risc în CAPM, împreună cu incertitudinea lui.

    Estimarea lui beta

    În CAPM, beta este singura caracteristică a unui activ care aduce o primă de risc și intră în costul capitalului și în deciziile de acoperire a riscului (hedging). Secțiunea estimează beta prin metoda celor mai mici pătrate, calculează erori standard robuste la heteroscedasticitate și autocorelație și examinează alegerile care schimbă estimația: frecvența, fereastra, aproximarea pieței, curățarea datelor și tranzacționarea asincronă. Arată apoi că valorile beta variază în timp și că shrinkage-ul spre o distribuție a priori transversală le îmbunătățește prognoza.

    Cît de precis putem măsura beta?

    Slide 13 în PDF

    Secțiunea întreabă cu cît se mișcă un activ cînd piața se mișcă cu 1% și cît de sigur este acest număr. Beta intră în costul capitalului, unde înmulțește prima pieței, și în acoperirea riscului, unde fixează mărimea poziției compensatoare pe piață. Un beta imprecis își transmite deci eroarea în ambele.

    Exemplul care parcurge secțiunea este XLK, ETF-ul de tehnologie, sectorul cu cel mai mare beta din eșantion. Pașii sînt erorile standard robuste și alegerile care schimbă beta, apoi valorile beta rolling, shrinkage-ul și aplicația la BVB.

    Pe scurt

    • Întrebarea secțiunii: cu cît se mișcă un activ cînd piața se mișcă cu 1%?
      • cît de sigură este această cifră?
    • Beta intră în costul capitalului și în acoperirea riscului
    • Exemplul de lucru: XLK, ETF-ul de tehnologie, sectorul cu cel mai mare beta din eșantion
    • Pașii secțiunii
      • erori standard robuste
      • de ce depinde un beta estimat
      • beta pe ferestre mobile (rolling windows)
      • contracția: estimațiile sînt trase spre media activelor
      • aplicarea la BVB (Bursa de Valori București)

    Beta ETF-ului de tehnologie (XLK) în date

    Slide 14 în PDF

    Graficul are trei panouri, toate pe randamentele lunare ale XLK. Panoul din stînga arată regresia prin metoda celor mai mici pătrate (OLS, Ordinary Least Squares) a randamentului în exces al XLK pe randamentul în exces al pieței. Panoul din mijloc arată reziduurile OLS în timp, cu salturi în 2000–2002, 2008 și 2020. Panoul din dreapta arată distribuția bootstrap a valorii alfa estimate, cu intervalul ei de 95%.

    Salturile reziduurilor sînt motivul pentru care erorile standard clasice sînt suspecte: varianța reziduală nu este constantă, un simptom al volatility clustering documentat în Capitolul 1. Bootstrap-ul din panoul din dreapta reeșantionează blocuri de luni consecutive, astfel încît dependența din interiorul unui bloc se păstrează.

    În versiunea interactivă, primul cursor fixează lungimea blocului bootstrap, de la 1 la 36 de luni, iar al doilea numărul de laguri Newey–West \(L\), de la 0 la 12. Valorile afișate sînt alfa, beta și eroarea standard a lui beta cu formulele clasică, White și Newey–West.

      Întrebare pentru sală Eroarea standard a lui beta XLK este 0,041 cu formula clasică și 0,082 cu Newey–West. Se schimbă și estimația beta = 1,277?
      Răspuns

      Nu. Calculul Newey–West păstrează coeficienții OLS și schimbă matricea estimată de covarianță a acestora; nu reponderează observațiile și nu aplică shrinkage. Beta rămîne 1,277. Alfa anual estimat este 0,33%, cu t = 0,13. Intervalul bootstrap de 95%, [−5,5%; 4,9%], include zero: nu respingem alfa zero la 5%.

      Beta estimat este 1,277 și rămîne același pentru orice \(L\): calculul Newey–West păstrează coeficienții OLS și schimbă doar matricea lor de covarianță estimată. Eroarea standard a lui beta este 0,041 cu formula clasică și 0,082 cu Newey–West. Alfa anual estimat este 0,33%, cu \(t = 0{,}13\), iar intervalul bootstrap de 95% pentru alfa, de la −5,5% la 4,9%, include zero, deci nu respingem alfa zero la 5%.

      Pe scurt

      XLK pe Mkt-RF (randamentul în exces al pieței americane), randamente lunare în exces, ian. 1999 – iul. 2026. Stînga: dreapta OLS (Ordinary Least Squares, metoda celor mai mici pătrate), \(\hat\beta = 1{,}277\); mijloc: reziduurile OLS, cu vîrfuri în 2000–2002, 2008 și 2020; dreapta: distribuția bootstrap (prin reeșantionare) a lui alfa (detalii în Aprofundări) MFM_ch3_seminar

      Modelul de piață și erorile HAC

      Slide 15 în PDF

      Modelul de piață regresează randamentul în exces al activului \(i\) pe randamentul în exces al pieței,

      \[R^e_{i,t} = \alpha_i + \beta_i R^e_{m,t} + \varepsilon_{i,t},\]
      (3.5)

      iar estimația OLS a pantei este analogul de eșantion al lui beta din CAPM, \(\hat\beta_i = \widehat{\operatorname{Cov}}(R^e_i, R^e_m)/\widehat{\operatorname{Var}}(R^e_m)\). Modelul împarte varianța activului în două părți, \(\sigma_i^2 = \beta_i^2 \sigma_m^2 + \sigma_{\varepsilon,i}^2\), unde \(\sigma_i^2\) și \(\sigma_m^2\) sînt varianțele activului și ale pieței, iar \(\sigma_{\varepsilon,i}^2\) varianța reziduală. Prima parte este riscul sistematic, cu primă de risc în CAPM; a doua este riscul idiosincratic, pe care diversificarea îl elimină. Coeficientul de determinare \(R^2 = \beta_i^2\sigma_m^2/\sigma_i^2\) este ponderea sistematică.

      Eroarea standard OLS clasică presupune reziduuri cu varianță constantă și fără autocorelație. Niciuna dintre ipoteze nu este valabilă pentru randamentele activelor. Volatility clustering face reziduurile heteroscedastice, iar produsul \(R^e_{m,t}\varepsilon_{i,t}\), a cărui varianță determină precizia lui \(\hat\beta\), poate fi autocorelat. Pentru XLK pe Mkt-RF, lunar 1999–2026, \(\hat\beta = 1{,}277\), iar eroarea standard este 0,041 cu formula clasică, 0,054 cu erorile White și 0,082 cu Newey–West (5 laguri): estimația rămîne aceeași, se schimbă doar matricea de covarianță estimată a coeficienților. Erorile standard consistente la heteroscedasticitate și autocorelație (HAC, heteroskedasticity and autocorrelation consistent) (Newey & West, 1987) corectează ambele probleme.

      Pe scurt

      • Modelul de piață \(R^e_{i,t} = \alpha_i + \beta_i R^e_{m,t} + \varepsilon_{i,t}\)
      • OLS: \(\hat\beta_i = \widehat{\operatorname{Cov}}(R^e_i, R^e_m)/\widehat{\operatorname{Var}}(R^e_m)\)
        • Ordinary Least Squares, metoda celor mai mici pătrate
      • Descompunerea \(\sigma_i^2 = \beta_i^2 \sigma_m^2 + \sigma_{\varepsilon,i}^2\)
        • risc sistematic (cu primă de risc în CAPM) plus risc idiosincratic (diversificabil)
        • \(\sigma_i^2\), \(\sigma_m^2\): varianțele activului și ale pieței, \(\sigma_{\varepsilon,i}^2\): varianța reziduurilor
        • \(R^2 = \beta_i^2\sigma_m^2/\sigma_i^2\) este ponderea sistematică
      • De ce erori HAC (Newey & West (1987))?
        • HAC: Heteroskedasticity and Autocorrelation Consistent, robuste la heteroscedasticitate și autocorelație
        • gruparea volatilității (volatility clustering, Capitolul 1) face reziduurile heteroscedastice
        • produsul \(R^e_{m,t}\varepsilon_{i,t}\) poate fi autocorelat
      • HAC schimbă matricea de covarianță estimată a coeficienților, nu estimația OLS
      • XLK pe Mkt-RF, lunar 1999–2026: \(\hat\beta = 1{,}277\) în toate cele trei cazuri
        • eroarea standard: \(0{,}041\) (clasică), \(0{,}054\) (White, doar heteroscedasticitate), \(0{,}082\) (Newey–West, 5 laguri)
        • ponderile, numărul de laguri și ipotezele: Aprofundări

      De ce depinde un beta estimat (1/2)

      Slide 16 în PDF

      Un beta estimat nu este doar o proprietate a activului; depinde și de alegerile analistului:

      1. Frecvența și fereastra. Practica obișnuită folosește trei pînă la cinci ani de date lunare sau unul pînă la doi ani de date zilnice. O fereastră mai lungă reduce eroarea standard, dar amestecă perioade în care beta adevărat poate fi diferit, cum arată cadrele despre valorile beta variabile în timp.
      2. Aproximarea pieței: SPY, care replică S&P 500, sau factorul de piață Fama–French Mkt-RF pentru activele americane și BET (Bucharest Exchange Trading, index, indicele de referință al Bursei de Valori București) pentru acțiunile românești. Aproximări diferite dau valori beta diferite pentru același activ.
      3. Curățarea datelor. Un eveniment de capital neajustat în seria de prețuri creează un randament fals. Pe 7 septembrie 2023, data ex-dividend a unui dividend special de 1,7225 lei pe acțiune al Fondului Proprietatea (FP), prețul de închidere a scăzut cu 81%, dar randamentul total al zilei, cu dividendul inclus, a fost +6,0%. O regresie pe prețuri neajustate ar trata scăderea ca pe o pierdere de 81% fără legătură cu piața și ar distorsiona atît beta, cît și varianța reziduală.

      Pe scurt

      • Frecvența și fereastra: de obicei 3–5 ani de date lunare sau 1–2 ani de date zilnice
        • o fereastră mai lungă reduce eroarea standard
        • dar amestecă regimuri diferite ale lui beta (Beta nu este constant)
      • Aproximarea pieței: SPY (S&P 500) sau Mkt-RF pentru active din SUA, BET (Bucharest Exchange Trading, indicele de referință al Bursei de Valori București) pentru acțiuni românești
      • Curățarea datelor: un eveniment de capital neajustat creează un randament fals
        • Exemplu: 7 septembrie 2023 este data ex a dividendului special de 1,7225 lei pe acțiune al Fondului Proprietatea (FP)
        • În acea zi prețul de închidere scade cu \(81\%\) (randament fals, din prețuri), dar randamentul total al zilei, cu dividendul, este \(+6{,}0\%\)

      De ce depinde un beta estimat (2/2)

      Slide 17 în PDF

      A patra alegere privește tranzacționarea asincronă (asynchronous trading): prețurile de închidere ale activelor nu sînt înregistrate în același moment. O acțiune ilichidă, care nu se tranzacționează în fiecare zi, reacționează la știrile pieței cu întîrziere, deci o parte din răspunsul ei la randamentul pieței de azi apare într-un randament ulterior. Beta OLS zilnic, care surprinde doar răspunsul din aceeași zi, este atunci deplasat spre 0.

      Beta lui Dimson (1979) corectează această deplasare prin regresia randamentului acțiunii pe trei zile de randamente ale pieței, ziua anterioară, aceeași zi și ziua următoare,

      \[R_{i,t} = a + b_{-1}R_{m,t-1} + b_0R_{m,t} + b_{+1}R_{m,t+1} + \varepsilon_{i,t}, \qquad \beta^{D} = b_{-1} + b_0 + b_{+1},\]
      (3.6)

      și prin adunarea celor trei pante. Graficul arată o simulare pentru o acțiune cu beta adevărat 1 care se tranzacționează doar în 75% din zile, cu pantele estimate pe cele trei randamente ale pieței și suma lor. Un exemplu detaliat pe XLK se află în Aprofundări.

      În versiunea interactivă, primul cursor fixează probabilitatea ca acțiunea să se tranzacționeze într-o zi, iar al doilea beta adevărat; butonul ▶ crește probabilitatea de tranzacționare.

        Întrebare pentru sală În această simulare, beta adevărat este 1, iar acțiunea se tranzacționează în 75% din zile; panta contemporană din regresia Dimson este 0,77. Cînd probabilitatea de tranzacționare ajunge de la 75% la 100%, cum se schimbă această pantă?
        Răspuns

        Panta contemporană crește de la 0,77 la aproximativ 1,00. Cu tranzacționare zilnică, reacția nu mai este amînată de zile fără tranzacții. Suma Dimson este aproximativ 0,98; într-un eșantion finit nu trebuie să fie exact 1. La 75%, panta pe randamentul pieței din ziua anterioară este 0,16, iar suma Dimson 0,93.

        La o probabilitate de tranzacționare de 75%, panta pe randamentul pieței din aceeași zi este 0,77, deci regresia pe aceeași zi subestimează beta. Panta pe randamentul pieței din ziua anterioară este 0,16: o parte din reacție sosește cu o zi întîrziere. Beta Dimson este 0,93, mult mai aproape de 1. Cînd probabilitatea de tranzacționare urcă la 100%, panta din aceeași zi crește de la 0,77 la aproximativ 1,00, pentru că zilele fără tranzacții nu mai întîrzie răspunsul; suma Dimson este atunci aproximativ 0,98, iar într-un eșantion finit nu trebuie să fie exact 1.

        Pe scurt

        • Tranzacționarea asincronă: prețurile de închidere ale activelor nu sînt înregistrate în același moment
        • O acțiune nelichidă reacționează cu întîrziere la știrile pieței, deci beta OLS zilnic este deplasat spre 0
        • Beta Dimson (Dimson (1979)) regresează randamentul acțiunii pe trei randamente ale pieței
          • din ziua anterioară, din aceeași zi și din ziua următoare
          • \(R_{i,t} = a + b_{-1}R_{m,t-1} + b_0R_{m,t} + b_{+1}R_{m,t+1} + \varepsilon_{i,t}\)
          • adună pantele: \(\beta^{D} = b_{-1} + b_0 + b_{+1}\)
        • Graficul arată o simulare
          • o acțiune cu \(\beta = 1\) se tranzacționează doar în 75% din zile
        • Panta pe randamentul pieței din aceeași zi este \(0{,}77\), deci subestimează beta
        • Panta pe randamentul pieței din ziua anterioară este \(0{,}16\)
          • o parte din reacție vine cu o zi întîrziere
        • Beta Dimson este \(0{,}93\), mult mai aproape de 1

        Beta nu este constant (1/2)

        Slide 18 în PDF

        Graficul arată valorile beta OLS rolling ale ETF-urilor sectoriale, fiecare estimată pe o fereastră de 252 de randamente logaritmice zilnice, aproximativ un an de tranzacționare, față de piață. Pe axa orizontală este timpul, iar pe cea verticală beta estimat. Un beta rolling folosește la fiecare dată doar fereastra cea mai recentă, deci urmărește schimbările expunerii pe care o regresie pe întregul eșantion le mediază.

        În versiunea interactivă, cursorul schimbă lungimea ferestrei, iar valorile afișate sînt minimul, maximul și ultima valoare a lui beta pentru fiecare sector.

          Întrebare pentru sală În aceste date, cum se schimbă amplitudinea estimărilor rolling pentru beta XLE (Energy Select Sector SPDR Fund, ETF pe sectorul energiei) cînd fereastra crește de la 252 la 504 zile?
          Răspuns

          Intervalul estimărilor trece de la [−0,31; 1,49] la [0,20; 1,38]. Fereastra mai lungă netezește variația observată. Aceasta nu dovedește că beta adevărat este constant. Beta XLF variază între 0,60 și 2,17 la 252 de zile, cu maximul imediat după criza bancară din 2008–2009.

          La 252 de zile, beta sectorului financiar (XLF) variază între 0,60 și 2,17, iar cel al energiei (XLE) între −0,31 și 1,49. Cu o fereastră de 504 zile, intervalul XLE devine 0,20 – 1,38: fereastra mai lungă netezește variația observată. Netezirea nu arată că beta adevărat este constant; fiecare fereastră mediază peste mai multe regimuri.

          Pe scurt

          Beta nu este constant (2/2)

          Slide 19 în PDF

          Valorile beta față de SPY, estimate pe ferestre mobile de 252 de randamente logaritmice zilnice, se mișcă în intervale largi. Beta sectorului financiar (XLF) a variat între 0,60 și 2,17, cu maximul imediat după criza bancară din 2008–2009. Beta tehnologiei (XLK) a variat între 0,86 și 1,90; a fost mare în bula dot-com din 2000–2001 și este 1,75 în ultima fereastră de 252 de zile.

          Beta energiei (XLE) a variat între −0,31 și 1,49 și este negativ în ultima fereastră: covarianța randamentelor XLE cu SPY a devenit negativă. Beta utilităților (XLU), sectorul defensiv clasic, a variat între 0,06 și 1,00.

          Un singur beta calculat pe întregul eșantion ascunde aceste regimuri. Pentru costul capitalului sau pentru acoperirea riscului, beta relevant este cel așteptat pe orizontul deciziei, care poate diferi mult de media eșantionului. Modelele cu beta variabil în timp sînt tratate în Capitolul 5 și în Capitolul 6.

          Pe scurt

          • Graficul: beta OLS față de SPY pe ferestre mobile de 252 de randamente logaritmice zilnice (circa un an)
          • Beta sectorului financiar (XLF) a variat între \(0{,}60\) și \(2{,}17\)
          • Beta XLF a atins maximul imediat după criza bancară din 2008–2009
          • Beta sectorului tehnologic (XLK) a variat între \(0{,}86\) și \(1{,}90\)
          • Beta XLK a fost ridicat în anii bulei dot-com (2000–2001)
            • în ultima fereastră de 252 de zile este \(1{,}75\)
          • Beta sectorului energetic (XLE) a variat între \(-0{,}31\) și \(1{,}49\)
          • Beta XLE este negativ în ultima fereastră
            • covarianța randamentelor XLE cu SPY a devenit negativă
          • Beta utilităților (XLU), sectorul defensiv clasic, a variat între \(0{,}06\) și \(1{,}00\)
          • Un singur beta pe tot eșantionul ascunde aceste regimuri
          • Modelele cu beta variabil în timp sînt tratate în Capitolele 5–6
          lll MFM_ch3_rolling_beta

          Contracția lui beta: Blume și Vasicek (1/2)

          Slide 20 în PDF

          Valorile beta estimate regresează spre medie (regression to the mean). O estimație foarte mare sau foarte mică conține și zgomot, deci în perioada următoare estimația aceluiași activ tinde să se apropie de media secțiunii transversale, apropiată de 1. Blume (1971) a măsurat acest efect prin regresia valorilor beta dintr-o perioadă pe cele din perioada anterioară, iar regula practicienilor \(\beta^{\text{Blume}} = 0{,}33 + 0{,}67\,\hat\beta\) provine din această regresie.

          Vasicek (1973) a dat versiunea bayesiană: o medie ponderată între estimația proprie a activului și o distribuție a priori,

          \[\beta^{V}_i = w_i \hat\beta_i + (1 - w_i)\bar\beta, \qquad w_i = \frac{\sigma^2_{\beta}}{\sigma^2_{\beta} + \operatorname{se}(\hat\beta_i)^2}.\]
          (3.7)

          Media a priori \(\bar\beta\) este media valorilor beta ale tuturor activelor, \(\sigma^2_\beta\) este varianța valorilor beta adevărate între active, iar \(\operatorname{se}(\hat\beta_i)\) este eroarea standard a estimației activului.

          Ponderea \(w_i\) a estimației proprii este mai mare cînd \(\hat\beta_i\) este precis, adică atunci cînd eroarea lui standard este mică în raport cu dispersia valorilor beta adevărate. Spre deosebire de regula Blume, care aplică aceiași coeficienți tuturor activelor, regula Vasicek trage mai mult estimațiile zgomotoase și mai puțin pe cele precise.

          Pe scurt

          • Regresia spre medie: un beta estimat foarte mare sau foarte mic conține și zgomot
            • deci în perioada următoare tinde să se apropie de media secțiunii transversale, apropiată de 1
            • contracția: estimația este trasă dinainte spre această medie
          • Blume (1971): regresia valorilor beta dintr-o perioadă pe cele din perioada anterioară
          • De aici regula folosită de practicieni: \(\beta^{\text{Blume}} = 0{,}33 + 0{,}67\,\hat\beta\)
          • Vasicek (1973): o medie ponderată între estimația activului și media \(\bar\beta\)
            \[ \beta^{V}_i = w_i \hat\beta_i + (1 - w_i)\bar\beta, \qquad w_i = \frac{\sigma^2_{\beta}}{\sigma^2_{\beta} + \operatorname{se}(\hat\beta_i)^2} \]
            • \(\bar\beta\): media valorilor beta ale tuturor activelor (media distribuției a priori)
            • \(w_i\): ponderea estimației, mai mare cînd \(\hat\beta_i\) este precis (SE mică)
            • \(\operatorname{se}(\hat\beta_i)\): eroarea lui standard
            • \(\sigma^2_\beta\): varianța între active a parametrilor \(\beta_i\), nu a estimărilor \(\hat\beta_i\)

          Contracția lui beta: Blume și Vasicek (2/2)

          Slide 21 în PDF

          Varianța \(\sigma^2_\beta\) a valorilor beta adevărate nu este observată, dar poate fi estimată din secțiunea transversală. Varianța estimațiilor între active adună varianța adevărată și zgomotul, \(\operatorname{Var}_{cs}(\hat\beta) = \sigma^2_\beta + \overline{\operatorname{se}^2}\), unde \(\overline{\operatorname{se}^2}\) este media pătratelor erorilor standard. De aici estimația Bayes empirică (empirical Bayes)

          \[\sigma^2_\beta = \operatorname{Var}_{cs}(\hat\beta) - \overline{\operatorname{se}^2},\]
          (3.8)

          derivată în problema A3 din Seminarul 3.

          În exemplu, XLK este regresat pe SPY, cu date lunare pentru 1999–2012. Estimația este \(\hat\beta = 1{,}415\), cu eroarea standard Newey–West 0,139; față de valoarea 1,277 obținută cu Mkt-RF diferă atît reperul (SPY), cît și perioada (1999–2012 față de 1999–iulie 2026). Distribuția a priori din cele nouă sectoare are \(\bar\beta = 0{,}949\) și, după (3.8), \(\sigma^2_\beta = 0{,}1159 - 0{,}0077 = 0{,}1082\). Ponderea estimației proprii este \(w = 0{,}1082/(0{,}1082 + 0{,}139^2) = 0{,}849\), deci beta Vasicek este \(\beta^{V} = 0{,}849 \times 1{,}415 + 0{,}151 \times 0{,}949 = 1{,}344\). Beta Blume este \(0{,}33 + 0{,}67 \times 1{,}415 = 1{,}278\).

          Beta estimat pe perioada următoare, 2013–2026, este 1,172. Ambele ajustări sînt mai aproape de el decît estimația neajustată. Un singur activ nu este însă un criteriu: pe toate cele nouă sectoare, rădăcina erorii pătratice medii a prognozei (RMSE, root mean squared error) este 0,135 pentru OLS, 0,109 pentru Blume și 0,114 pentru Vasicek. Tragerea valorilor beta spre 1 pentru acțiunile de la BVB este tratată în Aprofundări.

          Pe scurt

          • Varianța estimațiilor între active adună varianța adevărată și zgomotul
            • \(\operatorname{Var}_{cs}(\hat\beta) = \sigma^2_\beta + \overline{\operatorname{se}^2}\)
            • \(\overline{\operatorname{se}^2}\): media pătratelor erorilor standard
          • Deci \(\sigma^2_\beta = \operatorname{Var}_{cs}(\hat\beta) - \overline{\operatorname{se}^2}\) (estimația Bayes empirică)
            • derivarea: Seminarul 3, problema A3
          • Exemplu: XLK față de SPY, lunar 1999–2012: \(\hat\beta = 1{,}415\), SE Newey–West \(0{,}139\)
            • alt reper (SPY, nu Mkt-RF) și altă perioadă (1999–2012) decît beta \(1{,}277\) din slide-urile anterioare
          • Distribuția a priori, din cele 9 sectoare: \(\bar\beta = 0{,}949\) și \(\sigma^2_\beta = 0{,}1159 - 0{,}0077 = 0{,}1082\)
          • Ponderea estimației proprii: \(w = 0{,}1082/(0{,}1082 + 0{,}139^2) = 0{,}849\)
            • beta Vasicek: \(\beta^{V} = 0{,}849 \times 1{,}415 + 0{,}151 \times 0{,}949 = 1{,}344\)
          • Beta Blume: \(0{,}33 + 0{,}67 \times 1{,}415 = 1{,}278\)
          • Beta estimat pe perioada următoare, 2013–2026: \(1{,}172\)
            • ambele ajustări sînt mai aproape de el decît beta neajustat
            • pe toate cele 9 sectoare, rădăcina erorii pătratice medii a prognozei (RMSE, root mean squared error): OLS \(0{,}135\), Blume \(0{,}109\), Vasicek \(0{,}114\)

          Verificare rapidă: un beta, eroarea și contracția lui

          Slide 22 în PDF

          Verificarea rapidă aplică cele trei instrumente ale secțiunii, în trei părți:

          1. Compararea intervalelor clasic și Newey–West pentru un beta de 0,90 estimat din 120 de randamente lunare, cu erorile standard 0,05 și 0,09, cu întrebarea dacă concluzia că beta este sub 1 rezistă erorii robuste;
          2. Calculul varianței Bayes empirice (3.8) și al valorilor beta Vasicek (3.7) pentru un activ cu \(\hat\beta = 1{,}6\) și două erori standard diferite;
          3. Citirea unui beta Dimson (3.6) pentru o acțiune ilichidă de la BVB din trei pante pe BET.

          Răspunsurile sînt în Anexă.

          Pe scurt

          • O acțiune, 120 de randamente lunare: \(\hat\beta = 0{,}90\), SE clasică \(0{,}05\), SE Newey–West \(0{,}09\)
            1. Calculați ambele intervale de 95%, cu multiplicatorul \(1{,}96\). Are acțiunea un risc sistematic mai mic decît piața (beta sub 1) după fiecare dintre ele?
            2. Ce interval raportați și de ce nu se schimbă estimația punctuală?
          • O secțiune transversală de valori beta
            • \(\operatorname{Var}_{cs}(\hat\beta) = 0{,}10\), \(\overline{\operatorname{se}^2} = 0{,}02\), media \(\bar\beta = 1{,}0\)
            1. Calculați \(\sigma^2_\beta\) și beta Vasicek pentru un activ cu \(\hat\beta = 1{,}6\), o dată cu SE \(0{,}2\) și o dată cu SE \(0{,}1\)
            2. Care dintre cele două este contractată mai puternic și de ce? Comparați ambele cu beta Blume
          • O acțiune nelichidă de la BVB, randamente zilnice, pantele pe BET
            • din ziua anterioară: \(0{,}25\); din aceeași zi: \(0{,}55\); din ziua următoare: \(0{,}00\)
            1. Ce beta Dimson raportați?
            2. De ce este panta din aceeași zi mai mică decît beta Dimson?
          • Răspunsuri: Anexă

          Sinteza secțiunii

          Un beta estimat vine cu o eroare standard care trebuie calculată cu erori HAC, (3.24); el depinde de frecvență, de fereastră, de aproximarea pieței, de curățarea datelor și, pentru acțiunile ilichide, de tranzacționarea asincronă, pe care o tratează corecția Dimson (3.6). Valorile beta se schimbă în timp, iar shrinkage-ul spre o distribuție a priori transversală, (3.7), a îmbunătățit prognoza lui beta pentru XLK. Secțiunea următoare trece de la beta unui singur activ la testul simultan al CAPM pe multe active.

          Testarea CAPM

          CAPM implică faptul că orice activ se află pe dreapta pieței titlurilor sau, echivalent, că orice valoare alfa din modelul de piață este zero. Secțiunea testează această restricție pe cele 25 de portofolii mărime × B/M, mai întîi grafic, cu dreapta pieței titlurilor, apoi formal, cu testul simultan al lui Gibbons, Ross & Shanken (1989). Se încheie cu limitele unui asemenea test: critica lui Roll și dependența concluziei de alegerea activelor de test.

          Este CAPM respins de date?

          Slide 23 în PDF

          Întrebarea secțiunii este dacă randamentele medii se află pe dreapta \(\mathbb{E}[R^e_i] = \beta_i\,\mathbb{E}[R^e_m]\), ceea ce înseamnă același lucru cu a întreba dacă toate activele au alfa zero. Activele de test sînt cele 25 de portofolii sortate după mărime și B/M ale lui Fama & French (1993).

          Aceste portofolii contrastează sistematic mărimea și B/M, caracteristici asociate în literatură cu randamente medii diferite; randamentele lor medii în exces, anualizate, variază de la 3,9% la 13,3%. Pașii sînt SML în date, testul GRS, care verifică simultan toate valorile alfa, și limitele testului.

          Pe scurt

          • Întrebarea secțiunii: se află randamentele medii pe dreapta \(\mathbb{E}[R^e_i] = \beta_i\,\mathbb{E}[R^e_m]\)?
            • adică: au toate activele alfa zero?
          • Active de test: cele 25 de portofolii mărime \(\times\) B/M (Fama & French (1993))
          • De ce aceste portofolii: contrastează sistematic mărimea și B/M, caracteristici asociate în literatură cu randamente medii diferite
            • randamente medii în exces, anualizate, între \(3{,}9\%\) și \(13{,}3\%\)
          • Pașii secțiunii
            • SML în date
            • testul GRS (testul Gibbons–Ross–Shanken), care verifică simultan toate valorile alfa
            • limitele testului

          Activele de test: 25 de portofolii mărime × B/M

          Slide 24 în PDF

          Portofoliile se formează după Fama & French (1993). În fiecare iunie a anului \(t\), acțiunile de pe NYSE (New York Stock Exchange, Bursa din New York), AMEX (American Stock Exchange, Bursa Americană de Valori) și NASDAQ (National Association of Securities Dealers Automated Quotations, bursa americană NASDAQ, cotații automate ale Asociației Naționale a Dealerilor de Valori Mobiliare) sînt sortate de două ori, independent: după mărime, măsurată prin capitalizarea bursieră (ME, market equity) de la sfîrșitul lui iunie \(t\), și după B/M, capitalul propriu contabil din anul fiscal \(t-1\) împărțit la capitalizarea bursieră din decembrie \(t-1\). Pragurile sînt cvintilele NYSE, percentilele 20, 40, 60 și 80; cu praguri calculate pe toate acțiunile, numeroasele micro-capitalizări de pe NASDAQ ar umple grupele. Fiecare dintre cele 25 de intersecții este un portofoliu ponderat cu valoarea de piață, deținut din iulie \(t\) pînă în iunie \(t+1\).

          Grila arată randamentul mediu anual în exces al fiecărui portofoliu, iulie 1963 – iulie 2026, cu cvintilele de mărime pe rînduri (de la ME1, cele mai mici, la ME5, cele mai mari) și cvintilele B/M pe coloane (de la BM1, growth, la BM5, value). Pe fiecare rînd, coloana value are un randament mediu mai mare decît coloana growth. Colțurile extreme sînt small-growth, 3,9% pe an, și small-value, 13,3% pe an.

          O precauție privește orice model care folosește factorul de mărime SMB (Small Minus Big, size factor, factorul mărime: firme mici minus mari) și factorul de valoare HML (High Minus Low, value factor, factorul valoare: B/M mare minus mic). Acești factori, construiți în Secțiunea 5, folosesc aceleași caracteristici ca portofoliile, deși prin sortări \(2 \times 3\), nu \(5 \times 5\), deci un \(R^2\) mare al unui astfel de model pe aceste portofolii dovedește puțin (Lewellen, Nagel & Shanken, 2010).

          În versiunea interactivă, meniul schimbă statistica din grilă între randamentul mediu anual în exces, alfa CAPM anual și statistica \(t\) Newey–West a lui alfa, iar cursorul mută începutul eșantionului între 1963 și 2006.

          Pe iulie 1963 – iulie 2026, alfa CAPM este −6,3% pe an pentru small-growth și +5,7% pentru small-value, deci diferența dintre cele două colțuri crește de la aproximativ 9,46 puncte procentuale în randamentele medii la 12,00 în valorile alfa. Beta small-growth este aproximativ 1,42, iar beta small-value 1,06: CAPM atribuie o componentă de piață mai mare portofoliului cu randamentul mediu mai mic, ceea ce mărește diferența în loc să o închidă.

          Dreapta pieței titlurilor (SML) în date (1/2)

          Slide 25 în PDF

          Panoul din stînga reprezintă randamentul mediu anual în exces al fiecăruia dintre cele 25 de portofolii în funcție de beta CAPM, iulie 1963 – iulie 2026, cu două drepte. Dreapta CAPM trece prin origine și are panta egală cu prima pieței. Dreapta estimată este regresia transversală a randamentelor medii pe valorile beta. Panoul din dreapta arată valorile alfa anuale ale celor 25 de portofolii, cu portofoliile din cvintila firmelor celor mai mici în roșu. Randamentele și valorile alfa sînt fracții anuale, \(0{,}05 = 5\%\); beta nu are unitate de măsură.

          Dacă CAPM ar fi adevărat, punctele s-ar afla pe dreapta CAPM, iar valorile alfa ar fi apropiate de zero. Dreapta estimată din 1963 are panta −4,4% pe an, față de 7,2% pentru dreapta CAPM.

          În versiunea interactivă, cursorul mută începutul eșantionului între 1963 și 2006, iar valorile afișate sînt cele două pante, intervalul valorilor beta și statistica GRS.

            Întrebare pentru sală Din 1963, dreapta estimată pe cele 25 de portofolii are panta −4,4% pe an. Cînd începutul eșantionului ajunge la ianuarie 2003, ce se întîmplă cu această pantă?
            Răspuns

            Pentru ianuarie 2003–iulie 2026, panta estimată este aproximativ +2,0% pe an, iar prima pieței este 10,7%. Semnul pantei depinde de eșantion: este −4,4% cu începutul în 1963 și −1,0% cu începutul în 2006. Din 1963, valorile beta acoperă doar intervalul 0,86–1,42, iar GRS = 4,20, cu p = 7,5 × 10−11 (rotunjit pe slide: 8 × 10−11).

            Cu eșantionul începînd în ianuarie 2003, panta estimată este aproximativ +2,0% pe an, în timp ce prima pieței este 10,7%; cu începutul în 2006, panta este −1,0%. Semnul pantei estimate depinde deci de eșantion, dar în niciunul dintre aceste eșantioane panta nu atinge prima pieței. Din 1963, valorile beta acoperă doar intervalul 0,86 – 1,42, un interval îngust pe care se estimează panta.

            Pe scurt

            Legenda: CAPM SML: dreapta CAPM, cu panta egală cu prima pieței; Fitted line: dreapta estimată pe date; Alphas: valorile alfa ale celor 25 de portofolii; Smallest-size quintile: cvintila firmelor celor mai mici MFM_ch3_sml

            Dreapta pieței titlurilor (SML) în date (2/2)

            Slide 26 în PDF

            Eșantionul are \(T = 757\) de luni, iulie 1963 – iulie 2026, iar cele 25 de portofolii sînt resortate în fiecare iunie și ponderate cu valoarea de piață. Dreapta CAPM are panta 7,2% pe an, prima pieței. Dreapta estimată, din regresia transversală a randamentelor medii pe beta, are panta −4,4%: un beta mai mare merge împreună cu un randament mediu mai mic, relația plată sau negativă descrisă de Fama & French (1992).

            Valorile beta acoperă doar intervalul 0,86 – 1,42, deci portofoliile diferă mult mai mult prin randamentele medii decît prin expunerea la piață. Valorile alfa sînt mari în colțuri: +5,7% pe an pentru firmele mici cu B/M mare (small-value) și −6,3% pentru firmele mici cu B/M mic (small-growth). Zece din cele 25 de valori alfa au \(|t| > 1{,}96\), cu erori HAC.

            În acest eșantion, portofoliile cu beta mai mare nu au avut, în medie, randamente mai mari. Rămîne întrebarea dacă toate aceste abateri pot fi compatibile cu zero, la care răspunde testul GRS.

            Pe scurt

            • Cele 25 de portofolii, resortate în fiecare iunie și ponderate după valoare
              • iulie 1963 – iulie 2026, \(T = 757\)
            • Dreapta CAPM are panta \(7{,}2\%\) pe an
              • randamentele și valorile alfa: fracții anuale, \(0{,}05 = 5\%\); beta nu are unitate de măsură
            • Dreapta estimată este regresia transversală a randamentelor medii pe beta
              • panta ei este \(-4{,}4\%\)
              • beta mai mare, randament mediu mai mic
            • Valorile beta acoperă doar \(0{,}86\)–\(1{,}42\)
            • Alfa este \(+5{,}7\%\) pe an pentru firmele mici cu B/M mare (de valoare)
              • și \(-6{,}3\%\) pe an pentru firmele mici cu B/M mic (de creștere)
            • 10 din 25 de valori alfa au \(|t| > 1{,}96\) (erori HAC)
            • În acest eșantion, portofoliile cu beta mai mare nu au avut, în medie, randamente mai mari
            • Întrebarea următoare: pot fi toate aceste abateri compatibile cu zero?
            lll MFM_ch3_sml

            De la o singură valoare alfa la testul GRS (1/2)

            Slide 27 în PDF

            Alfa lui Jensen (Jensen's alpha) (Jensen, 1968) este termenul liber \(\alpha_i\) al modelului de piață (3.5). CAPM implică \(\alpha_i = 0\) pentru orice activ. Pentru fiecare activ se poate face un test \(t\) separat; pentru XLK, \(t = 0{,}13\). Cu multe active, însă, unele valori alfa par semnificative doar din întîmplare, problema testării multiple din secțiunea despre testarea multiplă, iar testele separate nu folosesc corelația dintre reziduurile activelor.

            Testul lui Gibbons, Ross & Shanken (1989) (GRS) testează toate activele simultan, \(H_0: \alpha_1 = \dots = \alpha_N = 0\), cu statistica

            \[W = \frac{T - N - 1}{N}\; \frac{\hat{\boldsymbol\alpha}^\top \hat{\boldsymbol\Sigma}^{-1}\hat{\boldsymbol\alpha}}{1 + \hat\mu_m^2/\hat\sigma_m^2} \;\sim\; F(N,\, T - N - 1),\]
            (3.9)

            unde \(N\) este numărul activelor de test, \(T\) numărul de luni, iar \(\hat{\boldsymbol\alpha}\) vectorul celor \(N\) valori alfa estimate. Matricea \(\hat{\boldsymbol\Sigma}\) este covarianța reziduală de verosimilitate maximă, cu împărțire la \(T\), iar \(\hat\mu_m/\hat\sigma_m\) este raportul Sharpe de eșantion al pieței.

            Pe scurt

            • Alfa lui Jensen (Jensen (1968)): termenul liber al modelului de piață, \(\alpha_i\)
              • CAPM implică \(\alpha_i = 0\) pentru orice activ
            • Un test \(t\) separat pentru fiecare activ: alfa XLK are \(t = 0{,}13\)
              • Cu multe active, unele valori alfa par semnificative doar din întîmplare (Secțiunea 7)
            • Testul GRS (Gibbons, Ross & Shanken (1989)): un singur test pentru toate activele
              • \(H_0: \alpha_1 = \dots = \alpha_N = 0\)
              \[ W = \frac{T - N - 1}{N}\; \frac{\hat{\boldsymbol\alpha}^\top \hat{\boldsymbol\Sigma}^{-1}\hat{\boldsymbol\alpha}}{1 + \hat\mu_m^2/\hat\sigma_m^2} \;\sim\; F(N,\, T - N - 1) \]
            • Notațiile
              • \(N\): numărul activelor de test
              • \(T\): numărul de luni
              • \(\hat{\boldsymbol\alpha}\): cele \(N\) valori alfa estimate
              • \(\hat{\boldsymbol\Sigma}\): covarianța reziduurilor estimată prin verosimilitate maximă (împărțire la \(T\))
              • \(\hat\mu_m/\hat\sigma_m\): raportul Sharpe al pieței

            De la o singură valoare alfa la testul GRS (2/2)

            Slide 28 în PDF

            Forma pătratică \(\hat{\boldsymbol\alpha}^\top \hat{\boldsymbol\Sigma}^{-1}\hat{\boldsymbol\alpha}\) din (3.9) este o sumă ponderată a pătratelor valorilor alfa: o valoare alfa contează mai mult cînd reziduurile activului ei sînt mai puțin volatile, pentru că o asemenea valoare alfa este mai greu de atribuit zgomotului. Regula de decizie respinge \(H_0\) cînd \(W\) depășește cuantila de 95% a distribuției \(F(N, T - N - 1)\).

            Distribuția \(F\) este exactă, condiționat de factori, cînd erorile sînt i.i.d. cu distribuția Normală multivariată, independente de factori, cu media zero și o matrice de covarianță constantă și nesingulară. În ipoteze mai slabe se aplică o versiune bazată pe metoda generalizată a momentelor (GMM, generalised method of moments); ea este tratată, împreună cu strategia betting against beta (BAB), în Aprofundări.

            Statistica are și o formă cu rapoarte Sharpe. Cu rapoarte lunare și momente împărțite la \(T\), \(\hat{\boldsymbol\alpha}^\top \hat{\boldsymbol\Sigma}^{-1}\hat{\boldsymbol\alpha} = \widehat{SR}^2(f, \text{active}) - \widehat{SR}^2(f)\), cîștigul de raport Sharpe maxim la pătrat obținut cînd activele de test se adaugă factorului; \(W\) este acest cîștig, normalizat. Un \(W\) mare înseamnă deci că portofoliul pieței este departe de frontiera eficientă construită din piață și din activele de test. Pentru \(N = 1\), \(W = t^2\), unde \(t\) este statistica \(t\) clasică (OLS, nu HAC) a lui alfa, iar \(F(1, T - 2)\) este distribuția pătratului unei variabile Student-\(t\) cu \(T - 2\) grade de libertate; testul GRS generalizează testul \(t\) la mai multe active.

            Pe scurt

            • \(\hat{\boldsymbol\alpha}^\top \hat{\boldsymbol\Sigma}^{-1}\hat{\boldsymbol\alpha}\): o sumă ponderată a pătratelor valorilor alfa
              • un alfa cîntărește mai mult cînd reziduurile activului sînt puțin volatile
            • Decizia: \(H_0\) se respinge cînd \(W\) depășește cuantila de 95% a distribuției \(F(N, T - N - 1)\)
            • Distribuția este exactă, condiționat de factori
              • erori i.i.d. cu distribuția Normală multivariată, independente de factori
              • medie zero și covarianță constantă nesingulară
            • Forma cu rapoarte Sharpe (lunare, momente împărțite la \(T\))
              \[ \hat{\boldsymbol\alpha}^\top \hat{\boldsymbol\Sigma}^{-1}\hat{\boldsymbol\alpha} = \widehat{SR}^2(f, \text{active}) - \widehat{SR}^2(f) \]
              • \(W\) este acest cîștig de raport Sharpe maxim la pătrat, normalizat: un \(W\) mare arată că piața este departe de frontiera construită din piață și activele de test
            • Pentru \(N = 1\), \(W = t^2\), pătratul statisticii \(t\) clasice (OLS, nu HAC) a lui alfa
              • \(F(1, T - 2)\) este distribuția pătratului unei variabile Student-\(t\) cu \(T - 2\) grade de libertate
              • GRS generalizează testul \(t\)

            Testul GRS pe cele 25 de portofolii

            Slide 29 în PDF

            Pe cele 25 de portofolii mărime × B/M, iulie 1963 – iulie 2026 (\(T = 757\), \(N = 25\)), statistica GRS este 4,20, cu \(p = 8 \times 10^{-11}\). CAPM este respins: abaterile valorilor alfa sînt mari în raport cu incertitudinea lor. Respingerea privește însă modelul împreună cu indicele folosit ca piață: indicele nu este eficient în sens medie–varianță față de aceste active. Dacă vina este a modelului sau a indicelui este subiectul criticii lui Roll.

            Pe scurt

            • Cele 25 de portofolii mărime \(\times\) B/M, iulie 1963 – iulie 2026 (\(T = 757\), \(N = 25\))
              • \(W = 4{,}20\), cu \(p = 8 \times 10^{-11}\)
            • CAPM este respins: abaterile valorilor alfa sînt mari în raport cu incertitudinea lor
            • Respingerea privește modelul împreună cu indicele folosit ca piață
              • critica lui Roll, slide-ul următor

            Critica lui Roll

            Slide 30 în PDF

            Roll (1977) a observat că CAPM este o afirmație despre adevăratul portofoliu al pieței, care cuprinde toată avuția. Indicii bursieri folosiți ca piață omit obligațiunile, imobilele, firmele private și capitalul uman, deci sînt cel mult aproximări.

            Critica se sprijină pe un fapt matematic: valorile beta calculate față de orice portofoliu eficient în sens medie–varianță evaluează exact toate randamentele medii, rezultatul problemei A2 din Seminarul 3. Relația liniară dintre medie și beta este deci echivalentă cu eficiența portofoliului folosit pentru calculul valorilor beta, indiferent de mecanismul economic.

            Rezultă că un test al CAPM verifică de fapt dacă indicele folosit ca piață este eficient față de activele de test. O respingere poate proveni din model sau din alegerea indicelui, iar testul singur nu le poate deosebi.

            Pe scurt

            • Roll (1977): CAPM se referă la portofoliul adevărat al pieței, care cuprinde întreaga avuție
            • Indicii bursieri folosiți ca piață omit
              • obligațiunile, activele imobiliare, firmele private și capitalul uman
            • Beta calculat față de orice portofoliu eficient explică exact randamentele medii ale tuturor activelor
              • rezultat matematic: Seminarul 3, problema A2
            • Deci un test CAPM verifică de fapt dacă indicele folosit ca piață este eficient
            • Respingerea poate veni din model sau din alegerea indicelui

            Alegerea activelor de test schimbă concluzia

            Slide 31 în PDF

            Concluzia testului depinde și de activele de test. Pe cele nouă ETF-uri sectoriale din Secțiunea 2, ianuarie 1999 – iulie 2026 (\(T = 331\)), cu Mkt-RF ca piață, CAPM nu este respins: GRS \(= 0{,}53\), cu \(p = 0{,}85\). Adăugarea sectoarelor la piață crește pătratul raportului Sharpe lunar cu 0,015, mai puțin decît valoarea de 0,029 pe care ar produce-o doar zgomotul (vezi Anexa).

            Pe aceleași 331 de luni, cele 25 de portofolii mărime × B/M resping CAPM, cu GRS \(= 2{,}91\) și \(p = 9 \times 10^{-6}\). Sectoarele nu sînt construite pentru a contrasta mărimea și B/M: formarea după sector nu impune un contrast de capitalizare sau B/M comparabil cu sortarea 5×5.

            O nerespingere nu confirmă CAPM și nici nu dovedește singură lipsa de putere. Puterea testului depinde de mărimea abaterilor de la model în raport cu covarianța reziduurilor, de \(T\) și de \(N\). De aceea activele de test se aleg pentru contraste economice stabilite înainte de test, nu după dispersia mediilor observate.

            Pe scurt

            • Pe cele 9 ETF-uri sectoriale din Secțiunea 2, cu Mkt-RF ca piață, CAPM nu este respins
              • ianuarie 1999 – iulie 2026, \(T = 331\)
              • GRS \(= 0{,}53\), cu \(p = 0{,}85\)
            • Adăugarea sectoarelor crește pătratul raportului Sharpe lunar cu \(0{,}015\)
              • mai puțin decît \(0{,}029\), cît ar produce zgomotul singur (Anexă)
            • Pe aceleași 331 de luni, cele 25 de portofolii mărime \(\times\) B/M îl resping
              • GRS \(= 2{,}91\), \(p = 9 \times 10^{-6}\)
            • Sectoarele nu sînt construite pentru a contrasta mărimea și B/M
              • formarea după sector nu impune un contrast de capitalizare sau B/M comparabil cu sortarea 5×5
            • Puterea testului depinde de abaterile de la model în raport cu covarianța reziduurilor, de \(T\) și de \(N\)
            • O nerespingere nu confirmă CAPM și nu dovedește singură lipsa de putere
            • Activele de test se aleg pentru contraste economice stabilite înainte de test, nu după dispersia mediilor observate

            Verificare rapidă: citirea unei statistici GRS

            Slide 32 în PDF

            Verificarea rapidă folosește forma cu rapoarte Sharpe a statisticii GRS (3.9), în care forma pătratică a valorilor alfa se scrie drept cîștigul în pătratul raportului Sharpe obținut prin adăugarea activelor de test la factor. Cu un factor, \(N = 4\) active de test și \(T = 65\) de luni, raportul Sharpe lunar este 0,15 pentru factorul singur și 0,25 pentru portofoliul tangent al factorului și al celor patru active. Sarcinile sînt:

            1. Calculul lui \(W\) și compararea lui cu cuantila de 95% a distribuției \(F(4, 60)\), aproximativ 2,53;
            2. Compararea cîștigului observat cu cîștigul așteptat sub \(H_0\), \(N(1 + \widehat{SR}^2(f))/(T - N - 3)\);
            3. Recalcularea lui \(W\) cu aceleași rapoarte Sharpe și \(T = 650\) de luni, față de cuantila de 95% a distribuției \(F(4, 645)\), aproximativ 2,39, pentru a decide dacă s-a schimbat distanța sau dovada.

            Răspunsurile sînt în Anexă.

            Pe scurt

            • Un factor, \(N = 4\) active de test, \(T = 65\) de luni, rapoarte Sharpe lunare
              • factorul singur: \(0{,}15\)
              • portofoliul tangent al factorului și celor 4 active: \(0{,}25\)
              1. Calculați \(W\) din forma cu rapoarte Sharpe. Cuantila de 95% a lui \(F(4, 60)\) este circa \(2{,}53\): respingeți?
              2. Calculați creșterea așteptată sub \(H_0\) a pătratului raportului Sharpe, \(N(1 + \widehat{SR}^2(f))/(T - N - 3)\), și comparați-o cu cea observată
              3. Aceleași rapoarte Sharpe, \(T = 650\) de luni: recalculați \(W\) (cuantila de 95% a lui \(F(4, 645)\): circa \(2{,}39\)). Ce s-a schimbat, distanța sau dovezile?
            • Răspunsuri: Anexă

            Sinteza secțiunii

            Pe cele 25 de portofolii mărime × B/M, dreapta estimată a pieței titlurilor este plată sau negativă, valorile alfa din colțurile firmelor mici sînt mari, iar testul GRS (3.9) respinge CAPM cu \(p = 8 \times 10^{-11}\). Pe cele nouă ETF-uri sectoriale, același test nu respinge. După critica lui Roll, o respingere arată că indicele nu este eficient față de activele de test, iar contrastul dintre cele două seturi de active arată că o nerespingere pe active cu randamente medii apropiate este o dovadă slabă. Secțiunea următoare adaugă factori pe lîngă piață și verifică dacă ei explică valorile alfa.

            Modele multifactoriale

            Secțiunea anterioară a arătat că beta de piață nu explică singur randamentele medii ale celor 25 de portofolii sortate după mărime și raportul dintre valoarea contabilă și cea de piață (B/M, book-to-market). Această secțiune întreabă de cîți factori este nevoie și care sînt aceștia. Teoria evaluării prin arbitraj dă forma unui model multifactorial, dar nu și identitatea factorilor, de aceea factorii folosiți în practică sînt construiți din date: portofolii long–short sortate după o caracteristică a firmelor. Secțiunea prezintă construcția lor, modelele standard care îi combină, de la modelul Fama–French cu trei factori pînă la modelul cu cinci factori și momentum, și randamentele cumulate ale șase factori în perioada 1963–2026.

            Teoria evaluării prin arbitraj

            Slide 33 în PDF

            Teoria evaluării prin arbitraj (Arbitrage Pricing Theory, APT), propusă de Ross (1976), înlocuiește argumentul de echilibru al modelului de evaluare a activelor financiare (CAPM, Capital Asset Pricing Model) cu o ipoteză statistică și o condiție de absență a arbitrajului. Se presupune că randamentele urmează un model cu \(K\) factori:

            \[R_{i,t} = \mathbb{E}[R_i] + \boldsymbol\beta_i^\top \mathbf{f}_t + \varepsilon_{i,t}, \qquad \mathbb{E}[\mathbf{f}_t] = \mathbf{0},\]
            (3.10)

            unde \(\boldsymbol\beta_i\) conține cele \(K\) loadings ale activului \(i\), iar \(\mathbf{f}_t\) este componenta neanticipată a factorilor, deci are media zero. Reziduul \(\varepsilon_{i,t}\) este riscul specific activului; teoria presupune că el poate fi eliminat prin diversificare în portofolii mari.

            Un arbitraj este un profit sigur obținut fără capital investit. Dacă nu există asemenea oportunități, randamentele așteptate în exces trebuie să se alinieze după loadings:

            \[\mathbb{E}[R_i] - R_f = \boldsymbol\beta_i^\top \boldsymbol\lambda,\]
            (3.11)

            unde \(\boldsymbol\lambda\) este vectorul primelor de risc (risk premia), randamentul așteptat suplimentar pe unitatea de expunere la fiecare factor. Relația (3.11) este aproximativă: ține pentru aproape toate activele, nu exact pentru fiecare, deoarece un număr finit de active se poate abate de la ea fără să creeze un arbitraj într-un portofoliu diversificat.

            Teoria lasă deschise două întrebări: nu spune cîți factori există și nici care sînt. Ambele se rezolvă în date, iar restul capitolului face acest lucru în trei moduri:

            1. Cu factori construiți din caracteristicile firmelor (această secțiune);
            2. Cu factori latenți extrași din randamente (Aprofundări);
            3. Cu teste care verifică dacă un factor candidat adaugă ceva față de ceilalți (Aprofundări).

            Pe scurt

            • Întrebarea secțiunii: beta de piață nu explică randamentele medii (Secțiunea 4)
              • de cîți factori și de care avem nevoie?
            • APT: Arbitrage Pricing Theory (teoria evaluării prin arbitraj), Ross (1976)
            • Ipoteza: randamentele urmează un model cu \(K\) factori
              \[ R_{i,t} = \mathbb{E}[R_i] + \boldsymbol\beta_i^\top \mathbf{f}_t + \varepsilon_{i,t}, \qquad \mathbb{E}[\mathbf{f}_t] = \mathbf{0} \]
              • riscurile specifice se pot elimina prin diversificare
              • \(\boldsymbol\beta_i\): cele \(K\) încărcări ale activului \(i\)
              • \(\mathbf{f}_t\): componentele neanticipate ale factorilor
            • Absența arbitrajului implică \(\mathbb{E}[R_i] - R_f = \boldsymbol\beta_i^\top \boldsymbol\lambda\)
              • absența arbitrajului: nu există profit sigur fără capital investit
            • Relația este aproximativă: ține pentru aproape toate activele, nu exact pentru fiecare
            • \(\boldsymbol\lambda\): primele de risc, randamentul așteptat suplimentar pe unitatea fiecărei expuneri
            • Teoria nu spune care sînt factorii: ei trebuie găsiți în date

            Construcția factorilor: portofolii long–short

            Slide 34 în PDF

            Un factor construit prin sortare (characteristic-sorted factor) este diferența dintre randamentele a două portofolii de acțiuni sortate după o caracteristică a firmei, cu sensul fixat pentru fiecare factor: HML este B/M mare minus B/M mic, iar SMB capitalizare mică minus capitalizare mare. Ce se vinde finanțează ce se cumpără, deci factorul nu cere capital net, iar randamentul lui este o diferență de randamente, \(f_t = R_{\text{mare},t} - R_{\text{mic},t}\). Un factor construit astfel este un portofoliu tranzacționat, ceea ce contează mai departe: pentru un factor tranzacționat, prima de risc se citește direct din randamentul lui mediu.

            Construcția Fama–French împarte acțiunile, în fiecare iunie, în \(2 \times 3\) grupe, prin două sortări:

            1. După mărime, cu pragul dat de mediana capitalizării acțiunilor listate la New York Stock Exchange (NYSE).
            2. După raportul B/M, cu percentilele 30 și 70 ale acțiunilor NYSE drept praguri, care dau grupele cu B/M mic (creștere, growth), neutru și mare (valoare, value).

            Datele contabile provin din anul anterior, ca să fie cunoscute la data sortării, iar fiecare dintre cele șase grupe este un portofoliu ponderat după capitalizare.

            Diagrama arată cele șase portofolii, de la \(S_L\) (firme mici, B/M mic) la \(B_H\) (firme mari, B/M mare), și cei doi factori construiți din ele:

            • SMB face media celor trei portofolii de firme mici minus media celor trei de firme mari;
            • HML face media celor două portofolii cu B/M mare minus media celor două cu B/M mic.

            Cele două alegeri de construcție, pragurile NYSE și ponderarea după capitalizare, împiedică microcapitalizările să domine portofoliile. Rezultă cei doi factori ai modelului cu trei factori. SMB (Small Minus Big) este randamentul acțiunilor mici minus randamentul acțiunilor mari. HML (High Minus Low) este randamentul acțiunilor cu B/M mare (valoare) minus cel al acțiunilor cu B/M mic (creștere). Fiindcă HML este o medie pe firme mici și mari, el compară valoarea și creșterea la aceeași mărime. Aceeași construcție \(2 \times 3\), cu profitabilitatea operațională și investițiile în locul raportului B/M, dă factorii RMW (Robust Minus Weak, profitability factor, factorul profitabilitate: firme robuste minus slabe) și CMA (Conservative Minus Aggressive, investment factor, factorul investiții: firme conservatoare minus agresive) ai modelului cu cinci factori, definiți în slide-urile următoare.

            Factorii adăugați la modelul cu trei factori

            Slide 35 în PDF

            Patru factori extind FF3 (Fama–French three-factor model, modelul Fama–French cu trei factori). RMW (Robust Minus Weak) este randamentul acțiunilor cu profitabilitate operațională mare minus cel al acțiunilor cu profitabilitate operațională mică. CMA (Conservative Minus Aggressive) este randamentul acțiunilor cu creștere mică a activelor minus cel al acțiunilor cu creștere mare a activelor. ROE (Return On Equity, rentabilitatea capitalului propriu) este factorul de profitabilitate al modelului q.

            MOM (Momentum, factor, factorul momentum), notat și UMD (Up Minus Down), este factorul momentum: acțiunile cu randamente mari în lunile \(t-12\) pînă la \(t-2\) minus acțiunile cu randamente mici în aceleași luni, cu ultima lună omisă. Baza lui empirică este constatarea lui Jegadeesh & Titman (1993) că cîștigătorii trecuți continuă să cîștige timp de 3 pînă la 12 luni.

            FF3 nu este un caz particular al FF5 (Fama–French five-factor model, modelul Fama–French cu cinci factori). SMB din FF3 provine dintr-o singură sortare, după mărime și B/M, pe cînd SMB din FF5 face media factorilor de mărime din trei sortări, după B/M, profitabilitate și investiții. Eliminarea lui RMW și CMA din FF5 nu dă deci FF3, iar cele două modele trebuie comparate ca modele diferite.

            Pe scurt

            • RMW (Robust Minus Weak): profitabilitate operațională mare minus mică
            • CMA (Conservative Minus Aggressive): creștere mică minus mare a activelor
            • ROE (Return On Equity, rentabilitatea capitalului propriu): factorul de profitabilitate al modelului q
            • MOM (momentum, notat și UMD, Up Minus Down)
              • acțiunile cu randament mare minus cele cu randament mic în lunile \(t-12\) pînă la \(t-2\)
              • ultima lună se omite
            • Cîștigătorii trecuți continuă să cîștige 3–12 luni (Jegadeesh & Titman (1993))
            • SMB din modelul cu trei factori (FF3) vine dintr-o singură sortare (mărime și B/M)
              • SMB din modelul cu cinci factori (FF5) este media a trei sortări
              • deci FF3 nu este un caz particular al FF5

            Modelele factoriale standard

            Slide 36 în PDF

            Tabelul prezintă cinci modele, în ordinea factorilor lor. CAPM (Sharpe, 1964) are doar randamentul în exces al pieței, Mkt-RF. Modelul Fama–French cu trei factori (FF3) al lui Fama & French (1993) adaugă SMB și HML, motivați de efectele de mărime și B/M documentate în Fama & French (1992). Modelul lui Carhart (1997) adaugă la FF3 factorul momentum (MOM), pentru evaluarea fondurilor de investiții. Modelul q al lui Hou, Xue & Zhang (2015) folosește factori de piață, mărime, investiții și rentabilitate a capitalului propriu, motivați de deciziile de investiții ale firmelor. Modelul cu cinci factori (FF5) al lui Fama & French (2015) folosește Mkt-RF, SMB, HML, RMW și CMA.

            Fiecare model se testează printr-o regresie pe serii de timp a randamentelor în exces pe factorii lui. Pentru FF3, cu \(\text{MKT} = \) Mkt-RF,

            \[R^e_{i,t} = \alpha_i + b_i\,\text{MKT}_t + s_i\,\text{SMB}_t + h_i\,\text{HML}_t + \varepsilon_{i,t},\]
            (3.12)

            unde \(b_i\), \(s_i\) și \(h_i\) sînt loadings. Un model bun lasă valori alfa \(\alpha_i\) apropiate de zero în aceste regresii, iar testul Gibbons–Ross–Shanken (GRS) din Secțiunea 4 verifică dacă aceste abateri sînt mari în raport cu incertitudinea lor.

            Pe scurt

            ModelFactoriReferințăMotivație
            CAPMMkt-RFSharpe (1964)echilibru
            FF3Mkt-RF, SMB, HMLFama & French (1993)efectele de mărime și B/M (Fama & French (1992))
            CarhartFF3 \(+\) MOMCarhart (1997)evaluarea fondurilor
            modelul qpiață, mărime, investiții, ROEHou, Xue & Zhang (2015)deciziile de investiții ale firmelor
            FF5Mkt-RF, SMB, HML, RMW, CMAFama & French (2015)modelul de actualizare a dividendelor
            • FF3 și FF5: modelele Fama–French cu trei, respectiv cinci factori
              • regresia FF3: \(R^e_{i,t} = \alpha_i + b_i\,\text{MKT}_t + s_i\,\text{SMB}_t + h_i\,\text{HML}_t + \varepsilon_{i,t}\)
              • \(\text{MKT} = \) Mkt-RF; \(b_i\), \(s_i\), \(h_i\): încărcările pe cei trei factori
            • Un model bun lasă valori alfa apropiate de zero în regresiile pe serii de timp
              • GRS testează dacă abaterile sînt mari în raport cu incertitudinea lor
            • Motivația FF5, modelul de actualizare a dividendelor: Aprofundări

            Construcția factorului momentum

            Slide 37 în PDF

            Factorul momentum folosește aceeași sortare \(2 \times 3\) ca SMB și HML, cu randamentul trecut în locul raportului B/M. Pragul de mărime este tot mediana NYSE, iar pragurile de randament sînt percentilele 30 și 70 ale acțiunilor NYSE, care dau perdanții, acțiunile neutre și cîștigătorii. UMD face media celor două portofolii de cîștigători minus media celor două portofolii de perdanți, \(\text{UMD} = \tfrac12(S_W + B_W) - \tfrac12(S_L + B_L)\). Grupele se refac în fiecare lună, nu o dată pe an, deoarece randamentul trecut se schimbă lunar, iar datele contabile doar anual.

            Perioada de formare (formation period) este randamentul cumulat în lunile \(t-12\) pînă la \(t-2\), în total 11 luni. Luna \(t-1\) se omite din cauza short-term reversal: la orizontul de o lună, randamentele tind să se inverseze Jegadeesh (1990). Două cauze sînt bid–ask bounce, oscilația prețului tranzacției între bid și ask, și presiunea de lichiditate. Inclusă, luna \(t-1\) ar amesteca într-un singur semnal două efecte de semn opus.

            UMD este momentum transversal (cross-sectional): compară cîștigătorii cu perdanții la aceeași dată. Time-series momentum (Moskowitz, Ooi & Pedersen, 2012) compară fiecare activ cu propriul trecut: poziția este long dacă randamentul activului pe 12 luni este pozitiv și short altfel. Distincția revine în studiul de caz despre factor momentum, care aplică regula pe serii de timp factorilor.

            Randamentele cumulate ale celor șase factori, 1963–2026 (1/2)

            Slide 38 în PDF

            Graficul arată randamentele lunare a șase factori din biblioteca de date a lui Kenneth French, cumulate pornind de la valoarea 1: randamentul în exces al pieței, Mkt-RF, și factorii long–short SMB, HML, RMW, CMA și MOM. Axa verticală este logaritmică, deci distanțe verticale egale corespund unor variații procentuale egale, iar panta fiecărei curbe este rata ei de creștere compusă. Cursorul mută începutul investiției din iulie 1963 pînă în 2016, cu sfîrșitul fixat în iulie 2026, iar butonul ▶ parcurge anii de început.

            Întrebarea interactivă cere să alegeți care dintre doi factori termină mai sus cînd începutul se mută; răspunsul apare după alegere.

              Întrebare pentru sală Din iulie 1963, MOM ajunge la 48,0, iar Mkt-RF la 43,2. Dacă mutăm începutul la ianuarie 2016 și păstrăm sfîrșitul în iulie 2026, care indice compus va avea valoarea finală mai mare?
              Răspuns

              Mkt-RF ajunge la aproximativ 3,4, iar MOM la 1,0. Din iulie 1963, ordinea era inversă: MOM 48,0 și Mkt-RF 43,2. Indicii sînt calculați ca produsul termenilor (1 + randamentul lunar al factorului), pornind de la 1; nu reprezintă automat strategii investibile cu aceeași finanțare. Momentum a pierdut mult la revenirea pieței din 2009.

              Curbele nu reprezintă averea unui investitor real. Factorii sînt randamente în exces sau long–short, deci nu includ dobînda pe capital și nici dobînda pe garanția pozițiilor short. Clasamentul factorilor depinde de data de început: un eșantion lung avantajează factorii cu media cea mai mare, iar un eșantion scurt și recent reflectă mai ales episoadele ultimului deceniu, de exemplu pierderile factorului valoare după 2007.

              Pe scurt

              Randamentele cumulate ale celor șase factori, 1963–2026 (2/2)

              Slide 39 în PDF

              Pe perioada iulie 1963 – iulie 2026, o unitate investită în fiecare factor ajunge la 43,2 pentru Mkt-RF, 48,0 pentru MOM, 6,9 pentru HML, 5,7 pentru RMW, 5,5 pentru CMA și 2,9 pentru SMB. Randamentele anuale medii au aceeași ordine: 7,2% pentru Mkt-RF, 7,3% pentru MOM, 3,6% pentru HML, 3,1% pentru RMW, 3,0% pentru CMA și 2,2% pentru SMB. Momentum și piața domină deci eșantionul lung, iar mărimea are media cea mai mică.

              Traiectoriile sînt departe de a fi regulate. Momentum a atins maximul înainte de 2009 și a pierdut mult cînd piața și-a revenit brusc în 2009; un asemenea episod se numește crah de momentum (momentum crash). Factorul valoare a stagnat sau a pierdut aproximativ din 2007 pînă în 2020. Un factor cu medie pozitivă pe termen lung poate deci pierde mai mult de un deceniu, unul dintre motivele pentru care stabilitatea primelor este examinată în Aprofundări.

              Pe scurt

              • Randamentele lunare ale factorilor, cumulate pornind de la 1, pe scară logaritmică
              • Factorii sînt randamente în exces sau long–short
                • curbele nu includ dobînda pe capital sau pe garanția pozițiilor short
                • deci nu arată averea unui investitor real
              • Valoarea finală a unei unități investite, iulie 1963 – iulie 2026
                • Mkt-RF \(43{,}2\), MOM \(48{,}0\), HML \(6{,}9\)
                • RMW \(5{,}7\), CMA \(5{,}5\), SMB \(2{,}9\)
              • Momentum a atins maximul înainte de 2009
                • a pierdut mult cînd piața și-a revenit brusc în 2009: un crah de momentum
              • Factorul valoare a stagnat sau a pierdut, aproximativ din 2007 pînă în 2020
              • Randamente anuale medii
                • Mkt-RF \(7{,}2\%\), MOM \(7{,}3\%\), HML \(3{,}6\%\)
                • RMW \(3{,}1\%\), CMA \(3{,}0\%\), SMB \(2{,}2\%\)
              MFM_ch3_factor_cum

              Sinteza secțiunii

              Modelele multifactoriale adaugă pieței mai multe portofolii long–short tranzacționate. Construcția lor folosește pragurile NYSE și ponderarea după capitalizare, iar motivația lor vine din modelul de actualizare a dividendelor și din anomalii documentate, ca mărimea, valoarea și momentum. Dacă expunerile la acești factori sînt răsplătite, și cu cît, este o întrebare transversală, la care răspunde secțiunea următoare prin regresii Fama–MacBeth.

              Regresii Fama–MacBeth

              Regresiile pe serii de timp din secțiunile anterioare testează dacă valorile alfa sînt zero. Această secțiune estimează chiar primele de risc \(\boldsymbol\lambda\), prin metoda în două etape a lui Fama & MacBeth (1973), și derivă erorile lor standard. Sînt necesare trei corecții: una pentru folosirea valorilor beta estimate, una pentru un model posibil greșit specificat și una pentru dependența temporală. Estimările pe cele 25 de portofolii mărime × B/M arată că prima lui HML poate fi estimată precis, în timp ce prima pieței este slab identificată, iar secțiunea se încheie cu trei verificări care fac testul unui model factorial mai exigent.

              Cele două etape

              Slide 40 în PDF

              Întrebarea este dacă expunerile la factori aduc o primă, adică dacă valorile beta explică diferențele dintre randamentele medii în exces ale activelor:

              \[\mathbb{E}[R^e_i] = \lambda_0 + \boldsymbol\beta_i^\top \boldsymbol\lambda.\]
              (3.13)

              Pentru un factor tranzacționat, un model corect impune ca prima să fie randamentul lui mediu în exces, \(\lambda = \mathbb{E}[f]\); estimația liberă din regresia transversală poate însă diferi, iar diferența este un diagnostic. Pentru un factor netranzacționat, de exemplu inflația, doar regresia transversală (cross-sectional regression) dă \(\lambda\). Intuiția etapei a doua: într-o lună, se compară randamentele portofoliilor cu expuneri diferite la factor, de exemplu la HML; panta acelei luni este prima realizată, iar media celor \(T\) pante este prima estimată. Exemplul folosește beta din întregul eșantion, pentru descriere, nu pentru prognoză. Metoda lui Fama & MacBeth (1973) oferă această regresie împreună cu o eroare standard simplă. Pe cele 25 de portofolii, prima HML estimată este 4,0% pe an, față de media factorului de 3,6%. Cît de precisă este această estimare?

              Etapa 1 este o regresie pe serii de timp pentru fiecare activ, \(R^e_{i,t} = a_i + \boldsymbol\beta_i^\top \mathbf{f}_t + \varepsilon_{i,t}\), unde \(a_i\) este termenul liber. Expunerile estimate formează matricea \(\hat{\mathbf{B}}\) de dimensiune \(N \times K\): fiecare rînd conține expunerile estimate pentru un portofoliu. Etapa 2 este o regresie transversală în fiecare lună \(t\) a randamentelor în exces pe \(\mathbf{X} = [\mathbf{1}, \hat{\mathbf{B}}]\):

              \[R^e_{i,t} = \lambda_{0,t} + \hat{\boldsymbol\beta}_i^\top \boldsymbol\lambda_t + u_{i,t}, \qquad \hat{\boldsymbol\lambda} = \frac{1}{T}\sum_{t=1}^{T} \hat{\boldsymbol\lambda}_t,\]
              (3.14)

              unde \(u_{i,t}\) este reziduul din etapa 2. Estimația primelor este media celor \(T\) pante lunare.

              Termenul liber \(\lambda_0\) este zero dacă modelul este corect. În versiunea lui Black (1972), fără activ fără risc, \(\lambda_0\) este randamentul portofoliului cu beta zero minus \(R_f\). Motivul pentru care se rulează cîte o regresie separată în fiecare lună, și nu o singură regresie pe randamentele medii, este că variația celor \(T\) pante \(\hat{\boldsymbol\lambda}_t\) dă direct eroarea standard, cum arată slide-ul următor.

              Pe scurt

              Cele două etape Eugene Fama, premiul Morgan Stanley–AFA (American Finance Association), 2008 Foto: TonyTheTiger (2008); CC BY-SA 3.0; Wikimedia Commons
              • Întrebarea: aduce expunerea la un factor o primă de risc?
                • adică: explică valorile beta diferențele dintre randamentele medii, \(\mathbb{E}[R^e_i] = \lambda_0 + \boldsymbol\beta_i^\top \boldsymbol\lambda\)?
              • De ce Fama & MacBeth (1973)?
                • factor tranzacționat: un model corect impune \(\lambda = \mathbb{E}[f]\); estimația liberă poate diferi
                • factor netranzacționat (de exemplu, inflația): doar regresia transversală dă \(\lambda\)
              • Etapa 1 (serii de timp, cîte o regresie pe activ)
                • \(R^e_{i,t} = a_i + \boldsymbol\beta_i^\top \mathbf{f}_t + \varepsilon_{i,t}\) dă matricea \(\hat{\mathbf{B}}\) (\(N \times K\))
              • Etapa 2 (transversal, cîte o regresie în fiecare lună pe \(\mathbf{X} = [\mathbf{1}, \hat{\mathbf{B}}]\))
                \[ R^e_{i,t} = \lambda_{0,t} + \hat{\boldsymbol\beta}_i^\top \boldsymbol\lambda_t + u_{i,t}, \qquad \hat{\boldsymbol\lambda} = \tfrac{1}{T}\textstyle\sum_t \hat{\boldsymbol\lambda}_t \]
                • \(\lambda_0\): zero dacă modelul este corect; în versiunea Black (1972), randamentul portofoliului cu beta zero minus \(R_f\)
              • Intuiția etapei 2: într-o lună, au cîștigat mai mult portofoliile mai expuse la HML?
                • panta acelei luni este prima realizată; media celor \(T\) pante este prima estimată
                • exemplul folosește beta din întregul eșantion: o descriere, nu o prognoză
                • pe cele 25 de portofolii: prima HML \(4{,}0\%\) pe an, media factorului \(3{,}6\%\); cît de precisă este?

              Erori standard pentru primele de risc (1/2)

              Slide 41 în PDF

              Estimațiile lunare \(\hat\lambda_{k,t}\) formează un eșantion de volum \(T\), iar eroarea standard Fama–MacBeth le tratează ca atare:

              \[\operatorname{se}_{FM}(\hat\lambda_k) = \frac{s(\hat\lambda_{k,t})}{\sqrt{T}},\]
              (3.15)

              unde \(s(\cdot)\) este abaterea standard empirică pe cele \(T\) luni. Fiindcă fiecare pantă lunară folosește toate activele din luna respectivă, (3.15) este robustă la corelația reziduurilor între active în aceeași lună, principala slăbiciune a erorii standard dintr-o regresie OLS (ordinary least squares) pe datele cumulate. Dacă seria \(\hat\lambda_{k,t}\) este autocorelată, pe această serie se aplică estimatorul Newey–West în locul abaterii standard simple.

              Formula ignoră o sursă de eroare. Etapa 2 folosește valorile beta estimate \(\hat{\boldsymbol\beta}_i\) în locul celor adevărate, o problemă de erori în variabile (errors in variables). Eroarea de eșantionare a valorilor beta din etapa 1 nu apare în variația pantelor lunare, deci \(\operatorname{se}_{FM}\) subestimează incertitudinea lui \(\hat{\boldsymbol\lambda}\).

              Pe scurt

              • Patru surse de incertitudine, patru corecții
                • Fama–MacBeth: variația lunară a pantelor
                • Shanken: valorile beta sînt estimate
                • HAC: dependența în timp
                • Kan–Robotti–Shanken (KRS): posibile erori de evaluare (model greșit)
              • Fama–MacBeth: estimațiile lunare \(\hat\lambda_{k,t}\) formează un eșantion de volum \(T\)
                \[ \operatorname{se}_{FM}(\hat\lambda_k) = s(\hat\lambda_{k,t})/\sqrt{T} \]
                • \(s(\cdot)\): abaterea standard empirică pe cele \(T\) luni
                • robuste la corelația reziduurilor între active în aceeași lună
                • dacă \(\hat\lambda_{k,t}\) este autocorelat, se folosește Newey–West pe această serie
              • Erori în variabile: etapa 2 folosește estimările \(\hat\beta_i\) în locul parametrilor \(\beta_i\)
                • deci \(\operatorname{se}_{FM}\) subestimează incertitudinea

              Erori standard pentru primele de risc (2/2)

              Slide 42 în PDF

              Corecția lui Shanken (1992) mărește cu factorul \((1 + c)\) partea varianței care nu provine din variabilitatea factorilor:

              \[\operatorname{Var}_{\text{Sh}}(\hat{\boldsymbol\lambda}) = (1 + c)\Big[\operatorname{Var}_{FM}(\hat{\boldsymbol\lambda}) - \tfrac{1}{T}\boldsymbol\Sigma_f\Big] + \tfrac{1}{T}\boldsymbol\Sigma_f, \qquad c = \hat{\boldsymbol\lambda}^\top \boldsymbol\Sigma_f^{-1} \hat{\boldsymbol\lambda},\]
              (3.16)

              unde \(\operatorname{Var}_{FM} = s^2(\hat{\boldsymbol\lambda}_t)/T\) este varianța Fama–MacBeth, iar \(\boldsymbol\Sigma_f\) matricea de covarianță a factorilor. Scalarul \(c\) este pătratul raportului Sharpe al primelor, pe lună; pentru FF3 este 0,03. Mărimea lui \(c\) depinde de raportul dintre prime și volatilitatea factorilor, nu de faptul că factorul este tranzacționat. Cînd primele sînt mici față de volatilitate, ca la FF3 lunar, \(c\) este mic, la fel și corecția. Cînd un factor, de exemplu unul macroeconomic, are o volatilitate mică față de prima estimată, \(c\) este mare, iar statisticile \(t\) Fama–MacBeth sînt supraestimate. Erorile Fama–MacBeth, Newey–West și Shanken presupun că modelul este corect; corecția pentru un model greșit specificat este în Aprofundări.

              Pe scurt

              • Corecția Shanken (1992) mărește cu factorul \((1 + c)\) partea varianței care nu provine din variabilitatea factorilor
                \[ \operatorname{Var}_{\text{Sh}}(\hat{\boldsymbol\lambda}) = (1 + c)\Big[\operatorname{Var}_{FM}(\hat{\boldsymbol\lambda}) - \tfrac{1}{T}\boldsymbol\Sigma_f\Big] + \tfrac{1}{T}\boldsymbol\Sigma_f, \qquad c = \hat{\boldsymbol\lambda}^\top \boldsymbol\Sigma_f^{-1} \hat{\boldsymbol\lambda} \]
                • \(\operatorname{Var}_{FM}\): varianța Fama–MacBeth, \(s^2(\hat{\boldsymbol\lambda}_t)/T\)
                • \(\boldsymbol\Sigma_f\): covarianța factorilor
                • \(c\): pătratul raportului Sharpe al primelor, pe lună (\(0{,}03\) pentru FF3)
              • Un \(c\) mic (prime mici față de volatilitatea factorilor, ca la FF3 lunar): corecția este mică
              • Un \(c\) mare (de exemplu, un factor macro cu volatilitate mică față de prima estimată): statisticile \(t\) Fama–MacBeth sînt supraestimate
              • Erorile Fama–MacBeth, Newey–West și Shanken presupun că modelul este corect; corecția KRS pentru un model greșit: Aprofundări

              Primele de risc estimate (1/2)

              Slide 43 în PDF

              Graficul arată primele Fama–MacBeth pentru trei modele, CAPM, FF3 și FF5, estimate pe cele 25 de portofolii sortate după mărime și B/M. Fiecare bară este un interval de încredere de 95% pentru o primă anuală, iar fiecare cruce marchează media în timp a unui factor tranzacționat, egală cu prima lui dacă modelul este corect. Meniul alege între erorile standard Shanken, Fama–MacBeth și Newey–West cu 6 laguri, iar cursorul mută începutul eșantionului din 1963 pînă în 2000.

              Întrebarea interactivă privește distanța dintre prima estimată a pieței și media factorului de piață; răspunsul apare după alegere.

                Întrebare pentru sală În FF3, prima de piață estimată prin Fama–MacBeth este −6,5% pe an, iar media factorului este 7,2%. De ce diferă atît de mult?
                Răspuns

                Beta de piață diferă puțin între portofolii: 0,89–1,14 în FF3. Această dispersie redusă face dificilă separarea primei de piață de termenul liber. Estimația negativă nu stabilește preferințele investitorilor pentru risc. Corecția Shanken schimbă erorile standard, nu estimația primei. Pentru HML, prima estimată (4,0%) este apropiată de media factorului (3,6%).

                Graficul se citește în două feluri:

                1. Comparați vizual fiecare interval cu crucea lui. Comparația nu este un test formal, pentru că și media factorului este estimată, din aceleași luni; un test estimează direct diferența \(\hat\lambda - \bar f\) și eroarea ei comună, de exemplu printr-un bootstrap pe blocuri care reestimează ambele etape.
                2. Comparați lățimile pentru cele trei tipuri de erori standard: în exemplul FF3 lunar, \(c\) din (3.16) este mic (\(c \approx 0{,}03\); mărimea lui depinde de prime în raport cu matricea de covarianță a factorilor), deci intervalele Shanken sînt doar puțin mai largi decît cele Fama–MacBeth.

                Meniul schimbă intervalele, nu estimațiile punctuale.

                Pe scurt

                Legenda: Fama-MacBeth risk premia: primele de risc Fama–MacBeth, cu intervale de 95%; Time-series mean of the factor: media factorului în timp MFM_ch3_fama_macbeth

                Primele de risc estimate (2/2)

                Slide 44 în PDF

                Estimațiile pe cele 25 de portofolii în perioada 1963–2026, cu erorile standard (SE) în paranteză, sînt următoarele. În CAPM, termenul liber este 14,0% (4,4%) pe an, iar prima pieței −4,4% (4,8%). În FF3, SMB are prima 1,4% (1,4%), iar HML 4,0% (1,3%). În FF5, RMW are 5,3% (2,1%), iar CMA −1,4% (2,2%). Barele din grafic sînt intervale de 95% cu erori Shanken, în fracții anuale, deci 0,1 înseamnă 10%.

                Pentru HML, prima transversală, 4,0%, este apropiată de media factorului, 3,6%. Pentru piață, în FF3, cele două valori sînt îndepărtate: o primă estimată de −6,5% față de o medie a factorului de 7,2%. Valorile beta de piață diferă puțin între portofolii, de la 0,86 la 1,42 în CAPM și de la 0,89 la 1,14 în FF3. Această dispersie mică face panta imprecisă, dar nu explică semnul sau mărimea diferenței: o pantă estimată din valori beta care aproape nu diferă este imprecisă, iar termenul liber preia nivelul mediu al randamentelor (Lewellen, Nagel & Shanken, 2010). Prima pieței este deci slab identificată (weakly identified) în această secțiune transversală.

                Rezultatul arată o asociere între expuneri și randamentele medii, nu sursa economică a riscului. Factorii slabi, ale căror valori beta sînt apropiate de zero pentru toate activele, și o secțiune transversală de 30 de industrii sînt tratate în Aprofundări.

                Pe scurt

                • Barele: intervale de încredere de 95% cu erori Shanken
                  • în fracții anuale (\(0.1 = 10\%\))
                • Crucile: media în timp a fiecărui factor tranzacționat
                  • egală cu \(\lambda\) dacă modelul este corect
                  • comparația cu crucea este vizuală: și media este estimată, din aceleași luni
                • Prime estimate (25 de portofolii, 1963–2026), cu SE în paranteză
                  • CAPM: termenul liber \(14{,}0\%\) (\(4{,}4\%\)), piața \(-4{,}4\%\) (\(4{,}8\%\))
                  • FF3: SMB \(1{,}4\%\) (\(1{,}4\%\)), HML \(4{,}0\%\) (\(1{,}3\%\))
                  • FF5: RMW \(5{,}3\%\) (\(2{,}1\%\)), CMA \(-1{,}4\%\) (\(2{,}2\%\))
                • HML: prima estimată \(4{,}0\%\), media factorului \(3{,}6\%\)
                  • valori apropiate
                • Piața (FF3): prima estimată \(-6{,}5\%\), media factorului \(7{,}2\%\)
                  • valori îndepărtate
                • Valorile beta de piață diferă puțin între portofolii, deci panta pe ele este imprecisă
                  • \(0{,}86\)–\(1{,}42\) în CAPM
                  • \(0{,}89\)–\(1{,}14\) în FF3
                • Prima pieței este deci slab identificată
                • Rezultatul arată o asociere între expuneri și randamentele medii, nu sursa economică a riscului
                lll MFM_ch3_fama_macbeth

                Trei verificări ale unui model factorial (aprofundare)

                Slide 45 în PDF

                Cele 25 de portofolii mărime × B/M au o structură factorială puternică: aproape orice set de factori corelați cu mărimea și valoarea explică o mare parte din randamentele lor medii. Lewellen, Nagel & Shanken (2010) propun de aceea trei verificări:

                1. Lărgirea mulțimii activelor de test, de exemplu prin adăugarea portofoliilor pe industrii (Aprofundări);
                2. Raportarea și a lui \(R^2\) GLS (generalised least squares), care ponderează erorile de evaluare cu inversa covarianței randamentelor, în timp ce testul GRS folosește inversa covarianței reziduurilor;
                3. Impunerea ca prima fiecărui factor tranzacționat să fie egală cu media lui și eliminarea termenului liber.

                \(R^2\) transversal compară mediile estimate de model cu simpla medie a activelor:

                \[R^2 = 1 - \frac{\sum_i(\bar R^e_i - \hat\mu_i)^2}{\sum_i(\bar R^e_i - \bar R^e)^2},\]
                (3.17)

                unde \(\bar R^e_i\) este randamentul mediu în exces al activului \(i\), \(\hat\mu_i\) media lui prezisă, iar \(\bar R^e\) media celor \(N\) active. O regresie OLS cu termen liber nu poate face mai rău decît simpla medie, deoarece pantele egale cu zero o reproduc. După ce primele sînt impuse și termenul liber eliminat, această garanție dispare, iar \(R^2 < 0\) înseamnă că modelul face mai rău decît media. FF3 pe 55 de active, cele 25 de portofolii împreună cu 30 de industrii, dă \(R^2 = -0{,}27\) la a treia verificare.

                O altă alternativă este folosirea acțiunilor individuale în locul portofoliilor (Ang, Liu & Schwarz, 2020). Valorile beta ale acțiunilor individuale sînt mai dispersate, ceea ce ajută identificarea, dar sînt estimate mai zgomotos, ceea ce agravează problema erorilor în variabile.

                Pe scurt

                • Trei verificări (Lewellen, Nagel & Shanken (2010))
                  • Lărgiți mulțimea activelor de test (Aprofundări)
                  • Raportați și \(R^2\) GLS (Generalised Least Squares, metoda celor mai mici pătrate generalizate): ca GRS, ține cont de covarianțe, dar folosește inversa covarianței randamentelor activelor, nu a reziduurilor
                  • Impuneți ca prima unui factor tranzacționat să fie media lui și eliminați termenul liber: FF3 pe cele 55 de active (25 de portofolii și 30 de industrii) dă \(R^2 = -0{,}27\) (nu este nici \(R^2\) GLS, nici \(R^2\) OLS liber)
                • \(R^2\) transversal neponderat: \(R^2 = 1 - \sum_i(\bar R^e_i - \hat\mu_i)^2 / \sum_i(\bar R^e_i - \bar R^e)^2\)
                  • \(\hat\mu_i\): media prezisă
                  • \(\bar R^e\): media celor \(N\) active
                • \(R^2 < 0\) cînd modelul greșește mai mult decît simpla medie \(\bar R^e\)
                  • OLS cu termen liber nu poate face mai rău decît ea
                • Acțiuni individuale în locul portofoliilor (Ang, Liu & Schwarz (2020))
                  • valori beta mai dispersate
                  • dar estimate mai zgomotos

                Verificare rapidă: prime, Shanken și un \(R^2\) negativ

                Slide 46 în PDF

                Verificarea rapidă are două exerciții:

                1. Se aplică (3.15) și (3.16) unui factor netranzacționat, de exemplu creșterea producției industriale, cu volatilitatea lunară de 1%, un eșantion de 400 de luni, o primă estimată de 0,5% pe lună și o abatere standard a pantelor lunare de 3%. Întrebarea este dacă factorul trece pragul \(t > 3\) după corecția Shanken și de ce \(c\) ar fi foarte mic pentru un factor tranzacționat cu volatilitatea de 4,5% și aceeași primă.
                2. Se aplică (3.17) unor trei portofolii cu randamente medii în exces de 2%, 4% și 6% pe an, pe care un model cu prime impuse și fără termen liber le estimează la 6%, 4% și 2%.

                Răspunsurile sînt în Anexă.

                Pe scurt

                • Un factor netranzacționat (de exemplu, creșterea producției industriale)
                  • volatilitatea \(\sigma_f = 1\%\) pe lună, \(T = 400\) de luni
                  • etapa 2 dă \(\hat\lambda = 0{,}5\%\) pe lună, cu \(s(\hat\lambda_t) = 3\%\)
                  1. Calculați \(\operatorname{se}_{FM}\) și statistica \(t\) Fama–MacBeth
                  2. Calculați \(c\), varianța Shanken și statistica \(t\) Shanken. Trece factorul pragul \(t > 3\) (ipoteza exercițiului; motivarea: Secțiunea 7)?
                  3. De ce ar fi \(c\) foarte mic pentru un factor tranzacționat cu \(\sigma_f = 4{,}5\%\) și același \(\hat\lambda\)?
                • Trei portofolii au randamentele medii în exces \(2\%\), \(4\%\), \(6\%\) pe an
                  • un model cu prime impuse și fără termen liber estimează \(6\%\), \(4\%\), \(2\%\)
                  1. Calculați SST (Total Sum of Squares, suma totală a pătratelor abaterilor de la medie), SSE (Sum of Squared Errors, suma pătratelor erorilor) și \(R^2\)
                  2. De ce nu poate fi negativ \(R^2\)-ul unei regresii OLS cu termen liber?
                • Răspunsuri: Anexă

                Sinteza secțiunii

                Metoda Fama–MacBeth transformă întrebarea „sînt expunerile răsplătite?” într-o medie a pantelor transversale lunare. Eroarea ei standard trebuie să țină cont de valorile beta estimate (Shanken), de un model posibil greșit (Kan–Robotti–Shanken) și de dependența temporală (Newey–West). Pe cele 25 de portofolii, prima lui HML concordă cu media factorului, iar prima pieței este slab identificată, deoarece valorile beta de piață diferă puțin. Un \(R^2\) mare pe aceste portofolii nu dovedește mare lucru; activele de test mai diverse și primele impuse fac testul exigent.

                Testarea multiplă și replicarea factorilor

                Secțiunile 5 și 6 au folosit factori propuși în literatură. Au fost însă publicați sute de factori, fiecare testat ca și cum ar fi fost singurul, deci o parte dintre ei pot fi descoperiri false. Secțiunea pune două întrebări. Ce prag trebuie să treacă un factor nou cînd se testează mulți factori? Se replică factorii publicați în date noi?

                Grădina zoologică a factorilor

                Slide 47 în PDF

                Întrebarea secțiunii este cîți dintre factorii publicați sînt reali. Cochrane (2011) a numit lista tot mai lungă de factori un factor zoo, iar Harvey, Liu & Zhu (2016) catalogează 316 factori publicați. Inventarul publicațiilor nu spune însă cîte ipoteze au fost încercate: familia testată, din care provin factorii publicați, are o mărime necunoscută. Pragul obișnuit, \(|t| > 1{,}96\), corespunde unui nivel de semnificație de 5% pentru un singur test. Un experiment controlat arată problema: dacă testăm 300 de ipoteze nule adevărate la 5%, ne așteptăm, în medie, la 15 respingeri false.

                Cînd se testează mulți factori, acest prag este prea jos. Ca exemplu ipotetic, dacă ar fi fost fixate în prealabil 316 teste și nicio ipoteză nulă nu ar fi falsă, aproximativ \(0{,}05 \times 316 \approx 16\) teste ar trece totuși din întîmplare. Problema este agravată de data mining, numit și p-hacking: căutarea printre multe variante ale unui factor, eșantion sau specificații pînă cînd una pare semnificativă. Factorii publicați sînt supraviețuitorii unor asemenea căutări, deci statisticile lor \(t\) supraevaluează dovezile.

                Cea mai simplă corecție, Bonferroni, împarte nivelul de 5% la numărul de teste. Pentru aceleași 316 teste ipotetice rezultă \(p \le 0{,}00016\), adică \(|t| > 3{,}78\). Harvey, Liu & Zhu (2016) propun \(|t| > 3{,}0\) pentru un factor nou, pragul care rezultă din corecțiile pentru testarea multiplă din slide-ul următor aplicate tuturor factorilor testați. Pragul crește cu fiecare factor publicat, iar o parte dintre factorii publicați nu se replică, după cum arată studiul de caz despre replicare.

                Pe scurt

                • Întrebarea: cîți dintre factorii publicați sînt reali?
                  • fiecare a fost testat ca și cum ar fi fost singurul
                • Cochrane (2011) a numit lista tot mai lungă de factori un factor zoo
                • Un experiment controlat: testăm 300 de ipoteze nule adevărate la 5%
                  • ne așteptăm, în medie, la 15 respingeri false
                • Inventarul publicațiilor (316) nu este familia testată, a cărei mărime este necunoscută
                • Căutarea oportunistă în date (data mining, p-hacking): se încearcă multe variante pînă cînd una pare semnificativă
                • Corecția Bonferroni împarte 5% la numărul de teste
                  • pentru 316 teste fixate ipotetic în prealabil: \(p \le 0{,}00016\), adică \(|t| > 3{,}78\)
                • Harvey, Liu & Zhu (2016) propun \(|t| > 3{,}0\) pentru un factor nou
                  • pragul care rezultă din corecțiile pentru testarea multiplă (slide-ul următor) aplicate tuturor factorilor testați
                • Pragul crește cu fiecare factor publicat: familia testată se mărește

                Controlul descoperirilor false (1/2)

                Slide 48 în PDF

                În testarea multiplă se controlează două rate de eroare. Rata erorii pe familia de teste (family-wise error rate, FWER) este probabilitatea de a avea cel puțin o respingere falsă printre toate testele (Capitolul 2). Rata descoperirilor false (false discovery rate, FDR) este ponderea așteptată a respingerilor false în totalul respingerilor. Controlul FWER la 5% este mai strict, pentru că o singură respingere falsă contează ca eroare, pe cînd FDR tolerează respingeri false atîta timp cît ele reprezintă o pondere mică.

                Procedurile se formulează cu valorile p ordonate. Fie \(M\) numărul de teste, \(\alpha\) nivelul de semnificație al testelor (nu alfa lui Jensen), \(p_{(1)} \le \dots \le p_{(M)}\) valorile p ordonate și \(H_{(j)}\) ipoteza cu a \(j\)-a cea mai mică valoare p. BH desemnează procedura Benjamini–Hochberg, iar BY procedura Benjamini–Yekutieli; tabelul din slide-ul următor le compară cu Bonferroni și Holm.

                Pe scurt

                • FDR: ponderea așteptată a respingerilor false în totalul respingerilor
                  • FDR: False Discovery Rate, rata descoperirilor false
                • FWER: probabilitatea de a avea cel puțin o respingere falsă (Capitolul 2)
                  • FWER: Family-Wise Error Rate, rata erorii pe familia de teste
                • Notațiile tabelului (slide-ul următor)
                  • \(M\): numărul de teste
                  • \(\alpha\): nivelul de semnificație al testelor (aici \(\alpha\) nu este alfa lui Jensen)
                  • \(p_{(1)} \le \dots \le p_{(M)}\): valorile p (p-values) ordonate
                  • \(H_{(j)}\): ipoteza cu a \(j\)-a cea mai mică valoare p
                  • BH: procedura Benjamini–Hochberg
                  • BY: procedura Benjamini–Yekutieli

                Controlul descoperirilor false (2/2)

                Slide 49 în PDF

                Bonferroni respinge \(H_{(j)}\) dacă \(p_{(j)} \le \alpha/M\). Procedura descendentă (step-down) a lui Holm (1979) respinge \(H_{(j)}\) dacă \(p_{(k)} \le \alpha/(M-k+1)\) pentru toți \(k \le j\); ea controlează FWER ca Bonferroni, dar respinge cel puțin la fel de des. Procedura lui Benjamini & Hochberg (1995) (BH) găsește cel mai mare \(k\) cu

                \[p_{(k)} \le \frac{k\,\alpha}{M}\]
                (3.18)

                și respinge toate ipotezele pînă la acest \(k\); ea controlează FDR. Procedura lui Benjamini & Yekutieli (2001) (BY) folosește pragurile BH împărțite la \(\sum_{k=1}^{M} 1/k\). Ultima coloană a tabelului spune cînd este validă fiecare procedură: Bonferroni, Holm și BY sînt valide pentru orice dependență între teste, iar BH cere dependență pozitivă.

                Dependența pozitivă înseamnă că statisticile de test tind să crească împreună; independența este un caz particular. Condiția tehnică este dependența de regresie pozitivă pe o submulțime (PRDS, positive regression dependence on a subset), dată de Benjamini & Yekutieli (2001). Cînd structura dependenței nu este cunoscută, pragurile BY asigură controlul FDR cu prețul unui număr mai mic de descoperiri.

                Alegerea între cele două rate de eroare depinde de folosirea rezultatului. Controlul FWER se potrivește unei afirmații în care nicio descoperire falsă nu este acceptabilă, de exemplu cînd probabilitatea de a respinge cel puțin o ipoteză nulă adevărată trebuie limitată la 5%. Controlul FDR se potrivește unei căutări printre mulți factori candidați, în care se acceptă o mică proporție de descoperiri false în schimbul unei puteri mai mari. O simulare cu zece factori din Aprofundări compară procedurile.

                Pe scurt

                ProceduraControleazăRespinge \(H_{(j)}\) dacăValidă pentru
                BonferroniFWER\(p_{(j)} \le \alpha/M\)orice dependență
                Holm (Holm (1979))FWER\(p_{(k)} \le \alpha/(M-k+1)\), \(\forall k \le j\)orice dependență
                BH (Benjamini & Hochberg (1995))FDR\(j \le\) cel mai mare \(k\) cu \(p_{(k)} \le k\alpha/M\)dependență pozitivă
                BY (Benjamini & Yekutieli (2001))FDRca BH, pragurile împărțite la \(\sum_{k=1}^{M} 1/k\)orice dependență
                • Dependență pozitivă: statisticile de test tind să crească împreună
                  • independența este un caz particular
                  • condiția tehnică se numește PRDS, Positive Regression Dependence on a Subset (Benjamini & Yekutieli (2001))
                • FWER: potrivit cînd nicio descoperire falsă nu este acceptabilă
                • FDR: potrivit cînd căutăm printre mulți factori candidați
                  • și acceptăm o mică proporție de descoperiri false

                Verificare rapidă: numărarea descoperirilor

                Slide 50 în PDF

                Exercițiul aplică cele patru proceduri pentru cinci factori candidați, cu valorile p ordonate 0,004; 0,012; 0,020; 0,030 și 0,200, la nivelul de semnificație de 5%. El cere numărul de descoperiri după regula naivă, Bonferroni, Holm, BH și BY, cu fiecare prag scris explicit, probabilitatea de a avea cel puțin o respingere falsă dacă toate cele cinci ipoteze nule ar fi adevărate și testele independente, precum și procedura potrivită fiecăreia dintre cele două folosiri descrise mai sus. Răspunsurile sînt în Anexă.

                Pe scurt

                • Cinci factori candidați
                  • valori p ordonate: \(0{,}004;\ 0{,}012;\ 0{,}020;\ 0{,}030;\ 0{,}200\)
                  • nivel de semnificație \(\alpha = 5\%\)
                  1. Cîte descoperiri dau regula naivă, Bonferroni, Holm și BH? Scrieți fiecare prag cu care comparați
                  2. La BY, pragurile BH se împart la \(1 + \tfrac12 + \tfrac13 + \tfrac14 + \tfrac15\): cîte descoperiri rămîn?
                  3. Dacă toate cele cinci ipoteze nule ar fi adevărate și testele independente, care este probabilitatea ca cel puțin o valoare p să fie sub \(0{,}05\)?
                  4. Ce procedură ați folosi într-o căutare printre mulți factori candidați?
                  5. Cum limitați la 5% probabilitatea de a respinge cel puțin o ipoteză nulă adevărată?
                • Răspunsuri: Anexă

                Se replică factorii publicați?

                Slide 51 în PDF

                O anomalie este un randament mediu pe care CAPM nu îl explică. Jensen, Kelly & Pedersen (2023) pornesc de la două critici la adresa cercetării despre factori:

                1. Rezultatele nu se pot reproduce: Hou, Xue & Zhang (2020) reușesc să replice doar 35% dintre anomaliile studiate.
                2. Rezultatele sînt produsul testării multor factori fără corecție: Harvey, Liu & Zhu (2016) conchid că majoritatea descoperirilor raportate sînt probabil false.

                Studiul de caz pune pe rînd trei întrebări. Au factorii publicați valori alfa CAPM semnificative în datele originale? Sînt aceste valori alfa semnificative out-of-sample și în alte țări? Rămîn ele semnificative după ce se ține cont de testarea multiplă? Răspunsurile depind de ce se testează, randamente brute sau alfa, și de modul în care se face corecția pentru testarea multiplă.

                Pe scurt

                • Anomalie: un randament mediu pe care CAPM nu îl explică
                • Două critici la adresa cercetării despre factori (Jensen, Kelly & Pedersen (2023))
                  • Rezultatele nu se pot reproduce: Hou, Xue & Zhang (2020) reușesc să replice doar \(35\%\) dintre anomaliile studiate
                  • Rezultatele sînt produsul testării multor factori fără corecție: Harvey, Liu & Zhu (2016) conchid că majoritatea descoperirilor raportate sînt probabil false
                • Întrebările
                  • au factorii publicați valori alfa CAPM semnificative în datele originale?
                  • sînt aceste valori alfa semnificative și în afara eșantionului inițial (out-of-sample) și în alte țări?
                  • rămîn ele semnificative după ce se ține cont de testarea multiplă?

                De ce contează replicarea pentru acest capitol

                Slide 52 în PDF

                Dacă majoritatea factorilor ar fi descoperiri false, modelele multifactoriale din Secțiunea 5 și ETF-urile factoriale din Secțiunea 8 s-ar sprijini pe zgomot. Două viziuni asupra factor zoo se confruntă. Feng, Giglio & Xiu (2020) arată că majoritatea factorilor noi nu aduc nimic în plus față de cei existenți; metoda lor este în Anexă. Jensen, Kelly & Pedersen (2023) văd în schimb factor zoo ca pe multe măsurători corelate ale acelorași cîteva teme economice, astfel încît dovezile pentru o temă cumulează dovezile factorilor ei.

                Studiul folosește două mărimi din secțiunile anterioare. Mărimea testată este alfa lui Jensen, termenul liber al regresiei CAPM (Secțiunea 4). Reperul clasic, non-bayesian, pentru testarea multiplă este corecția Benjamini–Yekutieli (Secțiunea 7), cu care se compară procedura bayesiană a autorilor. Metoda de shrinkage din spatele estimărilor bayesiene, aplicată pe 153 de factori, este în Aprofundări.

                Pe scurt

                • Dacă majoritatea factorilor ar fi descoperiri false, s-ar sprijini pe zgomot
                • Feng, Giglio & Xiu (2020) arată că majoritatea factorilor noi nu aduc nimic în plus față de cei existenți (Anexă)
                • Jensen, Kelly & Pedersen (2023) văd în schimb grădina zoologică a factorilor ca multe măsurători corelate ale acelorași cîteva teme economice
                • Metoda lor, Bayes empiric: alfa fiecărui factor este micșorat spre zero și tras spre media factorilor din aceeași temă
                • Mărimea testată în studiul de caz este alfa lui Jensen (Secțiunea 4)
                • Reperul clasic (non-bayesian) este corecția Benjamini–Yekutieli (Secțiunea 7)

                Majoritatea factorilor se replică, dar alfa scade după eșantionul inițial (1/3)

                Slide 53 în PDF

                Tabelul prezintă pas cu pas ratele de replicare din Figura 1 a lucrării Jensen, Kelly & Pedersen (2023). Rata urcă de la 35% la Hou, Xue & Zhang (2020) pînă la 82,4%. Cu un eșantion mai lung, 15 factori în plus și o construcție diferită, rata pe randamentele brute urcă la 55,6%. Dacă se păstrează doar cei 119 factori semnificativi în studiile inițiale, rata devine 61,3%.

                Cel mai mare pas este trecerea de la randamentele brute la alfa CAPM, estimat prin OLS: rata devine 82,4%. Cu corecția Benjamini–Yekutieli, rata pe alfa este 75,6%; cu metoda Bayes empiric (empirical Bayes) a autorilor este 82,4%, atît în Statele Unite, cît și în eșantionul global.

                Pe scurt

                Rate de replicare (Figura 1)
                Hou, Xue & Zhang (2020), randamente brute\(35{,}0\%\)
                Jensen, Kelly & Pedersen (2023), randamente brute\(55{,}6\%\)
                Randamente brute, 119 semnificativi inițial\(61{,}3\%\)
                Alfa CAPM, OLS\(82{,}4\%\)
                Alfa CAPM, Benjamini–Yekutieli\(75{,}6\%\)
                Alfa CAPM, Bayes empiric\(82{,}4\%\)
                Global, Bayes empiric\(82{,}4\%\)
                • De la \(35\%\) (Hou, Xue & Zhang (2020)) la \(82{,}4\%\)
                  • Cu un eșantion mai lung, 15 factori în plus și o construcție diferită, rata urcă la \(55{,}6\%\)
                  • Dacă se păstrează doar factorii semnificativi în studiile inițiale, rata devine \(61{,}3\%\)
                  • Dacă se testează alfa CAPM în locul randamentului brut, rata devine \(82{,}4\%\)
                  • acesta este cel mai mare pas

                Majoritatea factorilor se replică, dar alfa scade după eșantionul inițial (2/3)

                Slide 54 în PDF

                Bayes empiric dă aceeași rată ca OLS, 82,4%, din două motive care se compensează. Micșorarea fiecărui alfa spre zero pierde unele descoperiri, iar informația împrumutată de la ceilalți factori ai aceleiași teme adaugă altele. Rezultatele complete sînt în Anexă. Rata bayesiană a descoperirilor false, adică proporția estimată de descoperiri false, printre factorii cu \(z \ge 1{,}96\) este doar 0,1%. Pragul rămîne 1,96, dar proporția estimată de descoperiri false este mică, deoarece estimația fiecărui factor împrumută informație de la ceilalți factori ai temei lui, în loc să trateze fiecare test izolat. Rata de replicare se referă la cei 119 factori semnificativi în studiile inițiale, nu la toți factorii propuși.

                Pe scurt

                • Bayes empiric dă tot \(82{,}4\%\) (rezultatele complete: Anexă)
                  • micșorarea spre zero pierde unele descoperiri
                  • informația împrumutată de la temă adaugă altele
                  • efectele se compensează
                • Proporția estimată de descoperiri false (FDR bayesian) printre factorii cu \(z \ge 1{,}96\) este doar \(0{,}1\%\)
                  • deși pragul rămîne \(1{,}96\)
                • Rata de replicare se referă la cei 119 factori semnificativi în studiile inițiale, nu la toți factorii propuși

                Majoritatea factorilor se replică, dar alfa scade după eșantionul inițial (3/3)

                Slide 55 în PDF

                Replicarea în eșantionul inițial nu spune însă totul. În medie, alfa unui factor scade de la 0,49% pe lună in-sample, adică în eșantionul studiului inițial, la 0,26% pe lună out-of-sample, o scădere de 47%. Panta regresiei alfa out-of-sample pe alfa in-sample (Figura 8) este 0,26, un coeficient distinct de media de 0,26% pe lună: un alfa inițial mai mare cu 1 punct procentual pe lună rămîne ulterior mai mare doar cu 0,26 puncte procentuale.

                O parte dintr-o asemenea scădere este de așteptat doar din motive statistice: factorii cu cele mai mari valori alfa in-sample au fost selectați parțial datorită norocului. Shrinkage-ul statistic singur ar explica însă o pantă de circa 0,9, deci scăderea reală este mai mare decît zgomotul. Cei mai puternici factori scad cel mai mult, semn fie de arbitraj din partea investitorilor după publicare, fie de data mining înainte de ea; Aprofundări reia această întrebare pentru momentum. Replicarea acestor rezultate în curs este în Aprofundări.

                Cele două rezultate răspund la întrebări diferite. Reproducerea: pentru 98 dintre cei 119 factori inițial semnificativi, alfa CAPM estimat prin OLS reproduce rezultatul (82,4%). Mărimea efectului: după eșantionul inițial, alfa mediu scade de la 0,49% la 0,26% pe lună (−47%), iar cauza scăderii rămîne deschisă.

                Pe scurt

                • Scăderea după perioada studiului inițial
                  • În medie, alfa unui factor scade de la \(0{,}49\%\) pe lună în eșantion (al studiului inițial) la \(0{,}26\%\) pe lună în afara eșantionului, adică cu \(47\%\)
                  • Panta regresiei alfa în afara eșantionului pe alfa în eșantion este \(0{,}26\) (Figura 8), un coeficient distinct de media de \(0{,}26\%\) pe lună
                  • un alfa inițial mai mare cu 1 punct procentual pe lună rămîne ulterior mai mare doar cu \(0{,}26\) puncte procentuale
                  • Contracția statistică singură ar explica o pantă de circa \(0{,}9\), deci scăderea reală este mai mare decît zgomotul
                • Cei mai puternici factori scad cel mai mult
                  • semn de arbitraj sau de căutare oportunistă în date (Aprofundări)
                • Două rezultate distincte (Jensen, Kelly & Pedersen (2023))
                  • reproducerea: pentru 98 dintre cei 119 factori inițial semnificativi, alfa CAPM (OLS) reproduce rezultatul (\(82{,}4\%\))
                  • mărimea efectului: alfa mediu scade de la \(0{,}49\%\) la \(0{,}26\%\) pe lună (\(-47\%\)); cauza scăderii rămîne deschisă

                Sinteza secțiunii

                Un factor care trece pragul \(|t| > 1{,}96\) după o căutare printre sute de candidați este o dovadă slabă. Procedurile FWER (Bonferroni, Holm) protejează împotriva oricărei descoperiri false; procedurile FDR (BH, BY) permit o mică proporție de descoperiri false într-o căutare amplă. Pentru un factor nou, pragul \(|t| > 3{,}0\) al lui Harvey, Liu & Zhu (2016) este reperul practic. Majoritatea factorilor publicați se replică în datele originale, dar valorile lor alfa scad ulterior cu aproximativ jumătate, ceea ce cere prudență cînd prima istorică a unui factor este citită ca o prognoză.

                Investiții factoriale

                Un investitor poate cumpăra expunere la factori prin ETF-uri. Această secțiune compară randamentele totale a șapte ETF-uri factoriale și de stil cu cele ale indicelui S&P 500 din iulie 2013 și explică de ce comparația este o descriere, nu o dovadă despre primele factorilor.

                ETF-urile factoriale față de piață (1/2)

                Slide 56 în PDF

                Întrebarea acestui slide este dacă un investitor care cumpără factorii prin ETF-uri cîștigă mai mult decît cu piața. Graficul arată valoarea a 1 USD (US dollar, dolarul american) investit în fiecare ETF, cu dividendele reinvestite: SPY, care replică indicele S&P 500 și este trasat cu linia neagră groasă, ETF-ul momentum MTUM (iShares MSCI USA Momentum Factor ETF, ETF pe factorul momentum), ETF-ul valoare VLUE (iShares MSCI USA Value Factor ETF, ETF pe factorul valoare), ETF-ul calitate QUAL (iShares MSCI USA Quality Factor ETF, ETF pe factorul calitate), ETF-ul de volatilitate minimă USMV (iShares MSCI USA Min Vol Factor ETF, ETF de volatilitate minimă), ETF-ul de firme mici IWM (iShares Russell 2000 ETF, ETF pe acțiunile americane mici, Russell 2000) și ETF-urile de firme mari de valoare și de creștere, IWD (iShares Russell 1000 Value ETF, ETF pe acțiunile americane mari de tip valoare) și IWF, trasate punctat. Cursorul mută data investiției, iar butonul ▶ o deplasează înainte.

                Întrebarea interactivă cere să decideți dacă diferența dintre ratele anuale compuse de creștere ale unui ETF și ale lui SPY estimează alfa CAPM al ETF-ului; răspunsul apare după alegere.

                  Întrebare pentru sală IWF are CAGR 16 (Compound Annual Growth Rate, rata anuală compusă de creștere),3%, iar SPY 14,0% pe aceeași perioadă. Este diferența de 2,3 puncte procentuale o estimație a alfa CAPM pentru IWF?
                  Răspuns

                  Nu. Diferența dintre CAGR-uri descrie performanța compusă realizată. Alfa CAPM este termenul liber al regresiei randamentelor în exces pe randamentul în exces al pieței. Diversificarea nu impune beta egal cu 1. Pentru o concluzie despre alfa sînt necesare estimarea și incertitudinea ei. Din iulie 2013, doar IWF și MTUM (15,5%) au CAGR peste SPY; QUAL are 13,5%, VLUE 13,1%, IWD 10,7%, USMV 10,5% și IWM 9,3%.

                  Graficul compară creșterea compusă, nu randamente ajustate la risc. Un ETF cu beta mai mare decît SPY poate termina mai sus pe o piață în creștere fără niciun alfa, dar nu obligatoriu pe o anumită traiectorie. Expunerile și alfa fiecărui ETF, estimate prin regresia zilnică pe cei cinci factori Fama–French și momentum, și o analiză a sincronizării (timing) sînt în Aprofundări.

                  Pe scurt

                  Întrebarea: cîștigă un investitor care cumpără factorii prin ETF-uri mai mult decît cu piața? MFM_ch3_factor_etfs

                  ETF-urile factoriale față de piață (2/2)

                  Slide 57 în PDF

                  Aceste ETF-uri sînt produse smart beta: fonduri doar long care cumpără acțiuni după reguli fixe. Ele păstrează expunerea la piață și nu reproduc factorii academici long–short din Secțiunea 5, care iau poziții opuse în cele două grupe extreme: HML cumpără B/M mare, SMB capitalizare mică, CMA creștere mică a activelor. Indicii Russell definesc trei dintre ele: Russell 1000 cuprinde cele mai mari 1000 de acțiuni americane, cu subindicii de valoare (IWD) și de creștere (IWF), iar Russell 2000 cuprinde următoarele 2000 (IWM).

                  Comparația folosește rata anuală compusă de creștere (CAGR, compound annual growth rate), \(\text{CAGR} = (V_T/V_0)^{1/n} - 1\) pe \(n\) ani, unde \(V_0\) și \(V_T\) sînt prima și ultima valoare. De la 18 iulie 2013, SPY are CAGR 14,0%. Două ETF-uri sînt peste el: firmele mari de creștere (IWF), cu 16,3%, și momentum (MTUM), cu 15,5%. Celelalte sînt sub el: QUAL 13,5%, VLUE 13,1%, IWD 10,7%, USMV 10,5% și IWM 9,3%.

                  Treisprezece ani reprezintă o singură traiectorie istorică, prea scurtă pentru a respinge primele factorilor estimate pe șase decenii. În această perioadă, acțiunile mari de creștere au depășit piața, iar valoarea și firmele mici au rămas în urmă.

                  Exemplul MTUM arată de ce comparația brută nu este o dovadă de performanță anormală. CAGR-ul lui, 15,5%, depășește 14,0% al SPY pe intervalul comun 18 iulie 2013 – 18 septembrie 2026. În regresia zilnică pe cei cinci factori Fama–French și momentum, pe zilele disponibile pînă în iulie 2026, MTUM are expunere pozitivă la momentum (0,36). Alfa anualizat estimat este −0,2%, cu \(t = -0{,}11\), iar aceste date sînt compatibile cu alfa zero. Cele două calcule folosesc ferestre diferite, deci cifrele nu se scad una din alta.

                  Pe scurt

                  • Graficul: valoarea a 1 dolar american (USD) investit la 18 iulie 2013
                    • cu dividendele reinvestite (randament total)
                    • SPY este linia neagră
                  • Smart beta: ETF-uri doar long care cumpără acțiuni după reguli fixe
                    • deci păstrează expunerea la piață și nu reproduc factorul academic long–short
                  • IWD (iShares Russell 1000 Value ETF) și IWF (iShares Russell 1000 Growth ETF): acțiunile de valoare, respectiv de creștere din Russell 1000 (cele mai mari 1000 de acțiuni americane); IWM (iShares Russell 2000 ETF): Russell 2000 (următoarele 2000)
                  • Ce explică o rată anuală compusă de creștere (CAGR) mai mare? Exemplul MTUM (iShares MSCI USA Momentum Factor ETF)
                    • regresie zilnică pe FF5 + MOM, pînă în iulie 2026: expunere MOM \(0{,}36\)
                    • alfa anualizat \(-0{,}2\%\), \(t = -0{,}11\): date compatibile cu alfa zero
                  • CAGR (Compound Annual Growth Rate): \((V_T/V_0)^{1/n} - 1\) pe \(n\) ani
                  • Peste SPY (\(14{,}0\%\))
                    • firmele mari de creștere (IWF): \(16{,}3\%\)
                    • momentum (MTUM): \(15{,}5\%\)
                  • Sub SPY
                    • QUAL (iShares MSCI USA Quality Factor ETF, ETF pe factorul calitate) \(13{,}5\%\), VLUE (iShares MSCI USA Value Factor ETF, ETF pe factorul valoare) \(13{,}1\%\), IWD \(10{,}7\%\)
                    • USMV (iShares MSCI USA Min Vol Factor ETF, ETF de volatilitate minimă) \(10{,}5\%\), IWM \(9{,}3\%\)
                  • Treisprezece ani reprezintă o singură traiectorie istorică
                    • prea scurtă pentru a respinge primele factorilor estimate pe șase decenii
                  lll MFM_ch3_factor_etfs

                  Concluzii

                  Concluziile reunesc pașii unei analize factoriale, întrebările care verifică înțelegerea capitolului și decizia practică, împreună cu condițiile în care ea trebuie revizuită.

                  Concluzii: pașii unei analize factoriale

                  Slide 58 în PDF

                  O analiză factorială are șase pași:

                  1. Estimarea expunerilor cu erori HAC, raportarea eșantionului și a aproximării pieței și aplicarea de shrinkage valorilor beta extreme: spre 1 cu ajustarea lui Blume (1971), spre media a priori (0,949 pentru cele nouă sectoare) cu cea a lui Vasicek (1973).
                  2. Testarea tuturor valorilor alfa deodată: statistica GRS măsoară, normalizat, cît crește pătratul raportului Sharpe maxim cînd activele de test se adaugă factorilor. CAPM eșuează pe cele 25 de portofolii mărime × B/M, cu o dreaptă a pieței titlurilor (SML, security market line) plată și o respingere GRS.
                  3. Estimarea primelor în două etape, cu erori standard care țin cont că valorile beta sînt estimate și că modelul poate fi greșit; un \(R^2\) mare pe cele 25 de portofolii nu dovedește mare lucru.
                  4. Protecția împotriva factor zoo, cu praguri corectate pentru testarea multiplă.
                  5. Verificarea replicării: 82,4% dintre cei 119 factori inițial semnificativi se replică, dar alfa mediu scade cu 47% după eșantionul inițial.
                  6. Descompunerea ETF-urilor factoriale, care vînd în mare parte expuneri la factori cunoscuți, nu alfa.

                  Pe scurt

                  1. Estimați expunerile cu erori HAC
                  2. Testați toate valorile alfa deodată
                    • GRS măsoară, normalizat, cît crește pătratul raportului Sharpe maxim cînd adăugăm activele de test
                    • CAPM eșuează pe cele 25 de portofolii mărime \(\times\) B/M (SML plată, GRS respinge)
                  3. Estimați primele în două etape
                    • cu erori care țin cont că beta este estimat și că modelul poate fi greșit
                    • un \(R^2\) mare pe cele 25 de portofolii nu dovedește mare lucru
                  4. Protejați-vă de grădina zoologică a factorilor: folosiți praguri corectate pentru testarea multiplă
                  5. Verificați replicarea: \(82{,}4\%\) dintre cei 119 factori inițial semnificativi se replică
                    • dar alfa mediu scade cu \(47\%\) după eșantionul inițial
                  6. Descompuneți ETF-urile factoriale

                  Verifică-ți înțelegerea

                  Slide 59 în PDF

                  Întrebările de verificare revin la patru rezultate ale capitolului:

                  1. De ce diferă eroarea standard HAC a unui beta de cea clasică, deși beta nu se schimbă (Aprofundări);
                  2. De ce poate GRS să nu respingă CAPM pe ETF-urile sectoriale, dar să-l respingă pe cele 25 de portofolii în aceleași luni (Secțiunea 4);
                  3. De ce pare să aibă o primă un factor inutil în etapa 2 (Aprofundări);
                  4. De ce poate rata de replicare Bayes empiric să depășească rata Benjamini–Yekutieli (Secțiunea 7).

                  Capitolul se leagă de alte părți ale cursului. Capitolul 2, deja parcurs, a arătat că un alfa nenul este fie o anomalie, fie semnul unui factor de risc omis: problema ipotezei comune. Capitolele următoare reiau instrumentele de aici. Capitolul 4 folosește modele factoriale de covarianță și shrinkage pentru portofoliile Markowitz. Capitolele 5 și 6 modelează volatilitatea, corelațiile și valorile beta variabile în timp. Capitolul 13 tratează overfitting-ul backtest-ului și machine learning pentru secțiunea transversală a randamentelor.

                  Pe scurt

                  Întrebări de verificare
                  • De ce diferă eroarea standard HAC a unui beta de cea clasică, deși beta nu se schimbă? (Aprofundări)
                  • De ce poate GRS să nu respingă CAPM pe ETF-urile sectoriale, dar să-l respingă pe cele 25 de portofolii?
                  • De ce pare să aibă o primă un factor inutil în etapa 2? (Aprofundări)
                  • De ce poate rata de replicare Bayes empiric să depășească rata Benjamini–Yekutieli? (Secțiunea 7)
                  Legături cu alte capitole
                  • Capitolul 2, deja parcurs: un alfa nenul este fie o anomalie, fie semnul unui factor de risc omis
                    • problema ipotezei comune
                  • Capitolul 4: modele factoriale de covarianță și estimatori de contracție pentru Markowitz
                  • Capitolele 5–6: volatilitate, corelații și beta variabile în timp
                  • Capitolul 13: supraajustarea (overfitting) testelor istorice
                    • și învățarea automată (machine learning) pentru secțiunea transversală a randamentelor

                  Decizia practică

                  Slide 60 în PDF

                  Decizia practică are trei părți. Pentru beta, alegerea este o estimație cu erori HAC și shrinkage. Pentru XLK față de SPY, în perioada 1999–2012, estimația OLS este \(\hat\beta = 1{,}415\), beta ajustat Blume 1,278 și beta Vasicek 1,344, iar beta estimat pe perioada următoare, 2013–2026, este 1,172. Pentru testarea CAPM, alegerea este testul GRS pe active alese pentru contraste economice stabilite înainte: pe cele 25 de portofolii mărime × B/M, GRS este 2,91, față de 0,53 pe sectoare, pe aceleași 331 de luni. Pentru prime, alegerea este Fama–MacBeth cu erori Kan–Robotti–Shanken cu laguri Newey–West, cu erorile Fama–MacBeth și Shanken drept comparație și o verificare a sensibilității la numărul de laguri; un factor nou este acceptat doar peste pragul corectat pentru testarea multiplă. Robustețea la specificare greșită și la autocorelație nu rezolvă însă identificarea slabă.

                  Decizia este valabilă în trei condiții:

                  1. Erorile HAC presupun un moment de ordin patru finit al randamentelor, pus sub semnul întrebării în Capitolul 1.
                  2. GRS presupune erori cu distribuția Normală multivariată, independente de factori, iar o respingere privește și indicele folosit ca aproximare a pieței (Roll, 1977).
                  3. Prima pieței rămîne slab identificată cînd valorile beta diferă puțin, de la 0,89 la 1,14 pe cele 25 de portofolii în FF3.

                  Trei rezultate ar schimba decizia. Pentru shrinkage: o eroare de prognoză mai mare decît la OLS pe mai multe active și perioade; acum, pe cele nouă sectoare, RMSE este 0,135 pentru OLS, 0,109 pentru Blume și 0,114 pentru Vasicek. Pentru un model: un \(R^2\) transversal negativ cu primele impuse și fără termen liber, ca la FF3 pe 55 de active (\(-0{,}27\)). Pentru un factor publicat: un alfa out-of-sample mic din punct de vedere economic, citit împreună cu intervalul lui, nu doar unul nesemnificativ; în medie, valorile alfa scad cu 47% după eșantionul inițial.

                  Pe scurt

                  • Ce aleg
                    • beta cu erori HAC și contracție (XLK față de SPY, 1999–2012: \(\hat\beta = 1{,}415\), Blume \(1{,}278\), Vasicek \(1{,}344\); realizat 2013–2026: \(1{,}172\))
                    • testul GRS pe active alese pentru contraste economice stabilite înainte: 25 de portofolii mărime \(\times\) B/M, nu doar sectoarele (GRS \(2{,}91\) față de \(0{,}53\), pe aceleași 331 de luni)
                    • prime Fama–MacBeth cu erori KRS (cu laguri Newey–West); erorile FM și Shanken doar drept comparație; un factor nou doar peste pragul corectat pentru testarea multiplă
                    • robustețea la specificare greșită și la autocorelație nu rezolvă identificarea slabă
                  • În ce condiții
                    • erorile HAC presupun moment de ordin patru finit, pus sub semnul întrebării în Capitolul 1
                    • GRS presupune erori cu distribuția Normală multivariată, independente de factori; respingerea privește și indicele folosit ca piață (Roll)
                    • prima pieței rămîne slab identificată cînd valorile beta diferă puțin (\(0{,}89\)–\(1{,}14\) în FF3)
                  • Ce rezultate ar schimba decizia
                    • contracția: o eroare de prognoză mai mare decît la OLS pe mai multe active și perioade (acum, pe 9 sectoare, RMSE: OLS \(0{,}135\), Blume \(0{,}109\), Vasicek \(0{,}114\))
                    • un model: un \(R^2\) transversal negativ cu primele impuse și fără termen liber (FF3 pe 55 de active: \(-0{,}27\))
                    • un factor publicat: un alfa în afara eșantionului mic din punct de vedere economic, citit împreună cu intervalul lui (în medie, alfa scade cu \(47\%\))

                  Aprofundări

                  Prima parte reunește subiectele scoase din firul principal al capitolului: datele și randamentele folosite, factorul stocastic de actualizare, factorii latenți (PCA și IPCA), studiul de caz despre factor momentum și AI pentru descoperire științifică. Urmează cadrele care extind, în ordinea capitolului, teme tratate pe scurt în corpul lui: datele și notațiile, incertitudinea costului capitalului, o regresie beta rezolvată cu mai multe erori standard, shrinkage-ul valorilor beta și valorile beta de la Bursa de Valori București (BVB), dreapta pieței titlurilor (security market line, SML) plată, testul GRS ca test al raportului Sharpe și metoda generalizată a momentelor (generalized method of moments, GMM), stabilitatea primelor factoriale, factorii inutili și un test mai sever cu portofolii pe industrii, compararea modelelor prin rapoarte Sharpe maxime, testarea multiplă, numărul de factori, PCA instrumentată, valorile alfa ale ETF-urilor factoriale și detaliile studiului de caz despre replicare.

                  Aprofundări: subiecte suplimentare

                  Slide 61 în PDF
                  • Datele capitolului și randamentele folosite
                  • Factorii ca factor stocastic de actualizare
                  • Factori latenți: PCA (Principal Component Analysis, analiza componentelor principale) și IPCA (Instrumented Principal Component Analysis, analiza instrumentată a componentelor principale)
                  • Studiu de caz: momentum-ul factorilor
                  • AI (inteligența artificială) pentru descoperire științifică
                  • Apoi: exemple rezolvate și detalii pentru fiecare secțiune, în ordinea capitolului

                  Datele: ce serii folosim

                  Slide 62 în PDF

                  Capitolul lucrează cu șase grupuri de serii. Factorii Fama–French sînt randamentele lunare a cinci factori (piața, mărimea, valoarea, profitabilitatea și investițiile) între 1963 și 2026, iar factorul momentum este randamentul acțiunilor cu cele mai mari randamente în lunile \(t-12\) pînă la \(t-2\) minus cel al acțiunilor cu cele mai mici. Cele 25 de portofolii de test se formează prin sortarea independentă a acțiunilor americane în cinci grupe de mărime și cinci grupe după raportul dintre valoarea contabilă și valoarea de piață (B/M, book-to-market); cele 25 de intersecții sînt portofoliile, tot lunare, pe 1963–2026. Sursele și notațiile sînt detaliate în Aprofundări.

                  Seriile investibile sînt zilnice. ETF-urile sectoriale conțin fiecare cîte un sector al S&P 500, indicele a 500 de companii americane mari: nouă sectoare din 1999 și unsprezece din 2018. ETF-urile factoriale acoperă momentum, valoarea, calitatea și volatilitatea minimă din 2013, precum și indicii Russell de mărime, valoare și creștere din 2000. Aplicația locală folosește 11 acțiuni de tip blue chip ale Bursei de Valori București (BVB) și indicele ei, BET, între 2015 și 2026.

                  Cele nouă ETF-uri sectoriale cu istoric lung sînt XLB (materiale), XLE (energie), XLF (financiar), XLI (industrie), XLK (tehnologie), XLP (bunuri de consum de bază), XLU (utilități), XLV (sănătate) și XLY (bunuri de consum discreționare). Din 2018 li se adaugă XLRE (imobiliare) și XLC (servicii de comunicații).

                  Pe scurt

                  SerieCe conțineFrecvențăPerioadă
                  Factorii Fama–Frenchrandamentele a cinci factori: piața, mărimea, valoarea, profitabilitatea și investițiilelunară1963–2026
                  Factorul momentumacțiunile cu cele mai mari randamente în lunile \(t-12\) pînă la \(t-2\) minus cele cu cele mai micilunară1963–2026
                  25 de portofoliiacțiuni americane sortate independent în 5 grupe după mărime și 5 după B/M (valoarea contabilă / valoarea de piață); cele 25 de intersecții formează portofoliilelunară1963–2026
                  ETF-uri sectorialecîte un ETF pentru fiecare sector din S&P 500 (indicele a 500 de mari companii americane): 9 sectoare din 1999, 11 din 2018zilnică1999–2026
                  ETF-uri factorialemomentum, valoare, calitate, volatilitate minimă (din 2013); mărime, valoare și creștere, indici Russell (din 2000)zilnică2000–2026
                  Bursa de Valori București (BVB)11 acțiuni mari (blue chips) și indicele bursei, BETzilnică2015–2026
                  • Simbolurile ETF-urilor sectoriale
                    • XLB materiale, XLE energie, XLF financiar, XLI (Industrial Select Sector SPDR Fund, ETF pe sectorul industrial) industrie, XLK tehnologie
                    • XLP (Consumer Staples Select Sector SPDR Fund, ETF pe sectorul bunurilor de consum de bază) bunuri de larg consum, XLU utilități, XLV (Health Care Select Sector SPDR Fund, ETF pe sectorul sănătății) sănătate, XLY (Consumer Discretionary Select Sector SPDR Fund, ETF pe sectorul bunurilor de consum ciclice) consum discreționar
                    • din 2018 se adaugă XLRE imobiliare și XLC servicii de comunicații

                  Ce randamente folosim în acest capitol

                  Slide 63 în PDF

                  Fie \(P_{i,t}\) prețul activului \(i\), ajustat pentru dividende și divizări de acțiuni. Randamentul simplu este \(R_{i,t} = P_{i,t}/P_{i,t-1} - 1\), iar randamentul logaritmic \(r_{i,t} = \ln(1 + R_{i,t})\). Cele două servesc unor scopuri diferite, iar capitolul îl folosește pe fiecare acolo unde este potrivit.

                  Regresiile pe factorii French folosesc randamente simple lunare. Factorii sînt randamente ale unor portofolii, iar randamentul unui portofoliu este suma ponderată a randamentelor simple ale componentelor, nu a randamentelor lor logaritmice. Diferența nu este neglijabilă pentru medii: media randamentelor logaritmice este mai mică decît media randamentelor simple cu aproximativ \(\sigma^2/2\), adică, la o volatilitate anuală de 20%, cu circa 2 puncte procentuale pe an.

                  Valorile beta rolling, valorile beta de la BVB și analiza componentelor principale din factorii latenți din Aprofundări folosesc randamente logaritmice zilnice. La BVB, rata fără risc zilnică este tratată ca o constantă; o constantă scăzută atît din randamentul activului, cît și din cel al pieței nu schimbă panta regresiei, deci beta este același cu randamente brute sau în exces.

                  Pe scurt

                  • Notații
                    • \(R_{i,t} = P_{i,t}/P_{i,t-1} - 1\): randament simplu
                    • \(r_{i,t} = \ln(1 + R_{i,t})\): randament logaritmic
                    • \(P_{i,t}\): prețul ajustat pentru dividende și split-uri
                  • Regresiile pe factorii French folosesc randamente simple lunare
                    • Factorii sînt randamente de portofolii, iar randamentul unui portofoliu se calculează din randamente simple
                    • Media randamentelor logaritmice ar fi mai mică cu aproximativ \(\sigma^2/2\): la o volatilitate anuală de \(20\%\), circa 2 puncte procentuale pe an
                  • Randamente logaritmice zilnice folosesc
                    • beta pe ferestre mobile
                    • beta la BVB
                    • analiza componentelor principale (Aprofundări)
                  • La BVB, rata fără risc zilnică este tratată ca o constantă
                    • deci beta este același cu randamente brute sau în exces

                  Ce conțin sectoarele și ce pondere primesc în portofoliul tangent

                  Slide 64 în PDF

                  Tabelul arată, pentru fiecare ETF sectorial, industriile acoperite, cîteva companii mari și ponderea în portofoliul tangent. Sectoarele urmează clasificarea GICS a companiilor din S&P 500, iar componența s-a schimbat în timp, de exemplu sectorul imobiliar a ieșit din XLF în 2016. Ponderile merg de la \(-0{,}37\) pentru XLF pînă la \(+0{,}37\) pentru XLV.

                  Semnul fiecărei ponderi depinde de întreaga matrice de covarianță, nu de o singură pereche de sectoare. Un exemplu ajută la intuiție: XLB și XLI au corelația 0,85, iar XLI are o medie mai mare, 8,78% față de 8,19%, și o volatilitate mai mică, 18,71% față de 20,96%. XLF are cel mai mic raport Sharpe dintre cele nouă sectoare, 0,29. Compoziția sectoarelor s-a schimbat în timp: în 2018, Alphabet și Facebook (astăzi Meta), ambele din tehnologie, și Netflix și Comcast, din consum discreționar, au trecut în servicii de comunicații.

                  Pe scurt

                  ETFSectorCe conține (exemple de companii)Pondere
                  XLBmaterialechimicale, materiale de construcții, ambalaje, metale și minerit (Linde, Sherwin-Williams, Freeport-McMoRan, Newmont)\(-0{,}21\)
                  XLEenergiepetrol și gaze, servicii petroliere (Exxon Mobil, Chevron, ConocoPhillips)\(+0{,}19\)
                  XLFfinanciarbănci, asigurări, administratori de active, procesatori de plăți (Berkshire Hathaway, JPMorgan Chase, Visa)\(-0{,}37\)
                  XLIindustrieaerospațial și apărare, utilaje, transport (GE Aerospace, Caterpillar, Union Pacific)\(+0{,}18\)
                  XLKtehnologiesoftware, hardware, semiconductori (Apple, Microsoft, Nvidia)\(+0{,}13\)
                  XLPbunuri de larg consumalimente, băuturi, produse de uz casnic (Procter & Gamble, Coca-Cola, Walmart)\(+0{,}16\)
                  XLUutilitățielectricitate, gaze naturale, apă (NextEra Energy, Southern, Duke Energy)\(+0{,}27\)
                  XLVsănătatefarmaceutice, biotehnologie, echipamente medicale (Eli Lilly, UnitedHealth, Johnson & Johnson)\(+0{,}37\)
                  XLYconsum discreționarcomerț, auto, hoteluri, restaurante (Amazon, Tesla, Home Depot)\(+0{,}29\)
                  • Sectoarele urmează clasificarea GICS (Global Industry Classification Standard) a companiilor din S&P 500
                    • compoziția s-a schimbat: imobiliarele au ieșit din XLF în 2016; în 2018, Alphabet și Facebook (azi Meta), din XLK, și Netflix și Comcast, din XLY, au trecut în servicii de comunicații
                  • Semnul fiecărei ponderi depinde de întreaga matrice de covarianță, nu de o singură pereche de sectoare
                    • exemplu: XLB și XLI au corelația \(0{,}85\), iar XLI are medie mai mare (\(8{,}78\%\) față de \(8{,}19\%\)) și volatilitate mai mică (\(18{,}71\%\) față de \(20{,}96\%\))
                  • XLF are cel mai mic raport Sharpe dintre cele 9 sectoare (\(0{,}29\)) și corelația \(0{,}80\) cu XLI
                  MFM_ch3_frontier

                  Factorii ca factor stocastic de actualizare (aprofundare)

                  Slide 65 în PDF

                  Relația de evaluare prin beta (3.13) poate fi scrisă într-o a doua formă, echivalentă, cu un factor stocastic de actualizare. Această formă separă două întrebări pe care primele de risc le amestecă: dacă expunerea la un factor este răsplătită și dacă factorul este necesar pentru evaluarea activelor după includerea celorlalți factori.

                  Întrebarea acestui slide este dacă un factor este necesar pentru evaluarea activelor atunci cînd ceilalți factori sînt deja prezenți; sinteza lui Cochrane (2011) o plasează în centrul evaluării empirice a activelor. Un factor stocastic de actualizare (stochastic discount factor, SDF) este o variabilă aleatoare \(m_t\) care evaluează toate randamentele în exces:

                  \[\mathbb{E}[m_t R^e_{i,t}] = 0 \quad \text{pentru fiecare activ } i.\]
                  (3.19)

                  SDF este mare în perioadele proaste. Un activ care plătește tocmai în acele stări este o asigurare, iar investitorii acceptă pentru el un randament mediu mic.

                  Un model factorial liniar este un SDF de forma \(m_t = 1 - \mathbf{b}^\top(\mathbf{f}_t - \mathbb{E}\mathbf{f})\), unde \(\mathbf{b}\) este vectorul coeficienților SDF. Înlocuirea în (3.19) dă

                  \[\mathbb{E}[R^e_i] = \operatorname{Cov}(R^e_i, \mathbf{f}_t)^\top \mathbf{b} = \boldsymbol\beta_i^\top \boldsymbol\lambda, \qquad \boldsymbol\lambda = \boldsymbol\Sigma_f\,\mathbf{b},\]
                  (3.20)

                  deci forma SDF și forma cu beta din Secțiunea 6 sînt același model, iar primele sînt egale cu matricea de covarianță a factorilor înmulțită cu coeficienții SDF.

                  Relația (3.20) conduce la două teste diferite. Ipoteza \(b_k = 0\) spune că factorul \(k\) nu ajută la evaluare, ținînd cont de ceilalți factori. Ipoteza \(\lambda_k = 0\) spune că expunerea la factorul \(k\) nu aduce nicio primă. Fiindcă \(\boldsymbol\Sigma_f\) nu este diagonală cînd factorii sînt corelați, \(\lambda_k \neq 0\) și \(b_k = 0\) pot coexista: un factor poate avea o primă doar pentru că este corelat cu alți factori care au primă. Compararea modelelor testează de aceea \(\mathbf{b}\), nu \(\boldsymbol\lambda\).

                  Coeficienții \(\mathbf{b}\) se estimează prin metoda generalizată a momentelor (GMM, generalised method of moments) a lui Hansen (1982), prezentată în Aprofundări: estimația face ca media empirică a lui \(m_t(\mathbf{b})\,\mathbf{R}^e_t\) să fie zero, sau cît mai aproape de zero, pentru fiecare activ. Legătura dintre SDF și raportul Sharpe maxim al factorilor este în Aprofundări.

                  Pe scurt

                  Factorii ca factor stocastic de actualizare Lars Peter Hansen, Premiul Nobel pentru Economie 2013 Foto: Bengt Nyman (2013); CC BY 2.0; Wikimedia Commons
                  • Întrebarea: este un factor necesar pentru evaluarea activelor, odată ce avem ceilalți factori?
                  • SDF \(m_t\): evaluează toate randamentele în exces, \(\mathbb{E}[m_t R^e_{i,t}] = 0\)
                    • SDF: Stochastic Discount Factor, factorul stocastic de actualizare
                  • \(m_t\) este mare în perioadele proaste
                    • un activ care cîștigă tocmai atunci este o asigurare
                    • deci are un randament mediu mic
                  • Un model factorial liniar este un SDF, \(m_t = 1 - \mathbf{b}^\top(\mathbf{f}_t - \mathbb{E}\mathbf{f})\)
                    • \(\mathbf{b}\): coeficienții SDF
                  • Prin înlocuire: \(\mathbb{E}[R^e_i] = \operatorname{Cov}(R^e_i, \mathbf{f}_t)^\top \mathbf{b} = \boldsymbol\beta_i^\top \boldsymbol\lambda\)
                    • \(\boldsymbol\lambda = \boldsymbol\Sigma_f \mathbf{b}\) (Secțiunea 6)
                  • Două teste diferite
                    • \(b_k = 0\): factorul \(k\) nu ajută la evaluare, ținînd cont de ceilalți factori
                    • \(\lambda_k = 0\): expunerea la factorul \(k\) nu aduce nicio primă
                    • cu factori corelați, \(\lambda_k \neq 0\) și \(b_k = 0\) pot coexista
                  • \(\mathbf{b}\) se estimează prin GMM (Hansen (1982); Aprofundări)
                    • media empirică a lui \(m_t(\mathbf{b})\,\mathbf{R}^e_t\) trebuie să fie zero pentru fiecare activ

                  PCA pe ETF-urile sectoriale din SUA (1/2)

                  Slide 66 în PDF

                  În loc să fie aleși dinainte, factorii pot fi extrași chiar din randamente. Această secțiune aplică analiza componentelor principale pe unsprezece fonduri tranzacționate la bursă (ETF, exchange-traded funds) sectoriale din SUA, dă formulele și enumeră limitele PCA în evaluarea activelor, care motivează versiunea instrumentată (IPCA) prezentată în Aprofundări.

                  Întrebarea acestui slide este ce factori apar din randamente dacă nu îi alegem dinainte. Graficul arată o analiză a componentelor principale (PCA, principal component analysis) a randamentelor zilnice ale celor 11 ETF-uri sectoriale din SUA. Panoul din stînga, graficul scree (scree plot), arată ponderea din varianța totală explicată de fiecare componentă (barele) și ponderea cumulată (linia). Panoul din dreapta arată loadings, adică elementele vectorilor proprii, ale primelor trei componente pe fiecare ETF.

                  Meniul alege fereastra de estimare: întregul eșantion sau o fereastră mobilă de 504, 252 sau 126 de zile de tranzacționare. Cursorul mută sfîrșitul ferestrei, iar butonul ▶ o deplasează prin eșantion. Întrebarea interactivă privește modul în care se schimbă ponderea primei componente într-o fereastră scurtă și recentă; răspunsul apare după alegere.

                  Slide-ul 66: PCA pe ETF-urile sectoriale din SUA (1/2)
                  Slide 66 în PDF
                    Întrebare pentru sală Pe întregul eșantion, PC1 (first Principal Component, prima componentă principală) explică 66,0% din varianța randamentelor standardizate ale celor 11 sectoare. Dacă alegem fereastra de 252 de zile încheiată la 18 septembrie 2026, ce pondere explică PC1?
                    Răspuns

                    PC1 explică 36,6%, față de 66,0% pe întregul eșantion. Standardizarea egalizează varianțele celor 11 serii de intrare, nu varianțele componentelor principale. Ponderea PC1 se recalculează din corelațiile ferestrei selectate. Pe întregul eșantion, loadings PC1 sînt toate pozitive (0,24–0,34), iar corelația PC1 cu SPY este 0,954; pe fereastra de 252 de zile este 0,723.

                    Două trăsături ale graficului merită urmărite cînd fereastra se mută. Ponderea primei componente crește în perioadele de criză, cînd cresc corelațiile dintre sectoare. Semnele loadings se pot inversa de la o fereastră la alta fără nicio schimbare de fond, deoarece semnul unui vector propriu este arbitrar; interpretarea o dă configurația loadings, nu semnul lor.

                    PCA pe ETF-urile sectoriale din SUA (2/2)

                    Slide 67 în PDF

                    PCA găsește combinațiile liniare ale randamentelor care explică, pe rînd, cea mai mare parte a varianței rămase; formula este în slide-ul următor. Datele sînt randamentele logaritmice zilnice a 11 ETF-uri sectoriale între 20 iunie 2018 și 18 septembrie 2026, \(T = 2\,073\) de zile de tranzacționare comune.

                    Primele trei componente explică împreună 83,1% din varianță:

                    • Prima componentă (PC1) explică 66,0% din varianță. Toate loadings ale ei sînt pozitive, între 0,24 și 0,34, deci PC1 este o medie aproape egal ponderată a sectoarelor, iar corelația ei cu SPY, ETF-ul care replică indicele S&P 500, este 0,954: PC1 este factorul pieței.
                    • A doua componentă (PC2) explică 9,7% și opune sectoarele defensive celor de creștere: utilitățile (+0,55), bunurile de larg consum (+0,42) și imobiliarele (+0,31) față de tehnologie (−0,40) și consumul discreționar (−0,33).
                    • A treia componentă (PC3) explică 7,4% și este dominată de energie.

                    Rezultatul descrie eșantionul. Componentele rezumă covarianța sectoarelor pe acest eșantion, dar nimic din metodă nu spune că expunerile la ele sînt răsplătite cu o primă.

                    Componentele principale

                    Slide 68 în PDF

                    Factorii latenți (latent factors) sînt factori neobservați, estimați doar din randamente, fără a spune dinainte ce reprezintă. PCA este cel mai simplu estimator al lor. Aici se aplică matricei de corelație \(\mathbf{C}\) a randamentelor standardizate, astfel încît fiecare activ are varianța unu, iar sectoarele volatile nu domină. Descompunerea spectrală și componentele sînt

                    \[\mathbf{C} = \boldsymbol\Gamma \mathbf{D} \boldsymbol\Gamma^\top, \qquad \mathbf{y}_t = \boldsymbol\Gamma^\top \mathbf{z}_t,\]
                    (3.21)

                    unde \(\mathbf{z}_t\) este vectorul randamentelor standardizate din ziua \(t\), \(\mathbf{y}_t\) vectorul componentelor, \(\boldsymbol\Gamma\) matricea care are pe coloane vectorii proprii, numiți loadings, iar \(\mathbf{D}\) matricea diagonală a valorilor proprii \(\ell_k\). Valorile proprii sînt ordonate, \(\ell_1 \ge \dots \ge \ell_N\), și notate cu \(\ell\) ca să nu se confunde cu primele de risc \(\lambda\).

                    Fiindcă randamentele standardizate au varianțe egale cu unu, varianța totală este urma lui \(\mathbf{C}\), egală cu \(N\), iar componenta \(k\) explică ponderea \(\ell_k/N\) din ea. Cazul cu două active arată structura. Cu corelația \(\rho\), valorile proprii sînt \(\ell = 1 \pm \rho\); vectorul propriu \((1, 1)/\sqrt2\) este „piața”, media celor două active, iar \((1, -1)/\sqrt2\) este diferența dintre ele. Cînd \(\rho\) crește, cum se întîmplă într-o criză, prima valoare proprie \(1 + \rho\) crește și prima componentă domină. Numărul de componente care trebuie păstrate este discutat în Aprofundări.

                    Pe scurt

                    • Factori latenți: factori neobservați, estimați doar din randamente
                      • fără a spune dinainte ce reprezintă
                    • PCA a matricei de corelație \(\mathbf{C}\) a randamentelor standardizate
                      \[ \mathbf{C} = \boldsymbol\Gamma \mathbf{D} \boldsymbol\Gamma^\top, \qquad \mathbf{y}_t = \boldsymbol\Gamma^\top \mathbf{z}_t \]
                      • \(\mathbf{z}_t\): randamentele standardizate ale zilei \(t\)
                      • \(\mathbf{y}_t\): componentele
                      • \(\boldsymbol\Gamma\): vectorii proprii pe coloane, adică încărcările
                      • \(\mathbf{D}\): matricea diagonală a valorilor proprii \(\ell_k\)
                    • Valorile proprii, ordonate: \(\ell_1 \ge \dots \ge \ell_N\)
                      • notate \(\ell\), ca să nu se confunde cu primele de risc \(\lambda\)
                    • Componenta \(k\) explică \(\ell_k / N\) din varianța totală
                    • Exemplu, două active cu corelația \(\rho\): \(\ell = 1 \pm \rho\)
                      • vectorul \((1, 1)/\sqrt2\) este „piața”
                      • vectorul \((1, -1)/\sqrt2\) este diferența dintre ele
                    • În criză \(\rho\) crește și prima componentă domină

                    Limitele PCA în evaluarea activelor

                    Slide 69 în PDF

                    Ca instrument de evaluare a activelor, PCA are cinci limite. Loadings sînt constante, deci PCA nu poate urmări o acțiune a cărei mărime sau valoare se schimbă în timp. Componentele explică varianța, nu neapărat randamentele medii: o componentă cu valoare proprie mare poate să nu aibă nicio primă, iar un factor cu primă poate avea o valoare proprie mică. Acțiunile individuale intră și ies din eșantion prin listări și delistări, deci lipsesc multe observații, pe cînd PCA clasic cere un panel complet.

                    Celelalte două limite privesc interpretarea. Semnul fiecărei componente este arbitrar: schimbarea semnului unui vector propriu nu schimbă nimic în ajustare. Mai general, factorii latenți sînt determinați doar pînă la o rotație, deoarece orice combinație rotită a lor explică datele la fel de bine, deci denumirea lor este o alegere a cercetătorului.

                    Două extensii ale PCA țin cont și de randamentele medii: PCA cu primă de risc și estimatorul în trei etape; ambele sînt prezentate în Anexă. PCA instrumentată, în care loadings depind de caracteristicile firmelor, este în Aprofundări.

                    Pe scurt

                    • Încărcările sînt constante
                      • PCA nu poate urmări o acțiune a cărei mărime sau valoare se schimbă
                    • Componentele explică varianța, nu neapărat randamentele medii
                    • Acțiunile individuale intră și ies din eșantion (listări, delistări)
                      • deci lipsesc multe observații
                      • iar PCA clasic cere un panel complet
                    • Semnul fiecărei componente este arbitrar
                      • schimbarea semnului unui vector propriu nu schimbă nimic
                    • Factorii latenți sînt determinați doar pînă la o rotație
                      • orice combinație rotită a lor explică datele la fel de bine
                      • deci interpretarea lor este o alegere
                    • Două extensii ale PCA țin cont și de randamentele medii (Anexă)
                      • PCA cu primă de risc
                      • estimatorul în trei etape

                    Momentum-ul factorilor: cel al acțiunilor doar sincronizează alți factori?

                    Slide 70 în PDF

                    Studiul de caz despre factor momentum completează studiul despre replicare din Secțiunea 7. El întreabă dacă randamentele factorilor sînt autocorelate și dacă factorul momentum MOM din Secțiunea 5 este doar un mod de a sincroniza ceilalți factori. Întrebarea contează pentru construcția modelelor. Modelul Carhart (FF3 + MOM) și FF5 + MOM adaugă MOM ca sursă separată de risc. Dacă MOM doar sincronizează alți factori, un model are nevoie de factor timing, adică de mutarea capitalului între factori după semnale, nu de un factor momentum separat.

                    Ehsani & Linnainmaa (2022) fac patru afirmații principale:

                    1. Factorul mediu cîștigă 0,06% pe lună după un an cu pierderi și 0,51% pe lună după un an pozitiv.
                    2. Factor momentum se concentrează în factorii care explică mai mult din secțiunea transversală a randamentelor.
                    3. Momentum-ul factorilor din componentele principale cu valori proprii mari înglobează majoritatea formelor de momentum al acțiunilor.
                    4. Concluzia: momentum nu este un factor de risc distinct, ci un mod de a sincroniza ceilalți factori.

                    Pe scurt

                    • Întrebarea: sînt randamentele factorilor autocorelate și este factorul momentum MOM (Secțiunea 5) doar o sincronizare a celorlalți factori?
                    • De ce contează
                      • modelul Carhart (FF3 \(+\) MOM) și FF5 \(+\) MOM adaugă MOM ca sursă separată de risc
                      • dacă MOM doar sincronizează alți factori, modelul are nevoie de alocare dinamică între factori (factor timing: mutarea capitalului după semnale), nu de un factor momentum separat
                    • Afirmațiile principale din Ehsani & Linnainmaa (2022)
                      • factorul mediu cîștigă \(0{,}06\%\) pe lună după un an cu pierderi
                      • și \(0{,}51\%\) pe lună după un an pozitiv
                      • momentum-ul factorilor se concentrează în factorii care explică mai mult din secțiunea transversală
                      • momentum-ul factorilor din componentele principale cu valori proprii mari înglobează majoritatea formelor de momentum al acțiunilor
                      • concluzia autorilor: momentum nu este un factor de risc distinct, ci sincronizează ceilalți factori

                    Momentum-ul factorilor French, 1964–2026

                    Slide 71 în PDF

                    Întrebarea acestui slide este dacă un factor care a crescut în ultimul an continuă să crească în luna următoare. Panoul din stînga arată, pentru fiecare factor și pentru factorul mediu, randamentul mediu din luna de după un randament anterior negativ (roșu) și de după unul pozitiv (verde), în procente pe lună. Panoul din dreapta arată creșterea lui 1 investit în strategia time-series factor momentum, definită în slide-ul următor, și în momentum-ul acțiunilor (MOM), pe scară logaritmică. Primul cursor fixează lungimea ferestrei semnalului, de la 1 la 36 de luni, iar al doilea începutul eșantionului.

                    Întrebarea interactivă cere să decideți dacă factor momentum explică tot alfa lui MOM; răspunsul apare după alegere.

                      Întrebare pentru sală Factorul mediu cîștigă 0,47% pe lună după un an anterior pozitiv și 0,05% după unul negativ. Explică acest factor momentum tot alfa lui MOM?
                      Răspuns

                      Nu. Alfa FF5 al lui MOM scade de la 0,74% pe lună (t = 4,18) la 0,32% (t = 2,27) cînd se adaugă TSFM, adică cu 57%. Cu șapte factori, factor momentum explică puțin peste jumătate din alfa lui MOM, iar restul rămîne semnificativ la 5%; lucrarea, cu mult mai mulți factori, explică majoritatea formelor de momentum.

                      Citiți panoul din stînga factor cu factor: cu un semnal de 12 luni, bara verde este peste cea roșie la fiecare factor. Panoul din dreapta arată că cele două strategii diferă cel mai mult prin drawdown: MOM pierde mult mai mult în 2009 decît strategia factor momentum. Regresiile de spanning care măsoară suprapunerea sînt în slide-ul cu rezultatele.

                      Pe scurt

                      Întrebarea: un factor care a crescut în ultimul an continuă să crească în luna următoare? MFM_ch3_factor_momentum

                      Momentum-ul factorilor: replicarea din curs

                      Slide 72 în PDF

                      Replicarea din curs folosește șapte factori lunari din biblioteca de date a lui Kenneth French, iulie 1963 – iulie 2026: cei cinci factori din FF5 (Mkt-RF, SMB, HML, RMW, CMA) și doi factori de reversal. ST_Rev (short-term reversal) este long perdanții lunii \(t-1\) și short cîștigătorii ei. LT_Rev (long-term reversal) este long perdanții din lunile \(t-60\) pînă la \(t-13\) și short cîștigătorii lor. MOM rămîne în afara setului, pentru că este seria de explicat.

                      Semnalul \(s_{i,t}\) este randamentul compus al factorului \(i\) în lunile \(t-12\) pînă la \(t-1\), ca la time-series momentum (Moskowitz, Ooi & Pedersen, 2012). Strategia, time-series factor momentum (TSFM), este long factorii cu anul anterior pozitiv și short ceilalți, cu ponderi egale:

                      \[\text{TSFM}_t = \frac{1}{7}\sum_{i=1}^{7} \operatorname{sign}(s_{i,t})\, r_{i,t}.\]
                      (3.22)

                      Prima lună este iulie 1964, deci \(T = 745\).

                      Urmează două teste:

                      1. Diferența dintre randamentele medii după ani pozitivi și după ani negativi, pe toate perechile factor–lună, cu erori standard grupate pe luni.
                      2. Un set de regresii de spanning ale lui MOM pe FF5 și TSFM, cu erori Newey–West: dacă TSFM explică MOM, alfa lui MOM scade spre zero după adăugarea lui TSFM.

                      Replicarea diferă de lucrare într-un punct important: lucrarea folosește mult mai mulți factori, inclusiv factori din componente principale, deci șapte factori dau un test de spanning mai slab.

                      Pe scurt

                      • Datele: șapte factori lunari din Kenneth French Data Library, iulie 1963 – iulie 2026
                        • Mkt-RF, SMB, HML, RMW, CMA (FF5)
                        • ST_Rev (short-term reversal): long perdanții lunii \(t-1\), short cîștigătorii ei
                        • LT_Rev (long-term reversal): long perdanții din lunile de la \(t-60\) la \(t-13\), short cîștigătorii lor
                        • MOM rămîne în afara setului: este seria de explicat
                      • Semnalul \(s_{i,t}\): randamentul compus al factorului \(i\) în lunile de la \(t-12\) la \(t-1\), ca la time-series momentum (Moskowitz, Ooi & Pedersen (2012))
                      • TSFM (time-series factor momentum): \(\text{TSFM}_t = \frac{1}{7}\sum_{i=1}^{7} \operatorname{sign}(s_{i,t})\, r_{i,t}\)
                        • long factorii cu anul anterior pozitiv, short ceilalți; prima lună iulie 1964 (\(T = 745\))
                      • Testele
                        • diferența mediilor după ani pozitivi și negativi, pe toate perechile factor–lună, cu erori grupate pe luni
                        • regresii de spanning ale lui MOM pe FF5 și TSFM, cu erori Newey–West
                      • Diferența față de lucrare: lucrarea folosește mult mai mulți factori, inclusiv factori din componente principale; șapte factori dau un test de spanning mai slab

                      Momentum-ul factorilor: rezultatul și limitele

                      Slide 73 în PDF

                      Factorul mediu cîștigă 0,05% pe lună după un an anterior negativ și 0,47% pe lună după unul pozitiv; diferența, de 0,42 puncte procentuale, are \(t = 3{,}62\). Lucrarea raportează 0,06% și 0,51%. Media este mai mare după un an pozitiv la fiecare dintre cei șapte factori. TSFM are media 0,28% pe lună (\(t = 5{,}48\)) și un raport Sharpe anual de 0,67, față de 0,49 pentru MOM; drawdown-ul lui maxim este −15%, față de −58% pentru MOM, atins în septembrie 2009.

                      Regresiile de spanning măsoară suprapunerea. Alfa FF5 al lui MOM este 0,74% pe lună (\(t = 4{,}18\)). Cu TSFM adăugat, el scade la 0,32% (\(t = 2{,}27\)), cu 57% mai puțin, iar panta pe TSFM este 1,76 (\(t = 13{,}8\)). În sens invers, alfa lui TSFM pe FF5 și MOM este 0,08% (\(t = 1{,}81\)).

                      Rezultatul descrie eșantionul. Randamentele factorilor sînt autocorelate pe orizontul de douăsprezece luni, iar șapte factori explică aproximativ jumătate din alfa lui MOM, nu tot. Replicarea are două limite: folosește un singur eșantion și nu include costuri de tranzacționare, iar cei doi factori de reversal sînt construiți tot din randamente trecute, deci o parte din suprapunerea dintre TSFM și MOM poate fi mecanică.

                      Pe scurt

                      • Factorul mediu, randamentul mediu din luna următoare
                        • după un an anterior negativ: \(0{,}05\%\) pe lună
                        • după un an anterior pozitiv: \(0{,}47\%\) pe lună
                        • diferența: \(0{,}42\) puncte procentuale, \(t = 3{,}62\)
                        • lucrarea raportează \(0{,}06\%\) și \(0{,}51\%\)
                      • Media este mai mare după un an pozitiv la toți cei șapte factori
                      • TSFM: media \(0{,}28\%\) pe lună, \(t = 5{,}48\)
                        • raportul Sharpe anual \(0{,}67\); MOM: \(0{,}49\)
                        • drawdown maxim \(-15\%\); MOM: \(-58\%\) (septembrie 2009)
                      • Alfa FF5 a lui MOM: \(0{,}74\%\) pe lună (\(t = 4{,}18\))
                        • cu TSFM adăugat: \(0{,}32\%\) (\(t = 2{,}27\)), cu \(57\%\) mai mic
                        • panta pe TSFM: \(1{,}76\) (\(t = 13{,}8\))
                      • Alfa lui TSFM pe FF5 și MOM: \(0{,}08\%\) (\(t = 1{,}81\))
                      • Rezultatul descrie eșantionul
                        • randamentele factorilor sînt autocorelate pe orizontul de douăsprezece luni
                        • șapte factori explică aproximativ jumătate din alfa lui MOM, nu tot
                      • Limite
                        • un singur eșantion, fără costuri de tranzacționare
                        • cei doi factori de reversal sînt construiți tot din randamente trecute
                      lll MFM_ch3_factor_momentum

                      Întrebări deschise și bucla descoperirii

                      Slide 74 în PDF

                      Această secțiune aplică bucla de descoperire asistată de AI unei întrebări deschise a capitolului: de ce scad primele factorilor după publicare. Ea prezintă stadiul cunoașterii, împărțirea muncii între asistentul AI și cercetător, un ministudiu de caz despre momentum și o temă de proiect.

                      După studiile de caz rămîn deschise două întrebări. De ce scad primele factorilor după publicare: din cauza arbitrajului investitorilor, a data mining-ului cercetătorilor sau a unei schimbări a riscului? Și diferă scăderea între factori și piețe? Dovezile de pînă acum provin mai ales de la McLean & Pontiff (2016): pe 97 de predictori, randamentele sînt cu 26% mai mici out-of-sample și cu 58% mai mici după publicare. Autorii atribuie diferența dintre cele două valori investitorilor care tranzacționează pe baza articolelor publicate. Chen & Zimmermann (2022) oferă date și cod deschise pentru predictorii publicați, ceea ce face asemenea studii reproductibile.

                      Bucla descoperirii împarte munca. Asistentul AI propune un tabel al literaturii cu identificatori digitali de obiect (DOI, Digital Object Identifier), ipoteze concurente și ce prezice fiecare, codul regresiei și un plan de robustețe; prompturile sînt în Anexă. Cercetătorul fixează, înainte de orice rulare, datele evenimentelor, lista factorilor, corecția pentru testarea multiplă și testul placebo, un factor la care efectul nu ar trebui să apară. Fixarea acestor alegeri dinainte limitează data mining-ul împotriva căruia avertiza secțiunea despre factor zoo.

                      Înainte de interpretarea rezultatelor se fac trei verificări:

                      1. Fiecare DOI se deschide în Crossref;
                      2. Statisticile \(t\) pe subperioade din Aprofundări se reproduc;
                      3. Versiunea datelor French este notată.

                      Pe scurt

                      • Întrebări deschise
                        • de ce scad primele factorilor după publicare: arbitraj, căutare oportunistă în date sau o schimbare a riscului?
                        • diferă scăderea între factori și piețe?
                      • Stadiul cunoașterii
                        • McLean & Pontiff (2016): pe 97 de predictori, randamentele sînt cu \(26\%\) mai mici în afara eșantionului și cu \(58\%\) mai mici după publicare
                        • autorii atribuie diferența investitorilor care tranzacționează pe baza articolelor publicate
                        • Chen & Zimmermann (2022): date și cod deschise pentru predictorii publicați
                      • Bucla descoperirii
                        • Asistentul AI propune: un tabel al literaturii cu DOI (Digital Object Identifier, identificator digital de obiect), ipoteze concurente și ce prezice fiecare, codul regresiei, un plan de robustețe (prompturi: Anexă)
                        • Cercetătorul fixează înainte de rulare: datele evenimentelor, lista factorilor, corecția pentru testarea multiplă și testul placebo (un factor la care nu ar trebui să apară efectul)
                        • Înainte de interpretare: fiecare DOI se deschide în Crossref, statisticile \(t\) pe subperioade din Aprofundări se reproduc, iar versiunea datelor French este notată

                      Ministudiu de caz: arbitrajul și declinul momentum-ului (1/3)

                      Slide 75 în PDF

                      Ministudiul de caz aplică specificația lui McLean & Pontiff (2016) doar factorului momentum. Regresia este

                      \[\text{MOM}_t = a + b_1\,\text{PostSample}_t + b_2\,\text{PostPub}_t + e_t,\]
                      (3.23)

                      estimată pe date lunare din ianuarie 1965 pînă în august 2026 (\(T = 740\)), cu erori Newey–West.

                      Cele două variabile dummy împart eșantionul în trei perioade. \(\text{PostSample}_t = 1\) din ianuarie 1990 pînă în martie 1993, lunile de după eșantionul studiului inițial și dinaintea publicării lui. \(\text{PostPub}_t = 1\) din aprilie 1993, după publicare. Termenul liber \(a\) este deci media in-sample pe 1965–1989.

                      Coeficienții au interpretări directe. \(b_2\) este scăderea totală după publicare față de media in-sample. Diferența \(b_2 - b_1\) este efectul incremental al publicării, dincolo de scăderea observată deja după eșantion, dar înainte de publicare; aceasta este mărimea care separă arbitrajul, care are nevoie de publicare, de scăderea statistică, care nu are nevoie de ea.

                      Pe scurt

                      • Specificația din McLean & Pontiff (2016): \(\text{MOM}_t = a + b_1 \text{PostSample}_t + b_2 \text{PostPub}_t + e_t\)
                        • lunar, ianuarie 1965 – august 2026 (\(T = 740\))
                        • erori Newey–West
                      • Variabile dummy
                        • \(\text{PostSample}_t = 1\) în ianuarie 1990 – martie 1993 (după eșantion)
                        • \(\text{PostPub}_t = 1\) din aprilie 1993 (după publicare)
                      • \(a\): media în eșantion (1965–1989)
                      • \(b_2\): scăderea totală față de media în eșantion
                      • \(b_2 - b_1\): efectul incremental al publicării

                      Ministudiu de caz: arbitrajul și declinul momentum-ului (2/3)

                      Slide 76 în PDF

                      Panoul din stînga arată media lui MOM în fiecare dintre cele trei perioade, cu intervale de 95% bazate pe erori Newey–West. Panoul din dreapta arată cele două estimații ale scăderii, scăderea totală \(b_2\) și efectul incremental \(b_2 - b_1\), pentru MOM și pentru placebo Mkt-RF, tot cu intervale de 95%. Cursorul mută data presupusă a publicării și păstrează perioada de după eșantion la cele 39 de luni dinaintea ei.

                      Întrebarea interactivă privește statistica \(t\) a lui \(b_2\) cu o eroare standard mai mică; răspunsul apare după alegere.

                        Întrebare pentru sală După publicarea din 1993, media momentum scade cu 0,45 puncte procentuale pe lună, cu t = −1,45. Dacă estimația rămîne aceeași, dar eroarea standard se înjumătățește, respingem H₀: b₂ = 0 într-un test bilateral la 5%, folosind pragul asimptotic 1,96?
                        Răspuns

                        Da. Statistica t este estimația împărțită la eroarea standard. Înjumătățirea erorii standard dublează valoarea absolută a lui t: 2,90 > 1,96. În calculul actual, t = −1,45, intervalul de 95% este [−1,05%; 0,16%] și nu respingem. Nici semnificația statistică nu ar demonstra singură că publicarea a cauzat scăderea. Scăderea reprezintă 54% din media in-sample de 0,82% pe lună, apropiată de 58% în McLean și Pontiff (2016).

                        Intervalele sînt principala lectură. Dacă intervalul pentru \(b_2\) include zero, nu respingem la 5% ipoteza că nu există o scădere, oricît de mare ar fi estimația punctuală. Mutarea datei publicării arată cît de sensibilă este estimația la data evenimentului pe care cercetătorul o fixează dinainte.

                        Ministudiu de caz: arbitrajul și declinul momentum-ului (3/3)

                        Slide 77 în PDF

                        Media momentum in-sample este \(a = 0{,}82\%\) pe lună (\(t = 4{,}32\)). După publicare media scade cu \(b_2 = -0{,}45\%\) pe lună, adică 54% din media in-sample, cu \(t = -1{,}45\) și un interval de 95% de \([-1{,}05\%; 0{,}16\%]\). Efectul incremental al publicării este \(b_2 - b_1 = -0{,}79\%\) (\(t = -1{,}17\)). Placebo pe Mkt-RF dă \(b_2 = +0{,}40\%\) (\(t = 1{,}12\)), deci factorul pieței nu arată o scădere comparabilă.

                        Scăderea de 54% este apropiată de cea de 58% raportată de McLean & Pontiff (2016) pe 97 de predictori. Cu un singur factor însă nu respingem \(H_0: b_2 = 0\) la 5%: studiul cumulat cîștigă putere din media pe mulți predictori, pe care un singur factor nu o poate oferi.

                        Rezultatul descrie eșantionul. Regresia este o comparație a mediilor înainte și după publicare; arbitrajul este o interpretare posibilă, nu o cauză demonstrată.

                        Pe scurt

                        • Media momentum în eșantion: \(a = 0{,}82\%\) pe lună (\(t = 4{,}32\))
                        • Scăderea după publicare: \(b_2 = -0{,}45\%\) pe lună (\(t = -1{,}45\))
                          • interval \([-1{,}05\%; 0{,}16\%]\)
                          • adică o medie cu \(54\%\) mai mică
                        • Efectul incremental al publicării: \(b_2 - b_1 = -0{,}79\%\) (\(t = -1{,}17\))
                        • Placebo pe Mkt-RF: \(b_2 = +0{,}40\%\) (\(t = 1{,}12\))
                        • Scăderea este apropiată de \(58\%\) din McLean & Pontiff (2016)
                          • dar cu un singur factor nu putem respinge \(H_0: b_2 = 0\) la 5%
                        • Rezultatul descrie eșantionul
                          • o comparație înainte/după publicare; arbitrajul este o interpretare posibilă, nu o cauză demonstrată
                        lll MFM_ch3_ai_discovery

                        Proiect: scad primele factorilor după publicare?

                        Slide 78 în PDF

                        Proiectul extinde ministudiul de caz la mai mulți factori. Întrebările lui sînt dacă factorii Fama–French și momentum scad după publicare și dacă scăderea diferă între factori.

                        Specificația este o singură regresie cumulată a lui SMB, HML, RMW, CMA și MOM, cu variabile dummy proprii fiecărui factor pentru perioadele de după eșantion și de după publicare, și cu Mkt-RF drept placebo. Erorile trebuie să fie robuste la corelația dintre factori și la autocorelație. Dacă scăderea este mai mare acolo unde arbitrajul este mai ușor se poate testa doar cu date la nivel de acțiune despre mărime, lichiditate și costurile vînzării în lipsă, pe care randamentele factorilor nu le conțin. Primul pas este replicarea statisticilor \(t\) pe subperioade și a estimărilor din ministudiul de caz; specificația completă este în Aprofundări.

                        Pe scurt

                        • Întrebări
                          • scad primele factorilor Fama–French și momentum după publicare?
                          • diferă scăderea între factori?
                        • Metoda
                          • o regresie comună pentru SMB, HML, RMW, CMA și MOM, cu variabile dummy proprii fiecărui factor pentru perioadele după eșantion și după publicare
                          • Mkt-RF ca placebo
                          • Erori robuste la corelația dintre factori și la autocorelație
                          • dacă scăderea este mai mare acolo unde arbitrajul este mai ușor se poate testa doar cu date la nivel de acțiune (mărime, lichiditate, costul vînzării în lipsă)
                        • Replicați întîi
                          • statisticile \(t\) pe subperioade
                          • estimațiile din ministudiul de caz

                        Datele: surse și notații

                        Slide 79 în PDF

                        Factorii și cele 25 de portofolii mărime × book-to-market (B/M) sînt randamente lunare, în procente, din Kenneth French Data Library; ultima lună disponibilă este iulie 2026, iar pentru momentum august 2026. ETF-urile și acțiunile folosesc prețuri de închidere zilnice ajustate, cu dividendele reinvestite, pînă la 18 septembrie 2026. Randamentul în exces este \(R^e_{i,t} = R_{i,t} - R_{f,t}\), unde \(R_{f,t}\) este randamentul titlurilor de stat americane pe o lună (RF în datele French), iar Mkt-RF este randamentul în exces al pieței americane de acțiuni, ponderat cu capitalizarea. BET, indicele de referință al BVB, este un indice de preț, fără dividende. Cele 25 de portofolii au randamente medii foarte diferite, ceea ce face testul de evaluare exigent; ETF-urile sînt investibile, iar acțiunile BVB aplică metodele pe piața locală.

                        Pe scurt

                        Surse
                        • Factorii și cele 25 de portofolii: Kenneth French Data Library, randamente lunare în procente
                        • Ultima lună disponibilă: iulie 2026 (pentru momentum: august 2026)
                        • ETF-uri și acțiuni: prețuri zilnice de închidere ajustate (dividende reinvestite)
                        • Ultima zi disponibilă: 18 septembrie 2026
                        Notații
                        • BET: indicele de referință al BVB, un indice de preț (fără dividende)
                        • Randament în exces: \(R^e_{i,t} = R_{i,t} - R_{f,t}\)
                        • \(R_{f,t}\): rata titlurilor de stat americane la o lună (RF în datele French)
                        • Mkt-RF: randamentul în exces al pieței americane de acțiuni, cu ponderi după capitalizare
                        • De ce aceste date
                          • randamentele medii foarte diferite ale celor 25 de portofolii fac testul exigent
                          • ETF-urile sînt investibile
                          • BVB aplică metodele pe piața locală

                        Costul capitalului: care incertitudine contează?

                        Slide 80 în PDF

                        Costul capitalului după CAPM este \(R_f + \hat\beta_i(\widehat{\mathbb{E}[R_m] - R_f})\), deci preia eroarea de estimare atît a lui beta, cît și a primei pieței. Cu o volatilitate anuală a pieței de 15,4% și 63 de ani de date, eroarea standard (SE) a primei este \(15{,}4\%/\sqrt{63} = 1{,}9\%\) pe an; înmulțită cu beta ETF-ului de tehnologie XLK, \(\hat\beta = 1{,}28\), ea dă o incertitudine de 2,5% pe an în costul capitalului. Incertitudinea lui beta adaugă doar \(0{,}082 \times 7{,}2\% = 0{,}6\%\) pe an, adică SE a lui beta înmulțită cu prima. Incertitudinea primei pieței cîntărește, așadar, mult mai mult decît cea a lui beta.

                        Pe scurt

                        • Costul capitalului prin CAPM: \(R_f + \hat\beta_i\,(\widehat{\mathbb{E}[R_m] - R_f})\)
                        • Eroarea standard (SE) a primei pieței: \(15{,}4\%/\sqrt{63} = 1{,}9\%\) pe an
                          • \(15{,}4\%\): volatilitatea anuală a pieței
                          • 63 de ani de date
                        • Înmulțită cu beta XLK, această incertitudine dă \(2{,}5\%\) pe an în costul capitalului
                        • Incertitudinea lui beta adaugă doar \(0{,}082 \times 7{,}2\% = 0{,}6\%\) pe an
                          • SE a lui beta înmulțită cu prima
                        • Concluzie: incertitudinea primei pieței cîntărește mult mai mult decît cea a lui beta

                        Erorile HAC: ponderi, laguri și ipoteze

                        Slide 81 în PDF

                        Estimatorul Newey–West ponderează autocovarianțele lui \(R^e_{m,t}\varepsilon_{i,t}\) cu ponderi Bartlett pînă la lagul \(L\), ales după regula lui Newey & West (1994),

                        \[L = \left\lfloor 4\,(T/100)^{2/9} \right\rfloor,\]
                        (3.24)

                        care dă \(L = 5\) pentru cele 331 de luni ale eșantionului sectorial și \(L = 6\) pentru cele 757 de luni ale celor 25 de portofolii. Estimațiile punctuale rămîn cele OLS; se schimbă doar erorile lor standard. Erorile HAC tratează dependența, dar presupun un moment de ordinul patru finit al randamentelor, ipoteză pusă sub semnul întrebării de estimările cozilor din Capitolul 1. Erorile HAC nu sînt obligatoriu mai mari decît cele clasice în orice eșantion.

                        Pe scurt

                        • Estimatorul Newey–West (Newey & West (1987)) adună autocovarianțele momentelor \(R^e_{m,t}\varepsilon_{i,t}\) pînă la lagul \(L\)
                          • cu ponderi Bartlett \(1 - \ell/(L+1)\), care fac matricea estimată pozitiv semidefinită
                        • Regula pentru numărul de laguri: \(L = \lfloor 4 (T/100)^{2/9} \rfloor\) (Newey & West (1994))
                          • pentru \(T = 331\) se obține \(L = 5\), pentru \(T = 757\) se obține \(L = 6\)
                        • Estimațiile punctuale rămîn cele OLS
                        • Erorile HAC nu sînt obligatoriu mai mari decît cele clasice în orice eșantion
                        • Erorile HAC tratează dependența, dar presupun moment de ordin patru finit, pus sub semnul întrebării în Capitolul 1

                        Exemplu rezolvat: beta ETF-ului de tehnologie (1/2)

                        Slide 82 în PDF

                        XLK se regresează pe Mkt-RF cu date lunare din ianuarie 1999 pînă în iulie 2026 (\(T = 331\), \(R^2 = 0{,}742\)); estimațiile sînt un alfa anual de 0,33% și un beta de 1,277. Tabelul compară trei erori standard:

                        • Cea clasică, care presupune erori homoscedastice și necorelate în timp;
                        • Eroarea White, robustă la heteroscedasticitate (White, 1980);
                        • Eroarea Newey–West, robustă și la autocorelare, cu \(L = 5\) laguri (Newey & West, 1987).

                        SE robustă a lui beta, 0,082, este dublul celei clasice, 0,041: heteroscedasticitatea explică o parte din creștere, iar autocorelarea produsului \(R^e_{m,t}\varepsilon_t\) restul. Ambele erori robuste cer un moment de ordinul patru finit, pe care estimările cozilor din Capitolul 1 îl pun sub semnul întrebării.

                        Pe scurt

                        Eroare standard
                        EstimațieClasicăWhiteNewey–West
                        \(\alpha\) (anual)\(0{,}33\%\)\(2{,}27\%\)\(2{,}32\%\)\(2{,}45\%\)
                        \(\beta\)\(1{,}277\)\(0{,}041\)\(0{,}054\)\(0{,}082\)
                        • XLK pe Mkt-RF, lunar ianuarie 1999 – iulie 2026, \(T = 331\), \(R^2 = 0{,}742\)
                        • Coloanele erorilor standard
                          • Clasică: erori presupuse homoscedastice și neautocorelate
                          • White: robustă la heteroscedasticitate (White (1980))
                          • Newey–West: robustă și la autocorelație, \(L = 5\) laguri
                        • Eroarea standard robustă a lui \(\beta\) este dublul celei clasice
                        • Heteroscedasticitatea explică o parte din creștere (coloana White)
                          • autocorelația produsului \(R^e_{m,t}\varepsilon_t\) explică restul
                        • Erorile White și Newey–West presupun moment de ordin patru finit, pus sub semnul întrebării în Capitolul 1
                        MFM_ch3_seminar

                        Exemplu rezolvat: beta ETF-ului de tehnologie (2/2)

                        Slide 83 în PDF

                        Statistica \(t\) a lui alfa este \(0{,}33/2{,}45 = 0{,}13\), deci regresia nu arată un randament anormal. Un bootstrap pe blocuri suprapuse (moving-block bootstrap) de 12 luni din perechile \((R^e_{\text{XLK},t}, R^e_{m,t})\), care păstrează dependența în timp, cu 2 000 de reeșantionări, dă pentru alfa un interval de 95% de \([-5{,}5\%; 4{,}9\%]\) și o SE bootstrap de 2,61%, puțin peste valoarea Newey–West de 2,45%.

                        Pe scurt

                        • Statistica \(t\) a lui alfa: \(t(\alpha) = 0{,}33/2{,}45 = 0{,}13\)
                        • Intervalul bootstrap de 95% pentru alfa: \([-5{,}5\%; 4{,}9\%]\)
                          • SE bootstrap \(2{,}61\%\), puțin peste \(2{,}45\%\)
                          • bootstrap pe blocuri suprapuse de 12 luni din perechile \((R^e_{\text{XLK},t}, R^e_{m,t})\), care păstrează dependența în timp
                          • 2 000 de reeșantionări (Seminarul 3, problema B1)
                        MFM_ch3_seminar

                        Revenirea valorilor beta spre unu

                        Slide 84 în PDF

                        Graficul pune valorile beta lunare ale celor 9 ETF-uri sectoriale față de SPY estimate pe 1999–2012 (axa orizontală) în fața celor estimate pe 2013–2026 (axa verticală). Dreapta estimată, \(\hat\beta_{\text{ulterior}} = 0{,}23 + 0{,}72\,\hat\beta_{\text{anterior}}\), este foarte aproape de regula lui Blume (1971), \(0{,}33 + 0{,}67\,\hat\beta\): valorile beta depărtate de unu în prima perioadă se apropie de unu în a doua. Măsurată prin rădăcina erorii pătratice medii (root mean squared error, RMSE) a prognozei, eroarea este 0,135 pentru beta neajustat, 0,109 pentru beta Blume și 0,114 pentru beta Vasicek (Vasicek, 1973), deci shrinkage-ul reduce eroarea de prognoză cu 15–20%. Cu doar 9 sectoare, concluzia este calitativă.

                        Pe scurt

                        Revenirea valorilor beta spre unu
                        • Valori beta lunare ale celor 9 ETF-uri sectoriale față de SPY
                          • 1999–2012 pe orizontală
                          • 2013–2026 pe verticală
                        • Dreapta estimată: \(\hat\beta_{\text{ulterior}} = 0{,}23 + 0{,}72\,\hat\beta_{\text{anterior}}\)
                          • foarte aproape de regula Blume \(0{,}33 + 0{,}67\,\hat\beta\)
                        • Eroarea prognozei: RMSE (Root Mean Squared Error, rădăcina erorii pătratice medii)
                          • beta neajustat: RMSE \(0{,}135\)
                          • beta Blume: RMSE \(0{,}109\)
                          • beta Vasicek: RMSE \(0{,}114\)
                        • Contracția reduce eroarea de prognoză cu 15–20%
                        • Cu doar 9 sectoare, concluzia este calitativă
                        MFM_ch3_beta_shrink

                        Beta CAPM la Bursa de Valori București (1/3)

                        Slide 85 în PDF

                        Graficul arată, pentru fiecare acțiune de la BVB, beta estimat prin cele mai mici pătrate (ordinary least squares, OLS) pe BET, cu intervalul de încredere (CI) de 95% bazat pe erori Newey–West, alături de beta ajustat Vasicek. Următoarele două cadre dau eșantionul și citirea estimațiilor.

                        Pe scurt

                        Beta CAPM la Bursa de Valori București (1/3) Legenda: OLS beta, 95% CI: beta OLS cu intervalul de încredere (CI, confidence interval) de 95%, erori Newey–West; Vasicek-adjusted beta: beta ajustat Vasicek MFM_ch3_bvb_betas

                        Beta CAPM la Bursa de Valori București (2/3)

                        Slide 86 în PDF

                        Valorile beta folosesc randamente logaritmice zilnice pe BET, de la 6 ianuarie 2015 sau de la data listării (DIGI în mai 2017, H2O în iulie 2023); prețurile FP sînt ajustate pentru dividendul special. Băncile sînt cele mai sensibile la piață: Banca Transilvania (TLV) are beta 1,24 cu \(R^2 = 0{,}62\), iar BRD (BRD–Groupe Société Générale, BVB ticker, BRD–Groupe Société Générale, simbolul bursier BVB) 1,13. Cele mai puțin sensibile sînt Digi, 0,67 cu \(R^2 = 0{,}21\), Hidroelectrica, 0,74, și Transelectrica, 0,76. \(R^2\) mare al TLV vine în parte din ponderea ei mare în BET: acțiunea face parte din propriul reper.

                        Pe scurt

                        • Randamente logaritmice zilnice pe BET, de la 6 ianuarie 2015 sau de la listare
                          • DIGI: mai 2017, H2O (simbolul bursier al Hidroelectrica): iulie 2023
                          • prețurile FP sînt ajustate pentru dividendul special
                        • Băncile sînt cele mai sensibile la piață
                          • Banca Transilvania (TLV): \(1{,}24\), cu \(R^2 = 0{,}62\)
                          • BRD: \(1{,}13\)
                        • Cele mai puțin sensibile
                          • Digi: \(0{,}67\), cu \(R^2 = 0{,}21\)
                          • Hidroelectrica: \(0{,}74\), Transelectrica: \(0{,}76\)
                        • \(R^2\) este mare la TLV și pentru că TLV are pondere mare în BET
                          • acțiunea face parte din propriul reper
                        MFM_ch3_bvb_betas

                        Beta CAPM la Bursa de Valori București (3/3)

                        Slide 87 în PDF

                        Shrinkage-ul Vasicek schimbă puțin estimațiile, pentru că valorile beta zilnice sînt precise, cu SE între 0,04 și 0,07. Prețurile neactualizate (stale prices) deplasează beta zilnic spre zero; beta Dimson (Dimson, 1979), care adaugă pantele pe randamentele întîrziate ale pieței, urcă de la 0,80 la 0,94 la Nuclearelectrica și de la 0,81 la 0,905 la Transgaz. Deoarece BET este un indice de preț, iar prețurile acțiunilor includ dividendele, alfa este deplasat în sus cu aproximativ beta înmulțit cu randamentul dividendelor indicelui, în timp ce beta se schimbă puțin cu BET-TR (BET Total Return, index, indicele BET cu dividendele reinvestite).

                        Pe scurt

                        • Contracția Vasicek schimbă puțin estimațiile
                          • valorile beta zilnice sînt precise (SE între \(0{,}04\) și \(0{,}07\))
                        • Prețurile neactualizate (stale prices) deplasează beta zilnic spre zero
                          • beta Dimson urcă de la \(0{,}80\) la \(0{,}94\) la Nuclearelectrica
                          • și de la \(0{,}81\) la \(0{,}905\) la Transgaz (Seminarul 3, problema B4)
                        • BET este un indice de preț, iar prețurile acțiunilor includ dividendele
                          • alfa este deplasat în sus cu aproximativ beta înmulțit cu randamentul dividendelor indicelui
                          • beta se schimbă puțin cu BET-TR (BET Total Return, indicele BET cu dividendele reinvestite)
                        MFM_ch3_bvb_betas

                        O SML plată: Black și Betting Against Beta

                        Slide 88 în PDF

                        Black (1972) a arătat că, fără împrumut nelimitat la \(R_f\), randamentul așteptat rămîne liniar în beta, dar dreapta pornește de la randamentul unui portofoliu cu beta zero, mai mare decît \(R_f\); SML este deci mai plată decît dreapta CAPM. Frazzini & Pedersen (2014) propun un mecanism: investitorii care vor mai mult risc, dar nu se pot împrumuta, cumpără active cu beta mare, care devin scumpe și au randamente viitoare mai mici. Strategia lor, betting against beta (BAB), este

                        \[r^{\text{BAB}}_{t} = \frac{R_{L,t} - R_{f,t}}{\beta_L} - \frac{R_{H,t} - R_{f,t}}{\beta_H},\]
                        (3.25)

                        unde \(R_{L,t}\) și \(R_{H,t}\) sînt randamentele portofoliilor cu beta mic și cu beta mare, iar \(\beta_L\), \(\beta_H\) valorile lor beta. În (3.25) strategia este long \(1/\beta_L > 1\) unități în \(L\), finanțate la \(R_f\), și short \(1/\beta_H < 1\) unități în \(H\), cu încasările plasate la \(R_f\); ea are beta zero și un randament mediu pozitiv în datele lor. Simpla diferență beta mic minus beta mare, fără această scalare, are beta negativ, așa că media ei amestecă prima BAB cu o expunere negativă la piață.

                        Pe scurt

                        • Black (1972): fără împrumut nelimitat la \(R_f\), randamentul rămîne liniar în beta
                          • dar dreapta pornește de la randamentul unui portofoliu cu beta zero
                          • acest randament este mai mare decît \(R_f\)
                        • Predicție: SML este mai plată decît dreapta CAPM
                        • Frazzini & Pedersen (2014): investitorii care vor mai mult risc, dar nu se pot împrumuta, cumpără active cu beta mare
                          • acestea devin scumpe și au randamente viitoare mai mici
                        • Strategia lor, BAB (Betting Against Beta, pariul împotriva lui beta):
                          \[ r^{\text{BAB}}_{t} = \frac{R_{L,t} - R_{f,t}}{\beta_L} - \frac{R_{H,t} - R_{f,t}}{\beta_H} \]
                          • \(R_{L,t}\), \(R_{H,t}\): randamentele portofoliilor cu beta mic (\(L\)) și cu beta mare (\(H\))
                          • \(\beta_L\), \(\beta_H\): valorile lor beta
                        • Strategia este long \(1/\beta_L > 1\) unități în \(L\) și short \(1/\beta_H < 1\) unități în \(H\)
                          • poziția long este finanțată la \(R_f\), iar încasările din short sînt plasate la \(R_f\)
                          • strategia are beta zero și un randament mediu pozitiv în datele lor
                        • Simpla diferență beta mic minus beta mare, fără scalare, are beta negativ
                          • media ei amestecă prima BAB cu o expunere negativă la piață (Seminarul 3, problema C2)

                        GRS ca test al raportului Sharpe

                        Slide 89 în PDF

                        Cu toate momentele estimate prin verosimilitate maximă, Gibbons, Ross & Shanken (1989) arată că \(\hat{\boldsymbol\alpha}^\top\hat{\boldsymbol\Sigma}^{-1}\hat{\boldsymbol\alpha} = \widehat{SR}^2(f,\mathbf{R}) - \widehat{SR}^2(f)\): forma pătratică în valorile alfa este creșterea pătratului raportului Sharpe al portofoliului de tangență cînd cele \(N\) active de test se adaugă factorului. Statistica se poate scrie deci

                        \[W = \frac{T-N-1}{N}\cdot\frac{\widehat{SR}^2(f,\mathbf{R}) - \widehat{SR}^2(f)}{1 + \widehat{SR}^2(f)}.\]
                        (3.26)

                        Pentru cele 25 de portofolii, raportul Sharpe lunar al Mkt-RF singur este 0,134 (0,47 pe an), iar cel al portofoliului de tangență al pieței și al celor 25 de portofolii este 0,405 (1,40 pe an), deci (3.26) dă \(W = 29{,}24 \times (0{,}405^2 - 0{,}134^2)/(1 + 0{,}134^2) = 4{,}20\), cu \(29{,}24 = (757-25-1)/25\). Sub CAPM, zgomotul singur ar crește pătratul raportului Sharpe lunar în medie cu \(N(1+\widehat{SR}^2(f))/(T-N-3) = 0{,}035\); creșterea observată este 0,146 (derivarea în Anexă).

                        Pe scurt

                        • O identitate algebrică (Gibbons, Ross & Shanken (1989)), cu toate momentele estimate prin verosimilitate maximă
                          \[ \hat{\boldsymbol\alpha}^\top \hat{\boldsymbol\Sigma}^{-1}\hat{\boldsymbol\alpha} = \widehat{SR}^2(f, \mathbf{R}) - \widehat{SR}^2(f) \]
                          • \(\widehat{SR}^2(f, \mathbf{R})\): pătratul raportului Sharpe al portofoliului tangent format din factor și cele \(N\) active de test
                          • \(\widehat{SR}^2(f)\): cel al factorului singur
                        • Deci GRS măsoară creșterea raportului Sharpe obținută prin adăugarea activelor de test
                          \[ W = \frac{T-N-1}{N} \cdot \frac{\widehat{SR}^2(f,\mathbf{R}) - \widehat{SR}^2(f)}{1 + \widehat{SR}^2(f)} \]
                        • Raportul Sharpe lunar al pieței (Mkt-RF) singure este \(0{,}134\) (\(0{,}47\) pe an)
                        • Raportul Sharpe lunar al portofoliului tangent format din piață și cele 25 de portofolii este \(0{,}405\) (\(1{,}40\) pe an)
                        • \(W = 29{,}24 \times (0{,}405^2 - 0{,}134^2)/(1 + 0{,}134^2) = 4{,}20\)
                          • \(29{,}24 = (757 - 25 - 1)/25\)
                        • Sub CAPM, zgomotul ar crește \(\widehat{SR}^2\) lunar în medie cu \(N(1+\widehat{SR}^2(f))/(T-N-3) = 0{,}035\)
                          • observat: \(0{,}146\) (Anexă)

                        Metoda generalizată a momentelor (1/2)

                        Slide 90 în PDF

                        Un model economic implică adesea condiții de moment \(\mathbb{E}[\mathbf{g}_t(\boldsymbol\theta)] = \mathbf{0}\). GMM, metoda lui Hansen (1982), alege \(\hat{\boldsymbol\theta}\) astfel încît media de selecție \(\bar{\mathbf{g}}(\hat{\boldsymbol\theta}) = \frac1T\sum_t \mathbf{g}_t(\hat{\boldsymbol\theta})\) să fie zero cînd există tot atîtea momente cîți parametri; cu mai multe momente, \(\bar{\mathbf{g}}\) este făcut cît mai mic cu o matrice de ponderare. În cazul exact identificat, varianța are forma sandwich

                        \[\operatorname{Var}(\hat{\boldsymbol\theta}) \approx \tfrac{1}{T}\,\mathbf{D}^{-1}\mathbf{S}\,\mathbf{D}^{-1\top},\]
                        (3.27)

                        unde \(\mathbf{D}\) este jacobianul momentelor în raport cu parametrii, iar \(\mathbf{S}\) varianța de termen lung a momentelor, cu autocovarianțele incluse, estimată prin Newey–West.

                        Pe scurt

                        • Un model economic implică \(\mathbb{E}[\mathbf{g}_t(\boldsymbol\theta)] = \mathbf{0}\) pentru un vector de condiții de momente \(\mathbf{g}_t\)
                        • GMM (Hansen (1982)) alege \(\hat{\boldsymbol\theta}\) astfel încît media empirică a momentelor să fie zero
                          \[ \bar{\mathbf{g}}(\hat{\boldsymbol\theta}) = \tfrac{1}{T}\textstyle\sum_{t=1}^{T} \mathbf{g}_t(\hat{\boldsymbol\theta}) = \mathbf{0} \]
                          • GMM: Generalized Method of Moments, metoda generalizată a momentelor
                          • cazul exact identificat: tot atîtea momente cîți parametri
                          • cu mai multe momente decît parametri, nu toate pot fi zero, iar \(\bar{\mathbf{g}}\) se face cît mai mic, cu o matrice de ponderare
                        • Varianța sandwich în cazul exact identificat
                          \[ \operatorname{Var}(\hat{\boldsymbol\theta}) \approx \tfrac{1}{T}\,\mathbf{D}^{-1}\mathbf{S}\,\mathbf{D}^{-1\top}, \qquad \mathbf{D} = \mathbb{E}\big[\partial \mathbf{g}_t/\partial\boldsymbol\theta^\top\big], \qquad \mathbf{S} = \textstyle\sum_{j=-\infty}^{\infty} \operatorname{Cov}(\mathbf{g}_t, \mathbf{g}_{t-j}) \]
                          • \(\mathbf{D}\): jacobianul momentelor (derivatele lor după parametri)
                          • \(\mathbf{S}\): varianța pe termen lung a momentelor, inclusiv autocovarianțele, estimată Newey–West (Secțiunea 3)
                        • Cazul cel mai simplu, o medie: \(g_t = R_t - \mu\) dă \(D = -1\) și \(\operatorname{Var}(\hat\mu) \approx S/T\)
                          • așa se obține statistica \(t\) HAC a randamentului mediu al unui factor (Aprofundări)

                        Metoda generalizată a momentelor (2/2)

                        Slide 91 în PDF

                        Pentru o medie, \(g_t = R_t - \mu\) dă \(D = -1\) și \(\operatorname{Var}(\hat\mu) \approx S/T\), adică statistica \(t\) HAC a randamentului mediu al unui factor. Pentru OLS, \(\mathbf{g}_t = \mathbf{x}_t(y_t - \mathbf{x}_t^\top\boldsymbol\theta)\) dă \(\mathbf{D} = -\mathbb{E}[\mathbf{x}_t\mathbf{x}_t^\top]\), iar (3.27) conduce la erorile White cînd \(\mathbf{S}\) nu are laguri și la erorile Newey–West în caz contrar. Și problema GRS este un sistem GMM: cele \(2N\) momente \(\boldsymbol\varepsilon_t \otimes (1, f_t)\) identifică exact parametrii \((\alpha_i, \beta_i)\), deci estimațiile sînt cele OLS și GMM schimbă doar varianța lor; cu parametrii ordonați activ cu activ, \(\mathbf{D} = -\mathbf{I}_N \otimes (\mathbf{Z}^\top\mathbf{Z}/T)\). Statistica Wald \(\hat{\boldsymbol\alpha}^\top\hat{\mathbf{V}}_\alpha^{-1}\hat{\boldsymbol\alpha}\), cu blocul valorilor alfa din matricea sandwich calculat cu un \(\hat{\mathbf{S}}\) HAC, tinde la \(\chi^2_N\) sub \(H_0\). Același aparat dă erorile primelor robuste la specificarea greșită și estimează modelul cu factor de actualizare din Aprofundări.

                        Pe scurt

                        • OLS: \(\mathbf{g}_t = \mathbf{x}_t(y_t - \mathbf{x}_t^\top\boldsymbol\theta)\) dă \(\mathbf{D} = -\mathbb{E}[\mathbf{x}_t\mathbf{x}_t^\top]\)
                          • erorile White cînd \(\mathbf{S}\) nu are laguri
                          • Newey–West în rest (Aprofundări)
                        • GRS ca GMM: parametrii \((\alpha_i, \beta_i)\), \(i = 1, \dots, N\)
                          • \(2N\) momente \(\boldsymbol\varepsilon_t \otimes (1, f_t)\): fiecare reziduu înmulțit cu 1 și cu factorul (\(\otimes\): produsul Kronecker)
                          • sistemul este exact identificat, deci estimațiile sînt chiar cele OLS, activ cu activ; GMM schimbă doar varianța lor
                          • parametrii ordonați activ cu activ, \((\alpha_1, \beta_1, \alpha_2, \beta_2, \dots)\), dau \(\mathbf{D} = -\mathbf{I}_N \otimes (\mathbf{Z}^\top\mathbf{Z}/T)\), unde \(\mathbf{Z}\) este matricea \(T \times 2\) cu rîndurile \((1, f_t)\)
                        • \(\hat{\mathbf{V}}_\alpha\): blocul matricei sandwich care corespunde valorilor alfa, calculat cu un \(\hat{\mathbf{S}}\) HAC
                        • Statistica Wald \(W_{\text{GMM}} = \hat{\boldsymbol\alpha}^\top \hat{\mathbf{V}}_\alpha^{-1}\hat{\boldsymbol\alpha} \to \chi^2_N\) sub \(H_0\)
                        • Același aparat dă erorile primelor robuste la specificarea greșită (Anexă)
                          • și estimează modelul cu factor de actualizare din Aprofundări

                        Încălcarea ipotezelor GRS

                        Slide 92 în PDF

                        Cu cozi grele și volatility clustering, documentate în Capitolul 1, distribuția \(F\) a statisticii GRS nu mai este exactă. Un bootstrap al reziduurilor sub \(H_0\) reeșantionează rînduri întregi de reziduuri și reconstruiește randamentele cu \(\alpha = 0\), dar este robust la abaterea de la distribuția Normală doar dacă erorile sînt i.i.d. și independente de factori; testul Wald GMM cu un \(\hat{\mathbf{V}}_\alpha\) HAC este robust la heteroscedasticitate și autocorelare. Cînd sînt multe active față de numărul de luni, \(\hat{\boldsymbol\Sigma}\) are rangul cel mult \(T-2\): pentru \(N \ge T-1\) ea nu poate fi inversată și GRS nu poate fi calculat, iar puterea testului scade mult înainte de această limită. Există teste care nu inversează \(\hat{\boldsymbol\Sigma}\) (Pesaran & Yamagata, 2024).

                        Pe scurt

                        • Cozi groase și gruparea volatilității (volatility clustering) (Capitolul 1): distribuția \(F\) nu mai este exactă
                          • Bootstrap pe reziduuri sub \(H_0\): se reeșantionează rînduri întregi de reziduuri și se reconstruiesc randamentele cu \(\alpha = 0\) (Seminarul 3, problema B7)
                          • Bootstrap-ul este robust la lipsa normalității doar dacă erorile sînt i.i.d. și independente de factori
                          • Testul Wald GMM (Aprofundări), cu \(\hat{\mathbf{V}}_\alpha\) HAC: robust la heteroscedasticitate și autocorelație
                        • Prea multe active față de numărul de luni: \(\hat{\boldsymbol\Sigma}\) are rangul cel mult \(T - 2\)
                          • cînd \(N \ge T - 1\), \(\hat{\boldsymbol\Sigma}\) nu se poate inversa și GRS nu se poate calcula
                          • puterea testului scade mult înainte de această limită
                        • Pentru multe active există teste care nu inversează \(\hat{\boldsymbol\Sigma}\) (Pesaran & Yamagata (2024); Anexă)

                        Motivația FF5: modelul de actualizare a dividendelor

                        Slide 93 în PDF

                        Motivația FF5 este modelul de actualizare a dividendelor scris în funcție de valoarea contabilă. Cu \(M\) capitalizarea, \(B\) valoarea contabilă, \(Y\) profitul și \(dB\) investițiile, raportul dintre valoarea de piață și cea contabilă este

                        \[\frac{M_t}{B_t} = \frac{\sum_{\tau \ge 1}\mathbb{E}[Y_{t+\tau} - dB_{t+\tau}]/(1+r)^\tau}{B_t},\]
                        (3.28)

                        unde \(r\) este randamentul așteptat. La \(M/B\) dat, un profit așteptat mai mare, adică o profitabilitate mai mare, cere un \(r\) mai mare pentru ca egalitatea să se păstreze; investiții așteptate mai mari cer un \(r\) mai mic. Factorul de profitabilitate (RMW) și cel de investiții (CMA) sînt corespondentele empirice ale acestor două implicații. Relația motivează factorii, dar nu arată că ei sînt riscuri cu primă.

                        Pe scurt

                        • Fama & French (2015) pornesc de la evaluarea prin actualizarea dividendelor
                          \[ \frac{M_t}{B_t} = \frac{\sum_{\tau \ge 1}\mathbb{E}[Y_{t+\tau} - dB_{t+\tau}]/(1+r)^\tau}{B_t} \]
                          • \(M\): capitalizarea, \(B\): valoarea contabilă, \(Y\): profitul, \(dB\): investițiile
                          • \(r\): randamentul așteptat, rata de actualizare
                        • La \(M/B\) dat, un profit așteptat mare (RMW) sau investiții așteptate mici (CMA) implică un randament așteptat \(r\) mare
                        • Relația motivează factorii, dar nu arată că ei sînt riscuri cu primă

                        Stabilitatea primelor în timp (1/2)

                        Slide 94 în PDF

                        Graficul compară statisticile \(t\) Newey–West ale randamentelor lunare medii ale factorilor în două subperioade, 1963–1999 și 2000–2026. Ghidul de citire este în cadrul următor.

                        Pe scurt

                        Stabilitatea primelor în timp (2/2)

                        Slide 95 în PDF

                        Barele sînt statisticile \(t\) Newey–West pentru cele două perioade, despărțite la o dată arbitrară, nu la publicare; liniile marchează \(t = 1{,}96\), un singur test la 5%, și \(t = 3\), pragul pentru testarea multiplă al lui Harvey, Liu & Zhu (2016). Deoarece a doua perioadă are 319 luni față de 438, \(t\) scade cu factorul \(\sqrt{319/438} \approx 0{,}85\) chiar cu o medie neschimbată, așa că trebuie comparate și mediile. Momentum scade de la \(t = 5{,}53\) la 0,75, cu media anuală de la 10,7% la 2,5%; valoarea (HML) de la 2,39 la 1,02, cu media de la 4,2% la 2,8%. Profitabilitatea (RMW) este excepția, urcînd de la 1,90 la 2,31, iar prima pieței rămîne semnificativă în ambele perioade (\(t = 2{,}70\) și 2,39).

                        Pe scurt

                        • Barele: statistica \(t\) Newey–West a randamentului lunar mediu
                          • 1963–1999 față de 2000–2026
                          • tăietură arbitrară, nu data publicării
                          • scăderea după publicare: Aprofundări
                        • Liniile: \(t = 1{,}96\) (5%, un singur test) și \(t = 3\)
                        • A doua perioadă are 319 luni față de 438
                          • deci \(t\) scade cu factorul \(\sqrt{319/438} \approx 0{,}85\) chiar la o medie neschimbată
                          • de aceea comparăm și mediile
                        • Momentum: \(t\) scade de la \(5{,}53\) la \(0{,}75\)
                          • media anuală scade de la \(10{,}7\%\) la \(2{,}5\%\)
                        • Valoare (HML): \(t\) scade de la \(2{,}39\) la \(1{,}02\)
                          • media anuală scade de la \(4{,}2\%\) la \(2{,}8\%\)
                        • Profitabilitatea (RMW) este excepția
                          • \(t\) crește de la \(1{,}90\) la \(2{,}31\)
                        • Prima pieței rămîne semnificativă în ambele perioade (\(t = 2{,}70\) și \(2{,}39\))
                        lll MFM_ch3_factor_tstats

                        Erori standard cînd modelul este greșit specificat

                        Slide 96 în PDF

                        Erorile Fama–MacBeth, Newey–West și Shanken au o ipoteză comună: modelul este corect, deci erorile de evaluare sînt zero, \(\mathbf{e} = \boldsymbol\mu - \mathbf{X}\boldsymbol\gamma = \mathbf{0}\), unde \(\boldsymbol\mu\) este vectorul randamentelor medii în exces, iar \(\boldsymbol\gamma = (\lambda_0, \boldsymbol\lambda^\top)^\top\). Dacă modelul este greșit, \(\mathbf{e} \neq \mathbf{0}\), iar zgomotul din valorile beta estimate adaugă varianță primelor prin erorile de evaluare. Erorile standard robuste la această specificare greșită sînt cele ale lui Kan, Robotti & Shanken (2013); formula este în Anexă.

                        Robustețea la specificare greșită nu este același lucru cu robustețea la dependența temporală. Un estimator robust la heteroscedasticitate și autocorelație (HAC, heteroskedasticity and autocorrelation consistent) are nevoie și de autocovarianțele condițiilor de moment, pe care le furnizează ponderile Newey–West. În aplicații cele două corecții se combină, iar un exemplu numeric cu toate erorile standard este în Aprofundări.

                        Pe scurt

                        • Erorile Fama–MacBeth, Newey–West și Shanken presupun că modelul este corect
                          • adică erorile de evaluare sînt zero: \(\mathbf{e} = \boldsymbol\mu - \mathbf{X}\boldsymbol\gamma = \mathbf{0}\)
                          • \(\boldsymbol\mu\): randamentele medii în exces, \(\boldsymbol\gamma = (\lambda_0, \boldsymbol\lambda^\top)^\top\)
                        • Dacă modelul este greșit (\(\mathbf{e} \neq \mathbf{0}\)), zgomotul din valorile beta estimate adaugă varianță primelor
                        • Erorile standard robuste la această problemă sînt cele Kan–Robotti–Shanken (Kan, Robotti & Shanken (2013); formula: Anexă)
                        • Robust la specificare greșită nu înseamnă HAC: dependența temporală cere și autocovarianțele momentelor (Newey–West)

                        Exemplu rezolvat: patru erori standard pentru prima de valoare

                        Slide 97 în PDF

                        Pentru prima HML din modelul cu trei factori (FF3), pe cele 25 de portofolii mărime × B/M, 1963–2026, estimația este \(\hat\lambda = 3{,}97\%\) pe an, iar tabelul compară erorile ei standard. Corecția Shanken (Shanken, 1992) lasă neschimbată eroarea Fama–MacBeth de 1,33%, pentru că \(c = 0{,}03\) pe lună; eroarea Kan–Robotti–Shanken (Kan, Robotti & Shanken, 2013) fără laguri este 1,32%. Cel mai mult contează autocorelarea pantelor lunare: Newey–West cu 6 laguri ridică SE la 1,62%, iar \(t\) scade de la 2,99 la 2,45. Pentru RMW din modelul cu cinci factori (FF5), Kan–Robotti–Shanken ridică eroarea de la 2,1% la 2,6%, iar cu 6 laguri la 3,0%, deci \(t\) scade de la 2,5 la 2,1 și apoi la 1,8, sub 1,96; pragul \(t > 3\) nu este depășit clar cu nicio eroare standard.

                        Pe scurt

                        FF3, HML\(\hat\lambda\)SE\(t\)Semnificativ la 5%?
                        Fama–MacBeth\(3{,}97\%\)\(1{,}33\%\)\(2{,}99\)da
                        Newey–West (6 laguri)\(3{,}97\%\)\(1{,}62\%\)\(2{,}45\)da
                        Shanken\(3{,}97\%\)\(1{,}33\%\)\(2{,}99\)da
                        Kan–Robotti–Shanken (fără laguri)\(3{,}97\%\)\(1{,}32\%\)\(3{,}00\)da
                        Kan–Robotti–Shanken (6 laguri)\(3{,}97\%\)\(1{,}61\%\)\(2{,}47\)da
                        • 25 de portofolii mărime \(\times\) B/M, 1963–2026
                        • Corecția Shanken nu schimbă eroarea, pentru că \(c = 0{,}03\) pe lună
                        • Cel mai mult contează autocorelația pantelor lunare \(\hat\lambda_t\)
                          • Newey–West cu 6 laguri mărește SE de la \(1{,}33\%\) la \(1{,}62\%\)
                        • Pentru RMW din FF5, Kan–Robotti–Shanken crește eroarea de la \(2{,}1\%\) la \(2{,}6\%\), iar cu 6 laguri la \(3{,}0\%\)
                          • \(t\) scade de la \(2{,}5\) la \(2{,}1\), apoi la \(1{,}8\), sub \(1{,}96\)
                        • Pragul \(t > 3\) (Secțiunea 7) nu este depășit clar cu nicio eroare standard

                        Factori inutili și factori slabi (1/2)

                        Slide 98 în PDF

                        Un factor inutil (useless factor) este independent de toate randamentele: valorile lui beta adevărate sînt zero, iar cele estimate sînt zgomot de ordinul \(1/\sqrt{T}\). Deoarece etapa a doua regresează randamentele medii pe acest zgomot, \(\hat\lambda_g\) nu tinde la zero, iar cînd modelul este greșit specificat testul \(t\) declară prea des factorul evaluat (Kan & Zhang, 1999). În experiment, CAPM, respins de GRS pe cele 25 de portofolii, se estimează cu un factor adăugat extras independent din distribuția Normală, de 2 000 de ori, testînd la 5% dacă prima lui este zero. Un test corect ar respinge în aproximativ 5% din repetări; cu erori Fama–MacBeth, prima falsă pare semnificativă în 60% din ele, iar cu erori Shanken în 27%.

                        Pe scurt

                        • Un factor inutil \(g_t\) este independent de toate randamentele
                          • toți parametrii \(\beta_i\) sînt zero
                          • estimările \(\hat\beta_i\) sînt doar zgomot, de ordinul \(1/\sqrt{T}\)
                        • Etapa 2 regresează randamentele pe acest zgomot
                          • \(\hat\lambda_g\) nu tinde spre zero
                          • testul \(t\) declară prea des că factorul are o primă cînd modelul este greșit (Kan & Zhang (1999))
                        • Experimentul: pe cele 25 de portofolii, unde GRS respinge CAPM (Secțiunea 4)
                          • estimăm CAPM plus un factor inventat, extras independent din distribuția Normală
                          • Repetăm experimentul de 2 000 de ori și testăm la nivelul 5% dacă prima factorului inventat este zero
                          • Un test corect ar respinge în aproximativ 5% din repetări
                          • Cu erori Fama–MacBeth, prima falsă pare semnificativă în \(60\%\) din repetări
                          • Cu erori Shanken, prima falsă pare semnificativă în \(27\%\) din repetări

                        Factori inutili și factori slabi (2/2)

                        Slide 99 în PDF

                        Remediul este testarea, întîi, în etapa întîi, a ipotezei \(H_0: \boldsymbol\beta_g = \mathbf{0}\) pe toate cele \(N\) active, cu statistica Wald \(W = \hat{\boldsymbol\beta}_g^\top\widehat{\operatorname{Var}}(\hat{\boldsymbol\beta}_g)^{-1}\hat{\boldsymbol\beta}_g \sim \chi^2_N\); dacă nu respingem, prima factorului nu poate fi estimată. În experiment, testul Wald respinge doar în 6,7% din repetări, aproape de 5%. Identificarea slabă (weak identification) apare și cînd valorile beta sînt aproape de zero sau aproape egale între active, ca piața în acest exemplu; există teste robuste la ea (Kleibergen, 2009), iar cu multe active consistența etapei a doua depinde de tăria factorilor (Anatolyev & Mikusheva, 2022).

                        Pe scurt

                        • Remediul: testați întîi, în etapa 1, \(H_0: \boldsymbol\beta_g = \mathbf{0}\) pe toate cele \(N\) active
                          • statistica: \(W = \hat{\boldsymbol\beta}_g^\top \widehat{\operatorname{Var}}(\hat{\boldsymbol\beta}_g)^{-1} \hat{\boldsymbol\beta}_g \sim \chi^2_N\)
                          • dacă nu respingeți, prima factorului nu se poate estima
                          • Testul Wald respinge doar în \(6{,}7\%\) din repetări, aproape de 5%
                        • Identificare slabă
                          • valorile beta sînt aproape de zero (factor slab)
                          • sau aproape egale între active (piața, în exemplul nostru)
                          • Există teste robuste la identificarea slabă (Kleibergen (2009))
                          • Cu multe active, consistența etapei 2 depinde de cît de puternici sînt factorii (Anatolyev & Mikusheva (2022))

                        Un test mai sever: adăugarea a 30 de portofolii pe industrii (1/2)

                        Slide 100 în PDF

                        Lewellen, Nagel & Shanken (2010) observă că cele 25 de portofolii au o structură factorială puternică: trei factori explică în medie 91% din variația lor în timp, între 79% și 95%, așa că mai multe modele care surprind variația comună de mărime și valoare pot obține un \(R^2\) transversal ridicat. Panoul din stînga pune randamentul mediu efectiv (vertical) în fața celui prezis de FF3 (orizontal), în % pe an; un model exact ar pune toate punctele pe diagonală, iar industriile (triunghiurile roșii) se împrăștie pe verticală.

                        Pe scurt

                        Un test mai sever: adăugarea a 30 de portofolii pe industrii (1/2)
                        • Cele 25 de portofolii au o structură factorială puternică (Lewellen, Nagel & Shanken (2010))
                          • trei factori explică în medie \(91\%\) din variația lor în timp (între \(79\%\) și \(95\%\))
                          • deci mai multe modele care surprind variația comună de mărime și valoare pot obține un \(R^2\) transversal ridicat
                        • Stînga: media efectivă (vertical) față de media prezisă de FF3 (orizontal), % pe an
                          • un model exact ar pune toate punctele pe diagonală
                          • industriile (triunghiuri roșii) se împrăștie vertical

                        Un test mai sever: adăugarea a 30 de portofolii pe industrii (2/2)

                        Slide 101 în PDF

                        Panoul din dreapta arată valorile \(R^2\) transversale cu intervale bootstrap de 95%. Cu cele 30 de industrii adăugate, \(R^2\) OLS al FF3 scade de la 0,66 la 0,22, iar cel al FF5 de la 0,76 la 0,24. Intervalele marginale, \([0{,}31; 0{,}84]\) pe 25 de portofolii și \([0{,}04; 0{,}52]\) pe 55 de active, nu stabilesc dacă diferența pentru FF3 este semnificativă; pentru asta e nevoie de aceleași luni reeșantionate pentru ambele seturi de active și de un interval direct pentru \(\Delta R^2\). \(R^2\) obținut prin cele mai mici pătrate generalizate (generalised least squares, GLS), care ponderează erorile cu inversa covarianței randamentelor, nu depășește niciodată 0,26.

                        Pe scurt

                        Un test mai sever: adăugarea a 30 de portofolii pe industrii (2/2)
                        • Dreapta: \(R^2\) transversal cu intervale bootstrap de 95%
                          • cu 30 de industrii adăugate, \(R^2\) OLS al FF3 scade de la \(0{,}66\) la \(0{,}22\)
                          • \(R^2\) OLS al FF5 scade de la \(0{,}76\) la \(0{,}24\)
                        • Intervalele \(R^2\) FF3: \([0{,}31; 0{,}84]\) pe 25 de portofolii, \([0{,}04; 0{,}52]\) pe 55 de active
                          • intervalele marginale nu stabilesc semnificația diferenței: un test cere aceleași luni extrase pentru ambele mulțimi de active și un interval direct pentru \(\Delta R^2\)
                        • \(R^2\) GLS ponderează erorile cu inversa covarianței randamentelor
                          • GLS: Generalised Least Squares, metoda celor mai mici pătrate generalizate
                          • \(R^2\) GLS nu depășește niciodată \(0{,}26\)

                        Compararea modelelor: rapoarte Sharpe maxime (1/2)

                        Slide 102 în PDF

                        Barillas & Shanken (2018) arată că modelul mai bun este cel ai cărui factori permit cel mai mare raport Sharpe, \(SR^2(\mathbf{f}) = \boldsymbol\mu_f^\top\boldsymbol\Sigma_f^{-1}\boldsymbol\mu_f\), unde \(\boldsymbol\mu_f\) și \(\boldsymbol\Sigma_f\) sînt mediile și covarianța factorilor. Motivul vine din GRS: valorile alfa ale unui model sînt mici exact cînd factorii lui se apropie de raportul Sharpe maxim, așa că, comparînd direct \(SR^2(\mathbf{f})\), activele de test nu mai contează, spre deosebire de distanța Hansen–Jagannathan, calculată pe ele. Tabelul dă rapoartele Sharpe maxime anuale: pe 1963–2026 (\(T = 757\)) ele urcă de la 0,47 pentru CAPM la 1,16 pentru FF5 plus momentum, iar pe 2000–2026 (\(T = 319\)) de la 0,48 la 1,02.

                        Pe scurt

                        Raport Sharpe maxim (anual)CAPMFF3CarhartFF5FF5 \(+\) MOM
                        1963–2026 (\(T = 757\))\(0{,}47\)\(0{,}66\)\(0{,}97\)\(0{,}97\)\(1{,}16\)
                        2000–2026 (\(T = 319\))\(0{,}48\)\(0{,}54\)\(0{,}67\)\(0{,}97\)\(1{,}02\)
                        • Barillas & Shanken (2018): modelul mai bun este cel ai cărui factori permit cel mai mare raport Sharpe
                          • \(SR^2(\mathbf{f}) = \boldsymbol\mu_f^\top\boldsymbol\Sigma_f^{-1}\boldsymbol\mu_f\)
                          • \(\boldsymbol\mu_f\), \(\boldsymbol\Sigma_f\): mediile și covarianța factorilor
                        • Motivul vine din GRS
                          • valorile alfa ale unui model sînt mici exact cînd factorii lui se apropie de raportul Sharpe maxim
                          • comparînd direct \(SR^2(\mathbf{f})\), activele de test nu mai contează
                          • spre deosebire de distanța Hansen–Jagannathan, calculată pe activele de test (Anexă)

                        Compararea modelelor: rapoarte Sharpe maxime (2/2)

                        Slide 103 în PDF

                        Cînd un model îl include pe celălalt, \(SR^2\) in-sample nu poate decît să crească, așa că testul potrivit este o regresie de spanning a factorului adăugat pe ceilalți: un alfa nenul arată că el aduce ceva nou. HML pe ceilalți cinci factori are \(\alpha = 0{,}9\%\) pe an (\(t = 0{,}75\)), iar din 2000 \(-1{,}7\%\) (\(t = -0{,}81\)), deci HML nu aduce nicio contribuție incrementală semnificativă, ca în Fama & French (2015). FF5 și Carhart nu se includ unul pe altul; diferența dintre \(SR^2\) anuale este 0,00, cu intervalul de 95% \([-0{,}57; 0{,}66]\), iar din 2000 este 0,50, cu intervalul \([-0{,}24; 1{,}48]\), deci nici aici nu este semnificativă. Intervalele provin din bootstrap-ul staționar al lui Politis & Romano (1994).

                        Pe scurt

                        • Cînd un model îl include pe celălalt, \(SR^2\) în eșantion nu poate decît să crească
                        • Atunci se face o regresie de spanning: factorul adăugat se regresează pe ceilalți
                          • un alfa nenul arată că el aduce ceva nou
                          • HML pe ceilalți cinci factori: \(\alpha = 0{,}9\%\) pe an (\(t = 0{,}75\))
                          • din 2000: \(\alpha = -1{,}7\%\) (\(t = -0{,}81\)), deci nicio contribuție incrementală semnificativă a HML, ca în Fama & French (2015)
                        • FF5 față de Carhart (niciunul nu îl include pe celălalt): diferența dintre \(SR^2\) anuale este \(0{,}00\)
                          • intervalul de 95%: \([-0{,}57; 0{,}66]\)
                        • Din 2000: diferența este \(0{,}50\), cu intervalul de 95% \([-0{,}24; 1{,}48]\)

                        Exemplu rezolvat: zece factori candidați (1/2)

                        Slide 104 în PDF

                        Zece factori candidați au p-value-urile ordonate 0,0004, 0,002, 0,006, 0,011, 0,018, 0,027, 0,041, 0,070, 0,15 și 0,62, testate la nivelul de 5%. Regula naivă respinge orice ipoteză nulă cu \(p \le 0{,}05\) și găsește 7 factori semnificativi. Bonferroni împarte 5% la cele 10 teste, deci pragul este 0,005, și păstrează doar 2 factori.

                        Pe scurt

                        • Zece factori candidați, nivel \(\alpha = 5\%\)
                          • valorile p ordonate: \(0{,}0004;\ 0{,}002;\ 0{,}006;\ 0{,}011;\ 0{,}018;\ 0{,}027;\ 0{,}041;\ 0{,}070;\ 0{,}15;\ 0{,}62\)
                        • Regula naivă respinge orice ipoteză cu \(p \le 0{,}05\)
                          • găsește 7 factori semnificativi
                        • Bonferroni împarte 5% la cele 10 teste, deci pragul este \(0{,}005\)
                          • trec doar 2 factori

                        Exemplu rezolvat: zece factori candidați (2/2)

                        Slide 105 în PDF

                        Metoda Holm (Holm, 1979) compară al \(j\)-lea p-value cu \(0{,}05/(11-j)\) și se oprește la primul care nu trece: primele trei trec, iar al patrulea, 0,011, depășește pragul 0,0071, deci Holm se oprește la 3 factori. Metoda Benjamini–Hochberg (BH) (Benjamini & Hochberg, 1995) compară al \(j\)-lea p-value cu \(0{,}005\,j\); cel mai mare \(j\) care trece este 6 (\(0{,}027 \le 0{,}030\)), deci BH declară semnificativi primii 6 factori.

                        Pe scurt

                        • Holm compară a \(j\)-a valoare p cu \(0{,}05/(11-j)\)
                          • se oprește la primul care nu trece
                        • Primele trei valori p trec
                          • \(0{,}0004 \le 0{,}005\)
                          • \(0{,}002 \le 0{,}0056\)
                          • \(0{,}006 \le 0{,}00625\)
                        • Al patrulea, \(0{,}011\), depășește pragul \(0{,}0071\)
                          • deci Holm se oprește la 3 factori
                        • BH compară a \(j\)-a valoare p cu \(0{,}005\,j\)
                          • cel mai mare \(j\) care trece este 6 (\(0{,}027 \le 0{,}030\))
                          • deci BH declară semnificativi primii 6 factori

                        Simulare: 300 de factori inutili (1/2)

                        Slide 106 în PDF

                        Simularea creează 300 de factori fără nicio primă reală, fiecare cu o statistică \(t\) extrasă independent din distribuția Normală standard, și repetă experimentul de 2 000 de ori, numărînd de fiecare dată cîți factori trec un prag dat. Graficul arată distribuția acestor numere și a celui mai mare \(|t|\).

                        Pe scurt

                        • Experimentul: 300 de factori fără nicio primă reală
                          • statistica \(t\) a fiecăruia este o extragere independentă din distribuția Normală standard
                        • Repetăm experimentul de 2 000 de ori și numărăm, de fiecare dată, cîți factori trec pragul
                        Simulare: 300 de factori inutili (1/2) Legenda: false discoveries: descoperiri false; The best useless factor often looks strong: cel mai bun factor inutil pare adesea puternic; Bonferroni threshold: pragul Bonferroni lll MFM_ch3_false_discoveries

                        Simulare: 300 de factori inutili (2/2)

                        Slide 107 în PDF

                        La pragul clasic \(|t| > 1{,}96\) trec, în medie, 15,0 factori inutili, adică 5% din 300; la \(|t| > 3\) trec, în medie, 0,83. Totuși, în 57% din repetări cel puțin un factor inutil trece pragul \(|t| > 3\), iar în jumătate din ele cel mai bun factor inutil are \(|t|\) peste 3,06. Pragul Bonferroni pentru 300 de teste este \(|t| > 3{,}76\). Pragul corect depinde de cîte teste s-au încercat efectiv, inclusiv cele nepublicate.

                        Pe scurt

                        • La pragul clasic \(|t| > 1{,}96\) trec, în medie, \(15{,}0\) factori inutili, adică 5% din 300
                        • La pragul \(|t| > 3\) trec, în medie, \(0{,}83\) factori inutili
                        • În \(57\%\) din repetări, cel puțin un factor inutil trece pragul \(|t| > 3\)
                        • În jumătate din repetări, cel mai bun factor inutil are \(|t|\) peste \(3{,}06\)
                        • Pragul Bonferroni pentru 300 de teste este \(|t| > 3{,}76\)
                        • Pragul corect depinde de cîte teste s-au încercat efectiv, inclusiv cele nepublicate
                        lll MFM_ch3_false_discoveries

                        Numărul de factori (1/2)

                        Slide 108 în PDF

                        În modelul factorial aproximativ \(x_{it} = \boldsymbol\Lambda_i^\top\mathbf{F}_t + e_{it}\), cu randamente standardizate \(x_{it}\) și cu \(N\) și \(T\) ambele mari, numărul de factori trebuie estimat. Fie \(V(k)\) media pătratelor reziduurilor după primele \(k\) componente principale. Bai & Ng (2002) aleg \(k\) care minimizează criteriul de informație \(IC_{p2}(k) = \ln V(k) + k\,\frac{N+T}{NT}\ln\min(N,T)\), potrivire plus o penalizare pe factor; Ahn & Horenstein (2013) aleg \(k\) care maximizează raportul valorilor proprii \(\ell_k/\ell_{k+1}\), adică acolo unde valorile proprii scad cel mai brusc. Regula lui Kaiser (1960), \(\ell_k > 1\), nu are o justificare teoretică, pentru că și zgomotul pur produce valori proprii împrăștiate în jurul lui 1.

                        Pe scurt

                        • Model factorial aproximativ \(x_{it} = \boldsymbol\Lambda_i^\top \mathbf{F}_t + e_{it}\)
                          • numărul de active \(N\) și cel de perioade \(T\) sînt ambele mari
                          • \(x_{it}\): randamentul standardizat, \(\mathbf{F}_t\): factorii, \(\boldsymbol\Lambda_i\): încărcările, \(e_{it}\): partea idiosincratică
                          • \(V(k)\): media pătratelor reziduurilor după primele \(k\) componente
                        • Bai & Ng (2002): alege \(k\) care minimizează \(\ln V(k) + k\,\frac{N+T}{NT}\ln\min(N,T)\)
                          • criteriul de informație \(IC_{p2}\): potrivire plus o penalizare pe factor
                        • Ahn & Horenstein (2013): alege \(k\) unde raportul \(\ell_k / \ell_{k+1}\) este maxim
                          • adică acolo unde valorile proprii scad cel mai brusc
                        • Regula lui Kaiser (1960) (\(\ell_k > 1\)) nu are o justificare teoretică
                          • chiar și zgomotul pur produce valori proprii împrăștiate în jurul lui 1

                        Numărul de factori (2/2)

                        Slide 109 în PDF

                        Tabelul aplică cele trei reguli pe două paneluri de randamente standardizate: 11 ETF-uri sectoriale, zilnic 2018–2026 (\(T = 2\,073\), cel mult \(k = 5\)), și 95 dintre cele 100 de portofolii mărime × B/M, lunar 1963–2026 (\(T = 757\), cel mult \(k = 8\); 5 portofolii cu luni lipsă sînt eliminate). Pe portofolii, Ahn–Horenstein alege doar factorul pieței, cu raportul 14,6, iar al doilea vîrf este la \(k = 3\) (raport 3,5), ca în FF3; Kaiser alege 3, iar Bai–Ng 4. Pe cele 11 sectoare, Bai–Ng alege numărul maxim permis, \(k = 5\); penalizarea lui este gîndită pentru multe active, deci cu doar 11 răspunsul nu este de încredere.

                        Pe scurt

                        Panel\(N\)\(T\)KaiserBai–NgAhn–Horenstein
                        11 ETF-uri sectoriale, zilnic 2018–2026112 073251
                        100 portofolii mărime \(\times\) B/M, lunar 1963–202695757341
                        • Randamente standardizate
                          • cel mult \(k = 5\) factori pentru sectoare și \(k = 8\) pentru portofolii
                          • 5 portofolii cu luni lipsă sînt eliminate
                        • Pe cele 95 de portofolii, Ahn–Horenstein alege doar factorul pieței (raport \(14{,}6\))
                          • al doilea vîrf este la \(k = 3\) (raport \(3{,}5\)), ca în FF3
                        • Bai–Ng pe 11 sectoare alege numărul maxim permis, \(k = 5\)
                          • penalizarea este gîndită pentru multe active
                          • deci cu doar 11 răspunsul nu este de încredere (Anexă)

                        PCA instrumentată (1/2)

                        Slide 110 în PDF

                        Analiza în componente principale instrumentată (instrumented principal component analysis, IPCA) a lui Kelly, Pruitt & Su (2019) face din loadings funcții de \(L\) caracteristici observate \(\mathbf{z}_{i,t}\), precum mărimea, B/M și momentum:

                        \[R^e_{i,t+1} = \alpha_{i,t} + \boldsymbol\beta_{i,t}^\top\mathbf{f}_{t+1} + \varepsilon_{i,t+1}, \qquad \boldsymbol\beta_{i,t}^\top = \mathbf{z}_{i,t}^\top\boldsymbol\Gamma_\beta.\]
                        (3.29)

                        Matricea \(\boldsymbol\Gamma_\beta\), de dimensiune \(L \times K\), și factorii minimizează suma pătratelor erorilor din (3.29) prin pași alternativi: cu \(\boldsymbol\Gamma_\beta\) fixată, factorii rezultă din regresii transversale, iar cu factorii ficși, \(\boldsymbol\Gamma_\beta\) rezultă dintr-o regresie de panel.

                        Pe scurt

                        • IPCA: Instrumented Principal Component Analysis (PCA instrumentată), Kelly, Pruitt & Su (2019)
                        • Încărcările sînt funcții de \(L\) caracteristici observate \(\mathbf{z}_{i,t}\) (mărime, B/M, momentum, …)
                          \[ R^e_{i,t+1} = \alpha_{i,t} + \boldsymbol\beta_{i,t}^\top \mathbf{f}_{t+1} + \varepsilon_{i,t+1}, \qquad \boldsymbol\beta_{i,t}^\top = \mathbf{z}_{i,t}^\top \boldsymbol\Gamma_\beta \]
                        • \(\boldsymbol\Gamma_\beta\) (\(L \times K\)) și factorii \(\mathbf{f}_{t+1}\) minimizează \(\sum_{i,t}(R^e_{i,t+1} - \mathbf{z}_{i,t}^\top\boldsymbol\Gamma_\beta\mathbf{f}_{t+1})^2\)
                          • prin pași alternativi
                          • cu \(\boldsymbol\Gamma_\beta\) fixat, \(\mathbf{f}_{t+1}\) vine dintr-o regresie transversală
                          • cu factorii fixați, \(\boldsymbol\Gamma_\beta\) vine dintr-o regresie pe panel

                        PCA instrumentată (2/2)

                        Slide 111 în PDF

                        IPCA testează de ce caracteristicile prezic randamentele: pentru că măsoară expunerea la risc, prin beta, sau direct, ca alfa, \(\alpha_{i,t} = \mathbf{z}_{i,t}^\top\boldsymbol\Gamma_\alpha\). Pe acțiunile americane, cîțiva factori IPCA explică randamentele medii mai bine decît modele cu tot atîția factori observați, iar \(\boldsymbol\Gamma_\alpha\) nu este semnificativă, de unde concluzia lucrării că „caracteristicile sînt covarianțe”. IPCA înlătură și două limite ale PCA întîlnite mai devreme în capitol: loadings constante și nevoia unui panel complet.

                        Pe scurt

                        • Întrebarea testată: prezic caracteristicile randamentele pentru că măsoară expunerea la risc (prin beta)?
                          • sau direct, ca alfa (\(\alpha_{i,t} = \mathbf{z}_{i,t}^\top\boldsymbol\Gamma_\alpha\))?
                        • Rezultatul, pe acțiuni americane: cîțiva factori IPCA explică randamentele medii mai bine
                          • decît modelele cu tot atîția factori observați
                        • \(\boldsymbol\Gamma_\alpha\) nu este semnificativ
                          • de unde titlul articolului: „caracteristicile sînt covarianțe”
                        • Motivația: IPCA rezolvă două limite ale PCA de pe slide-ul „Limitele PCA”
                          • încărcări constante
                          • cerința unui panel complet
                          • extinderi: Anexă

                        Valorile alfa ale ETF-urilor factoriale (1/2)

                        Slide 112 în PDF

                        Întrebarea este dacă ETF-urile au un randament peste cel explicat de expunerile lor la factori. Randamentul zilnic în exces al fiecărui ETF se regresează pe cei șase factori (FF5 plus momentum), \(R^e_t = \alpha + \boldsymbol\beta^\top\mathbf{f}_t + \varepsilon_t\), pe propriile zile de tranzacționare din 2000–2026, cu erori Newey–West; graficul arată alfa anualizat cu intervalul de 95% (0,02 înseamnă 2%) și loadings. Loadings corespund denumirilor: MTUM are 0,36 pe MOM, VLUE 0,34 pe HML, IWM 0,85 pe SMB și IWF −0,28 pe HML, iar USMV (volatilitate minimă) are beta de piață 0,74.

                        Pe scurt

                        Valorile alfa ale ETF-urilor factoriale (2/2)

                        Slide 113 în PDF

                        Valorile alfa sînt aproape de zero: MTUM −0,2% pe an (\(t = -0{,}11\)) și QUAL −0,3% (\(t = -0{,}34\)). IWM și IWD au alfa negativ, semnificativ individual la 5%, −1,3% (\(t = -2{,}57\)) și −1,6% (\(t = -2{,}54\)), iar IWF are alfa pozitiv, nesemnificativ. Comisioanele, sub 0,2% pe an, explică doar o mică parte; reconstituirea periodică a indicilor Russell și diferențele de construcție față de portofoliile Fama–French sînt explicații posibile, pe care regresia nu le cuantifică separat. Cu \(R^2\) între 0,81 și 0,97, ETF-urile factoriale vînd, în mare parte, expuneri la factori cunoscuți.

                        Pe scurt

                        • Întrebarea: au ETF-urile un randament peste cel explicat de expunerile lor?
                          • \(R^e_t = \alpha + \boldsymbol\beta^\top\mathbf{f}_t + \varepsilon_t\), cu cei șase factori (FF5 \(+\) MOM)
                        • Regresii zilnice, erori Newey–West
                          • fiecare ETF pe propriile zile de tranzacționare din 2000–2026
                          • graficul: alfa anualizat cu interval de 95% și încărcările; pe axă, \(0.02\) înseamnă 2%
                        • Încărcările corespund denumirilor
                          • MTUM pe MOM \(0{,}36\), VLUE pe HML \(0{,}34\)
                          • IWM pe SMB \(0{,}85\), IWF pe HML \(-0{,}28\)
                        • USMV (volatilitate minimă) are beta de piață \(0{,}74\)
                        • Valori alfa aproape de zero
                          • MTUM: \(-0{,}2\%\) (\(t = -0{,}11\))
                          • QUAL: \(-0{,}3\%\) (\(t = -0{,}34\))
                        • IWM și IWD au alfa negativ, semnificativ individual la 5%; IWF are alfa pozitiv, nesemnificativ
                          • IWM: \(-1{,}3\%\) (\(t = -2{,}57\)), IWD: \(-1{,}6\%\) (\(t = -2{,}54\))
                          • comisioanele (sub \(0{,}2\%\) pe an) explică doar o mică parte
                          • reconstituirea periodică a indicilor Russell și construcția diferită de Fama–French: explicații posibile, necuantificate separat
                        • \(R^2\) între \(0{,}81\) și \(0{,}97\)
                          • ETF-urile factoriale vînd, în mare parte, expuneri la factori cunoscuți (Seminarul 3, problema B11)
                        lll MFM_ch3_etf_alphas

                        Alocarea dinamică între factori, aglomerarea și costurile

                        Slide 114 în PDF

                        Factor timing mută capitalul între factori pe baza unor semnale, de exemplu cît de ieftin este un factor sau cum a evoluat recent; cum primele sînt incerte și istoriile scurte, este greu de arătat că timing-ul funcționează out-of-sample (Capitolul 13). Crowding-ul, situația în care mulți investitori dețin aceleași poziții factoriale, poate micșora primele (McLean & Pontiff, 2016) și poate amplifica pierderile în lichidările forțate. După o scădere a pieței, portofoliul momentum are beta negativ, așa că pierde mult cînd piața revine brusc, ca în 2009 (Daniel & Moskowitz, 2016). Randamentele academice ale factorilor nu scad nici costurile de tranzacționare, nici costul împrumutării acțiunilor vîndute short.

                        Pe scurt

                        • Alocarea dinamică între factori: mutarea capitalului între factori după semnale
                          • de exemplu, cît de ieftin este un factor sau cum a evoluat recent
                          • Primele sînt incerte și seriile scurte, deci este greu de demonstrat că alocarea dinamică funcționează în afara eșantionului (Capitolul 13)
                        • Aglomerarea pozițiilor (crowding): mulți investitori dețin aceleași poziții factoriale
                          • Primele se pot micșora (McLean & Pontiff (2016)), iar aglomerarea poate amplifica pierderile la lichidări forțate
                          • Crahul momentum-ului (momentum crash): după o scădere a pieței, portofoliul momentum are beta negativ, deci pierde mult cînd piața revine brusc, ca în 2009 (Daniel & Moskowitz (2016))
                        • Implementarea: randamentele factorilor academici nu scad două costuri
                          • costurile de tranzacționare
                          • costul împrumutului acțiunilor vîndute în lipsă

                        153 de factori grupați în 13 teme

                        Slide 115 în PDF

                        Lucrarea studiului de caz, Jensen, Kelly & Pedersen (2023), construiește 153 de factori în 93 de țări: acțiunile sînt împărțite în treimi după fiecare caracteristică, cu ponderi după capitalizare plafonate, factorul cumpără treimea cu randamentul mai mare în studiul original și vinde cealaltă treime extremă, iar fiecare factor este scalat la o volatilitate idiosincratică de 10% pe an, ca valorile alfa să fie comparabile. Gruparea ierarhică (hierarchical clustering) a reziduurilor CAPM împarte factorii americani în 13 teme. Modelul este \(f_{i,t} = \alpha_i + \beta_i r^m_t + \varepsilon_{i,t}\), cu \(\alpha_i = c_j + s_n + w_i\), suma unei componente a temei, a unei componente a semnalului și a uneia specifice factorului, toate cu media a priori 0; după cum arată diagrama, alfa fiecărui factor împrumută informație de la ceilalți factori ai temei sale.

                        Contracția lui alfa și rata de replicare

                        Slide 116 în PDF

                        În cazul unui singur factor, alfa estimat este atras spre zero,

                        \[\mathbb{E}(\alpha \mid \hat\alpha) = \kappa\hat\alpha, \qquad \kappa = \frac{1}{1 + \sigma^2/(\tau^2 T)},\]
                        (3.30)

                        unde \(\sigma\) este volatilitatea reziduală, \(\tau\) dispersia valorilor alfa adevărate, iar \(T\) numărul de luni. În (3.30) eșantioanele scurte și zgomotoase sînt atrase mai mult, ca la beta Vasicek: \(\sigma^2/T\) joacă rolul lui \(\operatorname{se}(\hat\beta_i)^2\), iar \(\tau^2\) pe al lui \(\sigma^2_\beta\). Rata de replicare este ponderea factorilor semnificativi în studiile originale al căror alfa este semnificativ și în datele noi; în versiunea bayesiană, un factor este „semnificativ” dacă media a posteriori împărțită la abaterea standard a posteriori este cel puțin 1,96. Ierarhia completă este în Anexă.

                        Pe scurt

                        • Cazul unui singur factor: alfa estimat este micșorat spre zero
                          \[ \mathbb{E}(\alpha \mid \hat\alpha) = \kappa\hat\alpha, \qquad \kappa = \frac{1}{1 + \sigma^2/(\tau^2 T)} \]
                          • ecuația 5 din articol; ierarhia completă: Anexă
                          • \(\sigma\): volatilitatea reziduurilor
                          • \(\tau\): dispersia valorilor alfa adevărate
                          • \(T\): numărul de luni
                          • eșantioanele scurte și zgomotoase sînt contractate mai puternic, ca la Vasicek (Secțiunea 3): \(\sigma^2/T\) joacă rolul lui \(\operatorname{se}(\hat\beta_i)^2\), iar \(\tau^2\) pe cel al lui \(\sigma^2_\beta\)
                        • Rata de replicare
                          • dintre factorii semnificativi în studiile inițiale, ce proporție are alfa semnificativ și în datele noi
                          • în varianta bayesiană, un factor este „semnificativ” dacă media a posteriori împărțită la abaterea standard a posteriori este cel puțin \(1{,}96\)

                        Se replică 15 factori americani? (1/2)

                        Slide 117 în PDF

                        Graficul aplică metoda studiului de caz pe 15 factori americani. Panourile lui sînt explicate în cadrul următor.

                        Pe scurt

                        Se replică 15 factori americani? (1/2) Legenda: OLS alpha, 95% confidence interval: alfa OLS cu intervalul de încredere; Empirical Bayes posterior mean, 95% credible interval: media a posteriori Bayes empiric cu intervalul de credibilitate; OLS t versus posterior z: \(t\) OLS față de \(z\) a posteriori; Theme: tema MFM_ch3_jkp_replication

                        Se replică 15 factori americani? Cum citim graficul

                        Slide 118 în PDF

                        Panoul din stînga arată alfa CAPM al fiecărui factor, în % pe lună, scalat la o volatilitate idiosincratică de 10% pe an: albastru este alfa OLS cu intervalul de încredere de 95%, roșu media a posteriori empirical Bayes cu intervalul credibil de 95%. Panoul din dreapta arată \(t\) OLS (albastru) și \(z\) a posteriori, media a posteriori împărțită la abaterea standard a posteriori (roșu); liniile punctate sînt 1,96, un singur test la 5%, și 2,65, pragul Benjamini–Yekutieli la 5% (Benjamini & Yekutieli, 2001). Factorii sînt 15 factori americani long–short din sortări ponderate cu valoarea din Kenneth French Data Library, iulie 1963 – iulie 2026 (\(T = 757\)), grupați după temele lucrării.

                        Pe scurt

                        • Panoul stîng: alfa CAPM al fiecărui factor, în % pe lună
                          • scalat la o volatilitate idiosincratică de \(10\%\) pe an
                          • albastru: alfa OLS cu intervalul de încredere de \(95\%\)
                          • roșu: media a posteriori Bayes empiric cu intervalul de credibilitate de \(95\%\)
                        • Panoul drept: \(t\) OLS (albastru) și \(z\) a posteriori (roșu)
                          • \(z\) = media a posteriori împărțită la abaterea standard a posteriori
                        • Liniile punctate
                          • \(1{,}96\): un singur test, \(5\%\)
                          • \(2{,}65\): pragul Benjamini–Yekutieli, \(5\%\)
                        • 15 factori americani long–short din sortările ponderate după valoare ale Kenneth French Data Library

                        Se replică 15 factori americani? (2/2)

                        Slide 119 în PDF

                        Rata de replicare este 73,3% cu OLS (11 din 15 factori), 53,3% cu Benjamini–Yekutieli (8 factori, \(|t|\) critic 2,65) și 86,7% cu empirical Bayes (13 factori). Shrinkage-ul atrage alfa spre media temei, nu doar spre zero: inversarea pe termen lung (long-term reversal), din tema investiții, urcă de la 0,13% la 0,23% pe lună, iar statistica \(t\) OLS de 1,25 devine un \(z\) a posteriori de 2,85. Beta pieței și inversarea pe termen scurt nu se replică (\(z \le 1{,}41\)), iar mărimea trece la limită (\(z = 1{,}96\)); și în lucrare, mărimea este una dintre cele două teme cu o rată sub 50%. Rata de aici folosește toate cele 15 semnale, fără a verifica dacă fiecare a fost semnificativ în studiul original.

                        Pe scurt

                        • Rate de replicare
                          • OLS: \(73{,}3\%\) (11 din 15 factori)
                          • Benjamini–Yekutieli: \(53{,}3\%\) (8 factori; \(|t|\) critic \(2{,}65\))
                          • Bayes empiric: \(86{,}7\%\) (13 factori)
                        • Contracția trage alfa spre media temei, nu doar spre zero
                        • Exemplu: inversarea pe termen lung (tema investiții) crește de la \(0{,}13\%\) la \(0{,}23\%\) pe lună
                          • \(t\) OLS este \(1{,}25\), dar \(z\) a posteriori este \(2{,}85\)
                        • Nu se replică: beta de piață și inversarea pe termen scurt (\(z \le 1{,}41\))
                        • Mărimea trece la limită (\(z = 1{,}96\))
                          • și în articol mărimea este una dintre cele două teme cu rata sub \(50\%\)
                        • Rata se calculează aici pe toate cele 15 semnale (Anexă)
                          • fără a verifica dacă fiecare a fost semnificativ în studiul inițial
                        MFM_ch3_jkp_replication

                        Ce nu poate arăta replicarea din curs

                        Slide 120 în PDF

                        Versiunea din curs folosește 15 semnale americane în loc de 153 în 93 de țări și portofoliile French în locul treimilor construite fără microcapitalizări (micro-caps). Cu o singură țară, fiecare semnal apare o dată, deci componenta semnalului nu poate fi estimată și dispersia ei este fixată la zero, iar rezultatul depinde de gruparea în teme: cu toți factorii într-o singură temă, rata empirical Bayes ar fi 100%. Limitele precizate de autori sînt că CAPM este singurul model de referință, că toate caracteristicile sînt construite prin aceeași metodă și că distribuția a priori ignoră factorii nepublicați.

                        Rămîn deschise două întrebări:

                        1. Dacă valorile alfa și rata de replicare s-au menținut în 2021–2026, datele lucrării oprindu-se în 2020;
                        2. Dacă factorii americani, folosiți ca distribuție a priori, pot îmbunătăți estimațiile factorilor de la BVB, ale căror istorii sînt scurte.

                        Pe scurt

                        • Limitele versiunii de curs
                          • 15 semnale americane în loc de 153 în 93 de țări
                          • portofoliile din Kenneth French Data Library, nu treimile construite fără firmele foarte mici (microcapitalizări)
                          • o singură țară, deci fiecare semnal apare o singură dată și componenta semnalului nu se poate estima (dispersia ei se fixează la zero)
                          • rezultatul depinde de gruparea pe teme: dacă toți factorii ar fi într-o singură temă, rata Bayes empiric ar fi \(100\%\)
                        • Limite precizate de autori (Anexă)
                          • CAPM este singurul reper
                          • toate caracteristicile sînt construite după aceeași metodă
                          • distribuția a priori ignoră factorii nepublicați
                        • Întrebări deschise (datele articolului se opresc în 2020)
                          • s-au menținut valorile alfa și rata de replicare în 2021–2026?
                          • pot factorii americani, folosiți ca distribuție a priori, să îmbunătățească estimările factorilor de la BVB, unde seriile sînt scurte?
                        • Datele și codul articolului: jkpfactors.com

                        Proiect: datele eșantionului și rezultatele cerute

                        Slide 121 în PDF

                        Proiectul despre scăderea după publicare pornește de la un tabel de evenimente care dă, pentru fiecare factor, lucrarea originală cu DOI, sfîrșitul eșantionului ei și data publicării, toate citite din lucrare, cu momentum (Jegadeesh & Titman, 1993) ca rînd model. O notă de preînregistrare (pre-registration), cu \(H_0\), \(H_1\), datele, lista factorilor și corecțiile, se salvează în Git înainte de a vedea rezultatele. Codul este un Quantlet, iar raportul dă erori Newey–West, perioade placebo și puterea testului: probabilitatea de a respinge \(b_2 = 0\) la 5% dacă scăderea adevărată ar fi, de exemplu, cea de 58% din McLean & Pontiff (2016), aproximativ \(\Phi(|\delta|/s - 1{,}96) + \Phi(-|\delta|/s - 1{,}96)\), cu \(s = \operatorname{se}(\hat b_2)\). Prompturile intră în AI_USE.md, iar erorile depistate în AI_ERRORS.md.

                        Pe scurt

                        • Livrabile
                          • mai întîi, un tabel al evenimentelor: factorul, lucrarea inițială cu DOI, sfîrșitul eșantionului ei, data publicării, toate citite din lucrare (rîndul-model: MOM, Jegadeesh & Titman (1993))
                          • o notă de preînregistrare (\(H_0\), \(H_1\), datele din tabel, lista factorilor, corecțiile), salvată în Git (commit) înainte de a vedea rezultatele
                          • codul ca Quantlet: un director cu scriptul, sursa datelor și o scurtă descriere, ca în Quantlet-urile capitolului
                          • un raport cu erori Newey–West, perioade placebo și puterea testului
                          • puterea: probabilitatea de a respinge \(b_2 = 0\) la 5% dacă scăderea reală ar fi, de exemplu, cei \(58\%\) din McLean & Pontiff (2016)
                          • puterea se obține prin simulare sau aproximativ \(\Phi(|\delta|/s - 1{,}96) + \Phi(-|\delta|/s - 1{,}96)\), cu \(s = \operatorname{se}(\hat b_2)\)
                          • \(\delta\): scăderea presupusă, în unitățile lui \(b_2\) (o scădere de \(58\%\): \(\delta = -0{,}58 \times\) media de dinainte de publicare); \(\Phi\): funcția de repartiție a distribuției Normale standard
                        • Jurnale: prompturile în AI_USE.md, erorile depistate în AI_ERRORS.md

                        Anexă

                        Anexa conține derivările și detaliile la care trimit corpul capitolului și aprofundările: statistica GRS sub ipoteza nulă, testele pentru multe active, erorile standard robuste la specificarea greșită, distanța Hansen–Jagannathan și selecția bayesiană a modelelor, LASSO (Least Absolute Shrinkage and Selection Operator, regresie penalizată L1 cu selecția variabilelor) cu dublă selecție, estimatorii numărului de factori, PCA cu primă de risc, IPCA pentru criptoactive, construcția și ierarhia bayesiană din studiul de caz cu rezultatele complete, prompturile buclei descoperirii, verificările cercetătorului și răspunsurile la verificările rapide.

                        GRS sub ipoteza nulă

                        Slide 122 în PDF

                        Adăugarea a \(N\) active crește întotdeauna raportul Sharpe in-sample, așa că testul întreabă dacă creșterea depășește ce ar produce zgomotul. Sub \(H_0\), cu reziduuri i.i.d. din distribuția Normală, \(W\) din (3.26) urmează \(F(N, T-N-1)\), cu media \((T-N-1)/(T-N-3)\); înmulțind cu \(N(1+\widehat{SR}^2(f))/(T-N-1)\) se obține cîștigul așteptat \(\mathbb{E}[\widehat{SR}^2(f,\mathbf{R}) - \widehat{SR}^2(f)] \approx N(1+\widehat{SR}^2(f))/(T-N-3)\). Pentru cele 25 de portofolii, cu \(T = 757\), acesta este \(25 \times 1{,}018/729 = 0{,}035\) pe lună, față de 0,146 observat; pentru cele 9 ETF-uri sectoriale, cu \(T = 331\), cîștigul observat, 0,015, este sub cel așteptat, \(9 \times 1{,}021/319 = 0{,}029\).

                        Pe scurt

                        • Adăugarea a \(N\) active crește întotdeauna raportul Sharpe în eșantion
                          • testul verifică dacă această creștere depășește ce ar produce zgomotul
                        • Forma Sharpe: \(W = \frac{T-N-1}{N}\,\frac{\widehat{SR}^2(f,\mathbf{R}) - \widehat{SR}^2(f)}{1+\widehat{SR}^2(f)}\)
                        • Sub \(H_0\), cu reziduuri Normale i.i.d., \(W \sim F(N, T-N-1)\)
                          • deci \(\mathbb{E}[W] = \frac{T-N-1}{T-N-3}\)
                        • Înmulțind cu \(\frac{N(1+\widehat{SR}^2(f))}{T-N-1}\)
                          • \(\mathbb{E}\big[\widehat{SR}^2(f, \mathbf{R}) - \widehat{SR}^2(f)\big] \approx \frac{N\,(1 + \widehat{SR}^2(f))}{T - N - 3}\)
                        • 25 de portofolii, \(T = 757\): \(25 \times 1{,}018/729 = 0{,}035\) (lunar)
                          • față de \(0{,}405^2 - 0{,}134^2 = 0{,}146\) observat
                        • 9 ETF-uri sectoriale, \(T = 331\): cîștig observat \(0{,}191^2 - 0{,}146^2 = 0{,}015\)
                          • sub cel așteptat, \(9 \times 1{,}021/319 = 0{,}029\)

                        Teste pentru multe active

                        Slide 123 în PDF

                        Covarianța reziduurilor \(\hat{\boldsymbol\Sigma} = \hat{\mathbf{E}}^\top\hat{\mathbf{E}}/T\), unde \(\hat{\mathbf{E}}\) este matricea \(T \times N\) a reziduurilor, are rangul cel mult \(T - 2\), pentru că fiecare regresie estimează doi parametri. Cu 100 de portofolii mărime × B/M pe 8 ani de date lunare (\(T = 96\)), \(\hat{\boldsymbol\Sigma}\) este singulară și GRS nu există. Testele care evită \(\hat{\boldsymbol\Sigma}^{-1}\) folosesc sume standardizate ale pătratelor statisticilor \(t\) (Pesaran & Yamagata, 2024), iar puterea poate fi mărită prin selectarea valorilor alfa mari (power enhancement) (Fan, Liao & Yao, 2015).

                        Pe scurt

                        • \(\hat{\boldsymbol\Sigma} = \hat{\mathbf{E}}^\top\hat{\mathbf{E}}/T\) are rangul cel mult \(T - 2\)
                          • doi parametri în fiecare regresie
                          • \(\hat{\mathbf{E}}\): matricea \(T \times N\) a reziduurilor
                          • Exemplu: 100 de portofolii mărime \(\times\) B/M pe 8 ani de date lunare (\(T = 96\)): \(\hat{\boldsymbol\Sigma}\) este singulară, GRS nu există (Seminarul 3, problema B7)
                        • Teste pentru multe active care evită \(\hat{\boldsymbol\Sigma}^{-1}\) (Pesaran & Yamagata (2024))
                          • sume standardizate ale pătratelor statisticilor \(t\)
                        • Creșterea puterii prin selecția valorilor alfa mari: Fan, Liao & Yao (2015)

                        Erori standard robuste la specificarea greșită

                        Slide 124 în PDF

                        Erorile Fama–MacBeth și Shanken presupun un model corect, cu toate erorile de evaluare \(\mathbf{e} = \boldsymbol\mu - \mathbf{X}\boldsymbol\gamma\) egale cu zero; cînd relația transversală este doar aproximativă, estimăm valoarea pseudo-adevărată care minimizează erorile de evaluare, iar zgomotul din \(\hat{\mathbf{B}}\) înmulțit cu \(\mathbf{e}\) adaugă un termen de varianță (Kan, Robotti & Shanken, 2013). Scriind ambele etape ca un singur sistem GMM exact identificat și folosind jacobianul complet, se obține varianța sandwich robustă; cu \(\mathbf{e} = \mathbf{0}\) în jacobian se obține versiunea pentru model corect, robustă la heteroscedasticitate, a lui Jagannathan & Wang (1998). Pentru FF5 pe cele 25 de portofolii, fără laguri, SE a CMA crește de la 2,2% la 2,7%, iar cea a interceptului de la 3,3% la 3,8%, în timp ce pentru HML schimbarea este sub 0,05 puncte procentuale; cu 6 laguri, RMW ajunge la 3,0%, iar CMA la 3,1%.

                        Pe scurt

                        • Erorile Fama–MacBeth și Shanken presupun un model corect
                          • toate erorile de evaluare \(\mathbf{e} = \boldsymbol\mu - \mathbf{X}\boldsymbol\gamma\) sînt zero, cu \(\mathbf{X} = [\mathbf{1}, \mathbf{B}]\)
                        • Aici GRS respinge restricțiile modelului cu factori tranzacționați (\(\boldsymbol\alpha = \mathbf{0}\))
                          • relația transversală cu prime libere poate fi doar aproximativă: se estimează valoarea pseudo-adevărată, care minimizează erorile de evaluare
                        • Zgomotul din \(\hat{\mathbf{B}}\) se înmulțește cu \(\mathbf{e}\) și adaugă un termen de varianță (Kan, Robotti & Shanken (2013))
                        • Scriem ambele etape ca un singur sistem GMM exact identificat (Aprofundări)
                          • momentele: \((\mathbf{R}_t - \mathbf{a} - \mathbf{B}\mathbf{f}_t) \otimes (1, \mathbf{f}_t)\) și \(\mathbf{X}^\top(\mathbf{R}_t - \mathbf{X}\boldsymbol\gamma)\)
                          • varianța sandwich cu jacobianul complet este cea robustă
                          • Cu \(\mathbf{e} = \mathbf{0}\) în jacobian se obține versiunea pentru un model corect specificat, robustă la heteroscedasticitate, a lui Jagannathan & Wang (1998)
                          • matricea \(\mathbf{S}\) a momentelor fără autocovarianțe: robustă la specificare greșită, nu și la autocorelație; cu laguri Newey–West, și HAC
                        • FF5 pe cele 25 de portofolii (Secțiunea 6): erorile standard robuste, fără laguri (cu 6 laguri: RMW \(3{,}0\%\), CMA \(3{,}1\%\))
                          • CMA: \(2{,}2\% \to 2{,}7\%\)
                          • termenul liber: \(3{,}3\% \to 3{,}8\%\); HML: schimbare sub \(0{,}05\) puncte procentuale
                        • Curs avansat: Generalized Method of Moments

                        Distanța Hansen–Jagannathan și selecția bayesiană

                        Slide 125 în PDF

                        Distanța Hansen–Jagannathan (Hansen & Jagannathan, 1997),

                        \[\delta^2 = \min_{\mathbf{b}}\ \mathbf{e}(\mathbf{b})^\top\,\mathbb{E}[\mathbf{R}^e\mathbf{R}^{e\top}]^{-1}\,\mathbf{e}(\mathbf{b}), \qquad \mathbf{e}(\mathbf{b}) = \mathbb{E}[m_t(\mathbf{b})\,\mathbf{R}^e_t],\]
                        (3.31)

                        măsoară cît de departe este factorul stohastic de actualizare (stochastic discount factor, SDF) al modelului de cel mai apropiat SDF care evaluează corect toate activele; cu randamente în exces, normalizarea este \(\mathbb{E}[m] = 1\). Aceeași matrice de ponderare se folosește pentru toate modelele, deci distanțele sînt comparabile, iar statistica testului are o limită \(\chi^2\) ponderată. Pentru selecția dintre foarte multe modele, Bryzgalova, Huang & Julliard (2023) fac media pe aproximativ \(2 \times 10^{15}\) modele factoriale, robust la factori slabi, iar Kozak, Nagel & Santosh (2020) aplică shrinkage coeficienților SDF și găsesc că sînt suficiente cîteva componente principale ale randamentelor anomaliilor.

                        Pe scurt

                        • Distanța Hansen–Jagannathan (Hansen & Jagannathan (1997))
                          \[ \delta^2 = \min_{\mathbf{b}}\; \mathbf{e}(\mathbf{b})^\top\, \mathbb{E}[\mathbf{R}^e\mathbf{R}^{e\top}]^{-1}\, \mathbf{e}(\mathbf{b}), \qquad \mathbf{e}(\mathbf{b}) = \mathbb{E}[m_t(\mathbf{b})\,\mathbf{R}^e_t] \]
                          • cît de departe este SDF-ul modelului de cel mai apropiat SDF care evaluează corect toate activele
                          • Randamente în exces \(\mathbf{R}^e_t\) cu normalizarea \(\mathbb{E}[m] = 1\)
                          • Pentru randamente brute \(\mathbf{R}_t\): \(\mathbf{e} = \mathbb{E}[m\mathbf{R}] - \mathbf{1}\), iar SDF-ul are nevoie de o scală liberă (\(\mathbb{E}[m] = 1/(1 + R_f)\))
                          • Aceeași matrice de ponderare pentru orice model, deci distanțele sînt comparabile
                          • Statistica de test are o limită \(\chi^2\) ponderată
                        • Selecție printre foarte multe modele (Bryzgalova, Huang & Julliard (2023))
                          • media bayesiană a circa \(2 \times 10^{15}\) de modele factoriale
                          • robustă la factori slabi
                        • Kozak, Nagel & Santosh (2020) aplică o contracție coeficienților SDF
                          • cîteva componente principale ale anomaliilor sînt suficiente
                        • Lecția comună: comparați toate modelele cu aceeași măsură și raportați incertitudinea ei

                        Grădina zoologică redusă prin LASSO cu dublă selecție

                        Slide 126 în PDF

                        Feng, Giglio & Xiu (2020) întreabă dacă un factor nou aduce informație dată fiind grădina zoologică de factori (factor zoo) existentă. LASSO (Least Absolute Shrinkage and Selection Operator) este o regresie a cărei penalizare face exact zero coeficienții variabilelor neimportante. În dubla selecție, un prim LASSO alege factorii existenți care explică randamentele medii ale activelor de test, un al doilea pe cei corelați cu factorul nou, iar apoi coeficientul SDF al factorului nou este testat controlînd pentru toți factorii selectați. Majoritatea factorilor noi se dovedesc redundanți, o concluzie compatibilă cu studiul de caz: factor zoo este foarte redundant, iar cîteva teme poartă informația.

                        Pe scurt

                        • Feng, Giglio & Xiu (2020): aduce un factor nou informație suplimentară față de factorii deja cunoscuți?
                        • LASSO cu dublă selecție (Least Absolute Shrinkage and Selection Operator)
                          • LASSO: regresie cu o penalizare care pune exact la zero coeficienții variabilelor neimportante, deci selectează variabilele
                          • Pasul 1: dintre sute de factori existenți, LASSO îi alege pe cei care explică randamentele medii ale activelor de test
                          • Pasul 2: un al doilea LASSO îi alege pe cei corelați cu factorul nou, ca omiterea lor să nu distorsioneze rezultatul
                          • Pasul 3: se testează coeficientul factorului nou în SDF, controlînd pentru toți factorii aleși în pașii 1 și 2
                        • Rezultat: majoritatea factorilor noi sînt redundanți
                        • Doar cîțiva factori noi explică randamente pe care cei vechi nu le explică
                        • Studiul de caz ajunge la o concluzie compatibilă
                          • mulți factori sînt redundanți
                          • informația se concentrează în cîteva teme

                        De ce nu concordă estimatorii numărului de factori

                        Slide 127 în PDF

                        Onatski (2010) consideră un factor real dacă valoarea lui proprie stă clar în afara intervalului în care cad valorile proprii ale zgomotului. Pentru zgomot i.i.d. standardizat, suportul Marchenko–Pastur este aproximativ \([(1-\sqrt{N/T})^2, (1+\sqrt{N/T})^2] = [0{,}86; 1{,}15]\) pentru \(N = 11\), \(T = 2\,073\), iar a doua valoare proprie a sectoarelor, 1,06, cade înăuntru; reperul este doar ilustrativ, pentru că prima valoare proprie este 7,26. Penalizarea Bai–Ng pentru acest panel este 0,219 pe factor, iar \(IC_{p2}(k)\) pentru \(k = 0, \dots, 5\) este 0, −0,86, −0,97, −1,12, −1,14 și −1,17, scăzînd pînă la \(k_{\max} = 5\): penalizarea este prea mică pentru a opri adăugarea factorilor slabi. Trebuie raportate intervalul estimațiilor și sensibilitatea la \(k_{\max}\), nu un singur număr.

                        Pe scurt

                        • Onatski (2010): un factor este real dacă valoarea lui proprie iese clar dintr-un interval
                          • intervalul în care cad valorile proprii ale zgomotului
                        • Pentru zgomot i.i.d. standardizat, suportul spectral asimptotic (Marchenko–Pastur) este aproximativ \([(1-\sqrt{N/T})^2,\,(1+\sqrt{N/T})^2]\): un reper ilustrativ, nu testul Onatski
                          • \(= [0{,}86;\ 1{,}15]\) pentru \(N = 11\), \(T = 2\,073\)
                          • a doua valoare proprie, \(1{,}06\), este în interval
                          • reperul presupune că toate seriile sînt zgomot; aici prima valoare proprie este \(7{,}26\), deci reperul nu clasifică direct a doua componentă
                          • regula Kaiser (\(\ell_k > 1\)) reține două componente, dar nu stabilește dacă a doua este semnificativă
                        • Bai & Ng (2002): cu \(N = 11\), \(T = 2\,073\), penalizarea din \(IC_{p2}\) este \(0{,}219\) pe factor
                        • Pe sectoare, criteriul \(IC_{p2}(k)\) pentru \(k = 0, \dots, 5\)
                          • \(0\); \(-0{,}86\); \(-0{,}97\); \(-1{,}12\); \(-1{,}14\); \(-1{,}17\)
                        • Criteriul scade pînă la maximul permis, \(k_{\max} = 5\)
                          • penalizarea este prea mică pentru a opri adăugarea factorilor slabi
                        • Raportați intervalul estimațiilor și sensibilitatea la \(k_{\max}\), nu un singur număr
                          • Seminarul 3, problema B3

                        PCA cu primă de risc și estimarea primelor în trei etape

                        Slide 128 în PDF

                        PCA cu primă de risc (risk-premium PCA, RP-PCA (Risk-Premium Principal Component Analysis, analiza componentelor principale cu primă de risc)) a lui Lettau & Pelger (2020) ia componentele principale ale matricei \(\frac1T\mathbf{X}^\top\mathbf{X} + \gamma\,\bar{\mathbf{x}}\bar{\mathbf{x}}^\top\), unde \(\mathbf{X}\) conține randamentele în exces, iar \(\bar{\mathbf{x}}\) mediile lor; \(\gamma = -1\) dă PCA pe covarianță, iar \(\gamma > -1\) favorizează și factorii care explică randamentele medii, ceea ce în datele lor dă rapoarte Sharpe mai mari și erori de evaluare mai mici. Estimatorul în trei etape al lui Giglio & Xiu (2021) obține prima unui factor observat cînd modelul omite factori: PCA pe activele de test, o regresie transversală a mediilor pe valorile beta latente și o regresie a factorului observat pe factorii latenți. Ambele păstrează baza statistică a PCA, dar urmăresc randamentele medii, iar IPCA adaugă caracteristicile activelor.

                        Pe scurt

                        • RP-PCA (Risk-Premium Principal Component Analysis, analiza componentelor principale cu primă de risc; Lettau & Pelger (2020))
                          • componentele principale ale matricei \(\frac1T \mathbf{X}^\top\mathbf{X} + \gamma\,\bar{\mathbf{x}}\bar{\mathbf{x}}^\top\)
                          • \(\mathbf{X}\): matricea \(T \times N\) a randamentelor în exces, \(\bar{\mathbf{x}}\): mediile lor, \(\gamma\): ponderea randamentelor medii
                          • \(\gamma = -1\) dă PCA pe covarianță
                          • \(\gamma > -1\) favorizează și factorii care explică randamentele medii
                          • În datele autorilor, metoda găsește factori cu rapoarte Sharpe mai mari și erori de evaluare mai mici decît PCA
                        • Estimatorul în trei etape (Giglio & Xiu (2021))
                          • prima unui factor observat \(g_t\) cînd modelul omite factori
                          • (1) PCA pe randamentele activelor de test
                          • (2) regresia transversală a mediilor pe valorile beta latente
                          • (3) regresia lui \(g_t\) pe factorii latenți
                          • prima lui \(g_t\) se obține din primele factorilor latenți și din coeficienții acestei regresii
                        • Ambele păstrează baza statistică a PCA
                          • dar urmăresc explicarea randamentelor medii, nu doar a varianței
                        • IPCA adaugă în plus caracteristicile activelor

                        IPCA și factorii criptoactivelor

                        Slide 129 în PDF

                        IPCA leagă componentele principale de sortările după caracteristici, cu valori beta variabile în timp și puțini factori. Pentru criptoactive, factorii piață, mărime și momentum evaluează secțiunea transversală a criptomonedelor (Liu, Tsyvinski & Wu, 2022), iar reducerea dimensiunii pe caracteristicile randamentelor criptoactivelor și ale activelor tradiționale este studiată de Pele et al. (2023) și Jheng et al. (2026).

                        Pe scurt

                        Construcția celor 153 de factori

                        Slide 130 în PDF

                        Cei 153 de factori ai studiului de caz sînt 138 din lista lui Hou, Xue & Zhang (2020) plus 15 din literatura mai largă, cu randamente americane din 1926 și pentru majoritatea piețelor dezvoltate din 1986, toate în dolari americani, în exces față de titlurile de stat americane pe termen scurt. În fiecare țară și lună, acțiunile sînt sortate în treimi cu praguri calculate fără micro-caps, ponderate cu capitalizarea winsorizată la percentila 80 a NYSE și deținute o lună, cu cel puțin 5 acțiuni pe fiecare parte și 60 de observații lunare. Cele 13 teme provin din gruparea ierarhică a reziduurilor CAPM cu metoda Ward; cum Ward cere distanțe euclidiene, distanța de corelație este \(\sqrt{2(1-\rho_{ij})}\) pentru serii standardizate.

                        Pe scurt

                        • Date (Secțiunea II a articolului)
                          • 138 din lista alcătuită de Hou, Xue & Zhang (2020) și 15 din alte studii
                          • randamente americane din 1926, majoritatea piețelor dezvoltate din 1986
                          • toate în dolari americani, în exces față de rata titlurilor de stat americane pe termen scurt
                        • Construcția, în fiecare țară și lună
                          • treimi după caracteristică, cu praguri calculate fără firmele foarte mici (microcapitalizări)
                          • ponderi după capitalizarea plafonată la percentila 80 a NYSE
                          • perioada de deținere: o lună
                          • cel puțin 5 acțiuni pe fiecare parte și 60 de observații lunare
                        • Teme: 13 grupe de factori americani (Secțiunea II.B)
                          • grupare ierarhică, cu distanța \(1 - \) corelația reziduurilor CAPM și metoda Ward (unește grupele care cresc cel mai puțin varianța din interiorul grupelor)
                          • Ward cere distanțe euclidiene: pentru serii standardizate, \(d_{ij} = \sqrt{2(1-\rho_{ij})}\); autorii: R ward.D cu \(1-\rho\); în SciPy, ward cu \(\sqrt{2(1-\rho)}\) (echivalentul R: ward.D2)

                        Ierarhia bayesiană a valorilor alfa

                        Slide 131 în PDF

                        În ierarhia lucrării, \(\alpha_i = c_j + s_n + w_i\) pentru tema \(j\), semnalul \(n\) și factorul \(i\), cu varianța a priori \(\boldsymbol\Omega = \mathbf{M}\mathbf{M}^\top\tau_c^2 + \mathbf{Z}\mathbf{Z}^\top\tau_s^2 + \mathbf{I}\tau_w^2\), unde \(\mathbf{M}\) și \(\mathbf{Z}\) sînt matrice 0/1 care leagă fiecare factor de tema și semnalul său. Media a posteriori este \((\boldsymbol\Omega^{-1} + T\boldsymbol\Sigma^{-1})^{-1}T\boldsymbol\Sigma^{-1}\hat{\boldsymbol\alpha}\), cu \(\boldsymbol\Sigma\) covarianța reziduală, iar în versiunea empirical Bayes \(\tau_c\), \(\tau_s\), \(\tau_w\) se estimează prin verosimilitate maximă din \(\hat{\boldsymbol\alpha} \sim N(\mathbf{0}, \boldsymbol\Omega + \hat{\boldsymbol\Sigma}/T)\). (3.30) este cazul particular cu un singur factor.

                        Pe scurt

                        • Ierarhia (Secțiunea I a articolului)
                          • \(\alpha_i = c_j + s_n + w_i\) (tema \(j\), semnalul \(n\), factorul \(i\); ec. 21)
                          • varianța a priori \(\boldsymbol\Omega = \mathbf{M}\mathbf{M}^\top\tau_c^2 + \mathbf{Z}\mathbf{Z}^\top\tau_s^2 + \mathbf{I}\tau_w^2\) (ec. 23)
                          • media a posteriori \((\boldsymbol\Omega^{-1} + T\boldsymbol\Sigma^{-1})^{-1}T\boldsymbol\Sigma^{-1}\hat{\boldsymbol\alpha}\) (Propoziția 4)
                          • \(\mathbf{M}\), \(\mathbf{Z}\): matrice 0/1 care leagă fiecare factor de tema și semnalul lui
                          • \(\tau_c^2, \tau_s^2, \tau_w^2\): varianțele celor trei componente ale lui alfa
                          • \(\boldsymbol\Sigma\): covarianța reziduurilor
                          • estimare Bayes empirică: \(\tau_c, \tau_s, \tau_w\) prin verosimilitate maximă pentru \(\hat{\boldsymbol\alpha} \sim N(\mathbf{0}, \boldsymbol\Omega + \hat{\boldsymbol\Sigma}/T)\) (Secțiunea I.C.2)

                        Rezultatele complete

                        Slide 132 în PDF

                        Cu OLS se replică 98 din cei 119 factori americani, iar corecția Benjamini–Yekutieli cere \(|t| > 2{,}7\). Rata bayesiană a descoperirilor false (false discovery rate, FDR) este 0,1%, cu intervalul de 95% \([0; 1\%]\), iar ponderea așteptată a factorilor adevărați este 94%. Rata de replicare este 77,3% pentru acțiunile mega și 79,8% pentru cele mari, deci rezultatul nu vine doar din firmele cele mai mici, iar 11 din cele 13 teme au o rată de cel puțin 50%, excepțiile fiind îndatorarea redusă și mărimea. Pe 1972–2020, în SUA, raportul Sharpe lunar de tangență este 0,13 pentru piață și 0,80 cu toți factorii.

                        Pe scurt

                        • Cu OLS se replică 98 din 119 factori americani
                        • Corecția Benjamini–Yekutieli cere \(|t| > 2{,}7\) (Figura 4)
                        • FDR bayesian: \(0{,}1\%\), cu intervalul de 95% \([0; 1\%]\)
                        • Ponderea așteptată a factorilor adevărați: \(94\%\) (Secțiunea III.C)
                        • Rata de replicare pentru firmele cu capitalizare foarte mare și mare (Figura 5)
                          • \(77{,}3\%\) și \(79{,}8\%\)
                        • 11 din 13 teme au o rată de cel puțin \(50\%\)
                          • excepțiile sînt îndatorarea redusă și mărimea
                        • Rata mare și la firmele mari arată că rezultatul nu vine doar din firmele foarte mici
                        • Raportul Sharpe (lunar) al portofoliului tangent, SUA 1972–2020 (Figura 14)
                          • piața: \(0{,}13\)
                          • toți factorii: \(0{,}80\)

                        Replicarea din curs în detaliu

                        Slide 133 în PDF

                        În replicarea din curs, Benjamini–Yekutieli dă cea mai mică rată, ca în rezultatele americane ale lucrării. Emisiunile nete de acțiuni (net share issues) sînt atrase spre media temei lor, de la 0,44% la 0,27% pe lună, cu o abatere standard a posteriori de 0,07%–0,10%, sub SE OLS de 0,11%, pentru că fiecare factor împrumută informație de la ceilalți factori ai temei. Dispersiile a priori estimate sînt \(\hat\tau_c = 0{,}28\%\) și \(\hat\tau_w = 0{,}04\%\) pe lună, față de 0,35% și 0,21% în lucrare; cu 15 semnale rămîne puțină dispersie specifică factorilor. Cele 15 semnale cad în 8 din cele 13 teme, 5 în valoare, 3 în risc scăzut și 2 în investiții.

                        Pe scurt

                        • Benjamini–Yekutieli dă cea mai mică rată, ca în rezultatele americane din articol (Figura 1)
                        • Emisiunile nete de acțiuni sînt trase spre media temei lor
                          • de la \(0{,}44\%\) la \(0{,}27\%\) pe lună
                        • Abaterea standard a posteriori este \(0{,}07\%\)–\(0{,}10\%\), sub eroarea standard OLS de \(0{,}11\%\)
                          • fiecare factor împrumută informație de la ceilalți factori ai temei
                        • Dispersia a priori: \(\hat\tau_c = 0{,}28\%\), \(\hat\tau_w = 0{,}04\%\) pe lună
                          • față de \(0{,}35\%\) și \(0{,}21\%\) raportate în Tabelul I al articolului
                          • cu 15 semnale rămîne puțină dispersie specifică factorilor
                        • Teme: cele 15 semnale se încadrează în 8 dintre cele 13 teme ale articolului
                          • 5 în valoare, 3 în risc scăzut, 2 în investiții

                        Limite precizate de autori și extinderi

                        Slide 134 în PDF

                        Autorii precizează trei limite:

                        1. CAPM este singurul model de referință, așa că factorii de îndatorare redusă nu au alfa CAPM semnificativ, dar contribuie în combinație cu celelalte teme;
                        2. Toate caracteristicile sînt construite după aceeași regulă, uneori altfel decît în lucrarea originală;
                        3. Factorii încercați, dar nepublicați ar deplasa distribuția a priori, coborînd rata americană la 81,5% și 79,8% în scenariile lui Harvey, Liu & Zhu (2016).

                        Replicarea din curs poate fi completată la seminar justificînd fiecare semn din lucrarea originală, comparînd dendrograma cu temele lucrării și adăugînd FDR bayesian și panta după eșantion.

                        Pe scurt

                        • Limite precizate de autori
                          • CAPM este singurul model de referință: factorii de îndatorare redusă nu au alfa CAPM semnificativ, dar contribuie cînd sînt combinați cu celelalte teme (Secțiunea III.A)
                          • Toate caracteristicile sînt construite după aceeași regulă, uneori altfel decît în articolul original (Secțiunea II.C)
                          • Factorii încercați, dar nepublicați, ar schimba distribuția a priori: în scenariile lui Harvey, Liu & Zhu (2016), rata pentru SUA scade la \(81{,}5\%\), respectiv \(79{,}8\%\) (Figura 10)
                        • Completarea replicării de curs (Seminarul 3, C3)
                          • justificați semnul fiecărui factor pe baza studiului inițial
                          • comparați dendrograma cu temele articolului
                          • adăugați FDR bayesian și panta după eșantion (Figura 8)
                        • Datele și codul articolului

                        Bucla descoperirii, prompturi reutilizabile (1/2)

                        Slide 135 în PDF

                        Primele prompturi ale buclei descoperirii acoperă literatura despre scăderea după publicare și replicarea anomaliilor, ipotezele concurente (data mining, arbitrajul informat de publicare și riscul variabil în timp) și codul pentru regresia factorului momentum pe variabile dummy pentru perioada de după eșantion și pentru cea de după publicare, cu erori Newey–West. Fiecare DOI returnat se verifică în Crossref, fiecare cifră principală se confruntă cu rezumatul, iar întîi se replică un număr cunoscut: pentru momentum, \(t = 5{,}53\) înainte de 2000 și 0,75 după.

                        Pe scurt

                        • Literatură
                          • Rezumă dovezile din 2016 încoace despre scăderea după publicare și replicarea randamentelor anomaliilor. Pentru fiecare lucrare: DOI, eșantion, numărul de factori, estimația principală, identificarea scăderii. Marchează intrările nesigure.
                          • Verificați fiecare DOI în Crossref
                          • Verificați fiecare cifră principală în rezumat
                        • Ipoteză
                          • Compară căutarea oportunistă în date, arbitrajul bazat pe informația publicată și riscul variabil în timp ca explicații ale scăderii. Pentru fiecare: tiparul prezis între perioadele din eșantion, după eșantion și după publicare, și între acțiunile cu limite mari și cele cu limite mici ale arbitrajului.
                        • Date și cod
                          • Încarcă factorul lunar de momentum din Kenneth French Data Library; din 1965, regresează MOM pe o variabilă dummy după eșantion (1990-01 pînă la 1993-03) și una după publicare (din 1993-04), cu erori Newey-West.
                          • Replicați întîi o cifră cunoscută: momentum \(t = 5{,}53\) înainte de 2000 și \(0{,}75\) după (graficul pe subperioade)

                        Bucla descoperirii, prompturi reutilizabile (2/2)

                        Slide 136 în PDF

                        Prompturile următoare scriu un plan de robustețe preînregistrat, cu o singură dată de publicare pe factor, corecția Holm între factori, excluderea crahului momentum din 2009, data working paper-ului și o perioadă placebo 1927–1962, și cer critica unui referent pentru un rezultat pe un singur factor cu \(t = -1{,}45\) și puterea lui de a detecta o scădere de 58%. Raportul dă media in-sample, ambele variabile dummy cu erori Newey–West, perioada placebo și versiunea datelor; factorii agregați cer erori robuste la corelația dintre factori și la autocorelare. Asistentul AI propune variantele de robustețe, dar cercetătorul alege dinainte care sînt raportate, iar prompturile care au influențat o decizie intră în AI_USE.md.

                        Pe scurt

                        • Robustețe
                          • Scrie un plan de robustețe preînregistrat: cîte o dată de publicare pentru fiecare factor, corecția Holm între factori, excluderea crahului de momentum din 2009, data documentului de lucru în locul datei din revistă și perioada 1927-1962 ca placebo pentru Mkt-RF, SMB, HML și MOM (RMW și CMA încep în iulie 1963).
                        • Critică
                          • Evaluează critic: un factor, o dată de publicare, t = -1,45. Care este puterea de a detecta o scădere de 58%? De ce o schimbă combinarea mai multor anomalii?
                        • Raport
                          • Media în eșantion, ambele variabile dummy cu erori Newey–West, placebo-ul, versiunea datelor (data descărcării)
                          • Factori combinați: erori robuste la corelația dintre factori în aceeași lună și la autocorelație
                          • Prompturile care au influențat o decizie intră în AI_USE.md
                        • Asistentul AI propune variantele de robustețe
                        • Cercetătorul alege dinainte care sînt raportate

                        Verificările cercetătorului

                        Slide 137 în PDF

                        Data evenimentului trebuie citită din lucrarea însăși, pentru că sfîrșitul eșantionului, working paper-ul și numărul revistei sînt date diferite. Lista factorilor se fixează dinainte și se aplică Holm sau BH pe toți, ca niciun factor să nu fie ales după ce i s-a văzut scăderea. Randamentele factorilor sînt autocorelate și expuse crahurilor, ceea ce cere erori Newey–West și o reestimare fără 2009; biblioteca de factori este revizuită retroactiv, așa că se notează data descărcării și se reproduc statisticile \(t\) pe subperioade din capitol. Cu un singur factor, puterea este mică și \(H_0\) este rar respinsă, deci se raportează intervalul de încredere al scăderii, nu doar semnul ei.

                        Pe scurt

                        • Data greșită a evenimentului
                          • data încheierii eșantionului, data difuzării documentului de lucru și data publicării în revistă sînt diferite
                          • test: citiți-le din lucrarea însăși
                        • Alegerea factorului după ce s-a văzut că a scăzut: fixați dinainte lista factorilor
                        • Aplicați Holm sau BH pe toți factorii
                        • Randamente autocorelate, cu crahuri: erori Newey–West
                        • Reestimați fără anul 2009
                        • Versiunile datelor: biblioteca de factori este revizuită retroactiv
                          • test: notați data descărcării
                          • reproduceți statisticile \(t\) pe subperioade din capitol
                        • Putere mică: cu un singur factor, \(H_0\) se respinge rar
                        • Raportați intervalul de încredere al scăderii, nu doar semnul ei

                        Răspunsurile la verificările rapide (1/2)

                        Slide 138 în PDF

                        Primele răspunsuri privesc un beta de 0,90: intervalul clasic, cu multiplicatorul 1,96, este \([0{,}802; 0{,}998]\), cu limita superioară foarte aproape de 1, dar sub 1, în timp ce intervalul Newey–West \([0{,}724; 1{,}076]\) îl conține pe 1, iar eroarea de raportat este Newey–West, pentru că HAC schimbă varianța estimată, nu estimația OLS. Urmează beta Vasicek pentru un beta brut de 1,6 cu SE 0,2 și 0,1 (1,40 și 1,53), comparat cu valoarea Blume de 1,40 indiferent de precizie, și un beta Dimson de 0,80. La verificarea GRS, \(W = 0{,}59 < 2{,}53\) nu este respins, pentru că cîștigul observat de 0,040 este sub cel așteptat de 0,071, în timp ce același decalaj cu \(T = 650\) dă \(W = 6{,}31 > 2{,}39\) și respingerea ipotezei nule.

                        Pe scurt

                        • Beta, eroarea și contracția lui
                          • Clasic: \(0{,}90 \pm 1{,}96 \times 0{,}05 = [0{,}802; 0{,}998]\): limita superioară este foarte aproape de 1, dar sub 1
                          • Newey–West: \(0{,}90 \pm 1{,}96 \times 0{,}09 = [0{,}724; 1{,}076]\), conține 1: nicio dovadă că acțiunea are o sensibilitate la piață mai mică (riscul total include și componenta idiosincratică)
                          • Raportați Newey–West: reziduurile sînt heteroscedastice și autocorelate; HAC schimbă varianța estimată, nu estimația OLS
                          • \(\sigma^2_\beta = 0{,}10 - 0{,}02 = 0{,}08\); SE \(0{,}2\): \(w = 0{,}08/0{,}12 = 0{,}67\), \(\beta^V = 0{,}67 \times 1{,}6 + 0{,}33 \times 1{,}0 = 1{,}40\); SE \(0{,}1\): \(w = 0{,}08/0{,}09 = 0{,}89\), \(\beta^V = 1{,}53\)
                          • Estimația mai zgomotoasă este contractată mai puternic; Blume dă \(0{,}33 + 0{,}67 \times 1{,}6 = 1{,}40\) indiferent de precizie
                          • Beta Dimson: \(0{,}25 + 0{,}55 + 0{,}00 = 0{,}80\); prețul acțiunii încorporează randamentul pieței cu o zi întîrziere, deci panta din aceeași zi pierde partea de \(0{,}25\)
                        • Citirea unei statistici GRS
                          • \(W = \tfrac{60}{4} \times (0{,}25^2 - 0{,}15^2)/(1 + 0{,}15^2) = 15 \times 0{,}040/1{,}0225 = 0{,}59 < 2{,}53\): nerespins
                          • Cîștigul așteptat \(4 \times 1{,}0225/58 = 0{,}071\), peste cel observat, \(0{,}040\): distanța este în limitele zgomotului
                          • \(T = 650\): \(W = \tfrac{645}{4} \times 0{,}0391 = 6{,}31 > 2{,}39\): respins; distanța este aceeași, dovezile cresc cu \(T\)

                        Răspunsurile la verificările rapide (2/2)

                        Slide 139 în PDF

                        Răspunsurile despre prime dau o SE Fama–MacBeth de 0,15% și \(t = 3{,}33\), iar corecția Shanken crește SE la 0,166% și reduce \(t\) la 3,02, în timp ce pentru un factor tranzacționat corecția este neglijabilă (\(c = 0{,}012\)); un \(R^2\) transversal de −3 apare cînd interceptul este fixat, pentru că, cu intercept liber, OLS poate doar să micșoreze suma pătratelor erorilor. Pentru cele cinci p-value-uri, regula naivă găsește 4 descoperiri, Bonferroni 1, Holm 2, BH 4 și Benjamini–Yekutieli 1; probabilitatea a cel puțin unei respingeri false în cinci teste independente la 5% este \(1 - 0{,}95^5 = 0{,}23\). O căutare printre candidați cere BH, care controlează rata descoperirilor false, iar afirmația că niciun factor nu este fals cere Holm sau Bonferroni, care controlează probabilitatea a cel puțin unei erori în familia de teste (family-wise error rate, FWER).

                        Pe scurt

                        • Prime, Shanken și un \(R^2\) negativ
                          • \(\operatorname{se}_{FM} = 3\%/\sqrt{400} = 0{,}15\%\), \(t = 3{,}33\)
                          • \(c = 0{,}5^2/1^2 = 0{,}25\); \(\operatorname{Var}_{\text{Sh}} = 1{,}25 \times (0{,}0225 - 0{,}0025) + 0{,}0025 = 0{,}0275\), SE \(0{,}166\%\), \(t = 3{,}02\): doar puțin peste 3
                          • Factor tranzacționat: \(c = 0{,}25/4{,}5^2 = 0{,}012\), deci corecția este neglijabilă
                          • Media \(4\%\): SST \(= 4 + 0 + 4 = 8\), SSE \(= 16 + 0 + 16 = 32\), \(R^2 = 1 - 32/8 = -3\); cu termen liber, pantele zero dau deja SSE \(=\) SST, iar OLS poate doar să micșoreze SSE
                        • Numărarea descoperirilor
                          • Naiv 4; Bonferroni (\(0{,}01\)) 1; Holm: \(0{,}004 \le 0{,}01\), \(0{,}012 \le 0{,}0125\), \(0{,}020 > 0{,}0167\) oprire: 2; pragurile BH \(0{,}01j\): \(0{,}030 \le 0{,}040\) este ultima respingere: 4
                          • BY: suma este \(2{,}283\), pragurile \(0{,}0044j\): trece doar \(0{,}004\): 1
                          • \(1 - 0{,}95^5 = 0{,}23\)
                          • O căutare printre candidați: BH (FDR)
                          • Holm sau Bonferroni (FWER) limitează la 5% probabilitatea a cel puțin unei respingeri false

                        Pentru aprofundare: cursuri și cod

                        Slide 140 în PDF

                        Cursurile avansate Quantinar despre metoda generalizată a momentelor și despre analiza statistică multivariată extind materialul despre GMM și PCA din capitol. Toate graficele și tabelele sînt reproduse de Quantlet-urile Capitolului 3, iar datele factorilor provin din Kenneth French Data Library.

                        Acronime

                        Acronime folosite în acest material (1/4)

                        Slide 147 în PDF
                        • AI: Artificial Intelligence — inteligență artificială
                        • AMEX: American Stock Exchange — Bursa Americană de Valori
                        • APT: Arbitrage Pricing Theory — teoria evaluării prin arbitraj
                        • BAB: Betting Against Beta — strategia „pariu împotriva lui beta”
                        • BET: Bucharest Exchange Trading (index) — indicele de referință al Bursei de Valori București
                        • BET-TR: BET Total Return (index) — indicele BET cu dividendele reinvestite
                        • B/M: Book-to-Market — raportul dintre valoarea contabilă și valoarea de piață
                        • BH: Benjamini–Hochberg (procedure) — procedura Benjamini–Hochberg
                        • BM: Book-to-Market (B/M quintile in the size–value chart) — chintila raportului B/M din graficul mărime–valoare
                        • BVB: Bursa de Valori București
                        • BY: Benjamini–Yekutieli (procedure) — procedura Benjamini–Yekutieli
                        • CAGR: Compound Annual Growth Rate — rata anuală compusă de creștere
                        • CAPM: Capital Asset Pricing Model — modelul de evaluare a activelor financiare
                        • CI: Confidence Interval — interval de încredere

                        Acronime folosite în acest material (2/4)

                        Slide 148 în PDF
                        • CMA: Conservative Minus Aggressive (investment factor) — factorul investiții: firme conservatoare minus agresive
                        • CML: Capital Market Line — dreapta pieței de capital
                        • DOI: Digital Object Identifier — identificator digital de obiect
                        • ETF: Exchange-Traded Fund — fond tranzacționat la bursă
                        • FDR: False Discovery Rate — rata descoperirilor false
                        • FF3: Fama–French three-factor model — modelul Fama–French cu trei factori
                        • FF5: Fama–French five-factor model — modelul Fama–French cu cinci factori
                        • FWER: Family-Wise Error Rate — probabilitatea de cel puțin o eroare de tip I în familia de teste
                        • GICS: Global Industry Classification Standard — standardul global de clasificare a industriilor
                        • GLS: Generalised Least Squares — metoda celor mai mici pătrate generalizate
                        • GMM: Generalized Method of Moments — metoda generalizată a momentelor
                        • GRS: Gibbons–Ross–Shanken (test) — testul Gibbons–Ross–Shanken
                        • HAC: Heteroskedasticity and Autocorrelation Consistent (standard errors) — erori standard robuste la heteroscedasticitate și autocorelație
                        • HML: High Minus Low (value factor) — factorul valoare: B/M mare minus mic

                        Acronime folosite în acest material (3/4)

                        Slide 149 în PDF
                        • IPCA: Instrumented Principal Component Analysis — analiza instrumentată a componentelor principale
                        • LASSO: Least Absolute Shrinkage and Selection Operator — regresie penalizată L1 cu selecția variabilelor
                        • ME: Market Equity (market capitalisation) — capitalizarea bursieră
                        • MOM: Momentum (factor) — factorul momentum
                        • NASDAQ: National Association of Securities Dealers Automated Quotations — bursa americană NASDAQ (cotații automate ale Asociației Naționale a Dealerilor de Valori Mobiliare)
                        • NYSE: New York Stock Exchange — Bursa din New York
                        • OLS: Ordinary Least Squares — metoda celor mai mici pătrate
                        • OMV: Österreichische Mineralölverwaltung — Administrația Austriacă a Petrolului (grupul OMV)
                        • PC1: first Principal Component — prima componentă principală
                        • PC2: second Principal Component — a doua componentă principală
                        • PC3: third Principal Component — a treia componentă principală
                        • PCA: Principal Component Analysis — analiza componentelor principale
                        • PRDS: Positive Regression Dependence on a Subset (of p-values) — dependența pozitivă de regresie pe o submulțime (a valorilor p)

                        Acronime folosite în acest material (4/4)

                        Slide 150 în PDF
                        • RF: Risk-Free rate — rata fără risc
                        • RMSE: Root Mean Squared Error — rădăcina erorii pătratice medii
                        • RMW: Robust Minus Weak (profitability factor) — factorul profitabilitate: firme robuste minus slabe
                        • ROE: Return On Equity — rentabilitatea capitalului propriu
                        • RP-PCA: Risk-Premium Principal Component Analysis — analiza componentelor principale cu primă de risc
                        • SDF: Stochastic Discount Factor — factorul stocastic de actualizare
                        • SE: Standard Error — eroarea standard
                        • SMB: Small Minus Big (size factor) — factorul mărime: firme mici minus mari
                        • SML: Security Market Line — dreapta pieței titlurilor
                        • SPDR: Standard & Poor’s Depositary Receipts — certificate de depozit Standard & Poor’s (familia de ETF-uri SPDR)
                        • SSE: Sum of Squared Errors — suma pătratelor erorilor
                        • SST: Total Sum of Squares — suma totală a pătratelor abaterilor de la medie
                        • TSFM: Time-Series Factor Momentum — momentum-ul factorilor în serie de timp
                        • SUA: Statele Unite ale Americii
                        • UMD: Up Minus Down (momentum factor) — factorul momentum: cîștigători minus perdanți

                        ETF-uri din SUA: prețuri EODHD ajustate pentru dividende; randamentele în exces folosesc rata fără risc din Kenneth French Data Library. Factorii Fama–French, momentum, reversal și cele 25 de portofolii mărime × B/M: Kenneth French Data Library. Beta Dimson: date simulate.

                        Bibliografie