Mi pregunta es sencilla: ¿cuál es la mejor práctica para trasladar las variables conocidas al LHS de la regresión del Modelo de Factores Fundamentales?
Estoy viendo diferentes enfoques. $R_{it}=\alpha_i + \beta_{i,1} f_{1,t}+ \beta_{i,2}f_{2,t}+ \dots + \beta_{i,k}f_{k,t} + \epsilon_{i,t} \quad \forall i = 1, \dots, N$
Donde $R_{it}$ son los rendimientos brutos de las acciones y $\beta_{i,1}$ son las primas de los factores. las cargas de los factores están normalizadas.
Ahora, la constante $\alpha_i$ en esta regresión debería capturar el tipo libre de riesgo y la prima de mercado (o los rendimientos del mercado) y con eso en mente muchos profesionales (la mayoría) lo deducen para que esto lo ejecuten como una regresión para determinar transversalmente el tamaño de las primas:
$ER_{it}=\alpha_i + \beta_{i,1} f_{1,t}+ \beta_{i,2}f_{2,t}+ \dots + \beta_{i,k}f_{k,t} + \epsilon_{i,t} \quad \forall i = 1, \dots, N$
donde: $ER_{it}= R_{it} - Rf_{it}$
Para mí eso tiene sentido, ahora bien, ¿por qué no quedarse ahí? ¿por qué no deducir también el exceso de rentabilidad media del mercado? (que veo que muchos menos practicantes lo hacen)
Y a grandes rasgos, cuáles son las implicaciones de dejar que las variables conocidas se capturen como "constantes". Esto me preocupa especialmente en un contexto con muchas variables ficticias que hay que neutralizar por sector, país, etc.
Gracias
