6 votos

¿Por qué puedo utilizar modelos de equilibrio de precios de activos para predecir rendimientos futuros?

Se trata de una pregunta general que se aplica al CAPM y a cualquier versión del APT (por ejemplo, el modelo de tres factores de Fama & French). Hablando en términos del APT:

Suponiendo una versión simple de un índice del APT que tengo:

\begin{equation} R_i = \alpha_i + \beta_{1,i}f_1 + \epsilon_i, \end{equation}

donde, para cada activo $i$ , $R$ indica la devolución, $\alpha$ denota una constante, $\beta_1$ denota la carga del factor en el factor $f_1$ y $\epsilon$ denota el error idiosincrático. Es bien conocido y fácil de probar que esto implica:

\begin{equation} E(R_i) = r_f + \beta_{1,i}\lambda_1, \end{equation}

donde $\lambda_i$ denota la prima de riesgo asociada al factor correspondiente.

Ahora bien, esto establece claramente que puedo predecir el valor esperado de la rentabilidad de un activo transversalmente, es decir, en el mismo periodo de mi factor, así como la realización de la carga del factor. No hay subíndice $t$ ¡! No obstante, modelos como el APT se utilizan habitualmente para predecir los rendimientos de los periodos siguientes, es decir:

\begin{equation} E(R_{i,t+1}) = r_{f,t} + \beta_{1,i,t}\lambda_{1,t}. \end{equation}

Mi pregunta: ¿Por qué puedo predecir rendimientos en $t+1$ con el modelo - el APT original sí se relaciona con la expectativa dentro de una sección transversal ? Pasar de la fórmula 2 a la fórmula 3 implica necesariamente suponer que las cargas factoriales son constantes en todos los factores. $t$ a $t+1$ . En mi opinión, no es una suposición razonable.

La única explicación que se me ocurre:

Normalmente el $\beta_{1,i}$ se estima mediante regresiones de series temporales. Si nos atenemos a la fórmula 2, esto implica necesariamente que utilizo $R_{i,t}$ al estimar $\beta_{1,i}$ y al estimar $\lambda_i$ . Dicho de otro modo, mi variable LHS en el paso uno es implícitamente parte de mi variable RHS en el paso dos (ya que se estima en base a ella) - eso tiene un sentido limitado, probablemente. Cuando utilizo la relación de rentabilidad futura esperada en la tercera fórmula, sólo utilizo $R_{i,t}$ al estimar $\beta_{1,i}$ . e es más limpio.

EDITAR: Para añadir a mi punto: Considere la Cochrane 2011 JF Dirección presidencial. En la página 1059 menciona el modelo FF, que relaciona los rendimientos esperados en $t$ a factores en $t$ . En la página 1062 continúa diciendo " En términos más generales, regresiones de previsión de "series temporales", regresiones "transversales", y los rendimientos medios de las carteras son en realidad la misma cosa. Todo lo que es comprender una gran regresión de previsión de datos de panel,

\begin{equation} R^{ei}_{t+1}=a+b'C_{it}+\epsilon^i_{t+1}. \end{equation}

Esto es exactamente lo que me resulta confuso: ¿Cómo es que la regresión transversal que formula explícitamente antes, es la misma que esta regresión de predicción? Una cosa es hablar de rendimientos esperados en $t$ como hace la teoría de la variación transversal, y otra cosa es hablar de rendimientos esperados en $t+1$ .

4voto

RealityGone Puntos 163

Respuesta corta: Sí y no.

Respuesta larga: Sí, como usted señala correctamente con la referencia Cochrane, se puede utilizar un modelo de factores para predecir la rentabilidad del mercado de valores. La calidad de la predicción dependerá de lo bien que se estimen las medias/varianzas y las covarianzas. Vamos a proceder por pasos, y permítanme trabajar como el CAPM como el modelo de factores, pero todo lo que sigue se puede extender a un modelo de factores:

  1. El CAPM condicional implica: $$ E_t[r_{i}] - r_f = \beta_{i,t} E_t[r_m - r_f] $$

  2. Las covarianzas y en consecuencia las betas suelen ser estables en horizontes cortos por lo que puedo escribir: $$ E_t[r_{i}] - r_f = \beta_{i} E_t[r_m - r_f] $$

  3. La ecuación anterior es válida para un periodo futuro: $$ E_{t+1}[r_{i}] - r_f = \beta_{i} E_{t+1}[r_m - r_f] $$

Por tanto, si quiere predecir la rentabilidad bursátil de cualquier activo (suponiendo por ahora que las covarianzas son estables), sólo necesita predecir la rentabilidad bursátil. Ahora es cuando las cosas se complican.

Las dos mejores referencias para entender esto son:

  1. Cochrane (2008) - El perro que no ladró
  2. Goyal y Welch (2007)

El primero le explica qué entienden los economistas por previsibilidad de la prima de riesgo. Básicamente implica que alguna variable (o variable de estado) predice la prima de la renta variable. Cochrane argumenta que, matemáticamente, el crecimiento de los dividendos o los rendimientos deben ser predecibles. Demuestra que esto último es cierto. Eche un vistazo a la tabla (1):

enter image description here

La relación dividendo-precio predice la prima de emisión. Cuando D/P es alto, los rendimientos son altos. Pero se trata de estimaciones muestrales de baja frecuencia.

La segunda referencia (Goyal), muestra que la prima de la renta variable es predecible dentro de la muestra pero no fuera de ella. Por lo tanto, no se puede comerciar con esta previsibilidad, lo que básicamente implica que no se puede prever la rentabilidad ex-post (con una frecuencia mensual). Ex-ante sabemos que la prima de la renta variable se mueve con algunas variables de estado de la economía (es decir, los rendimientos esperados son altos en las recesiones), pero en la práctica esto no se puede explotar económicamente.

¿Se puede predecir la rentabilidad de una acción a largo plazo? Sí, si su beta es estable. ¿Puede predecirlo el mes que viene? No, porque no se puede predecir la prima de riesgo del mercado.

Permítanme extenderme un poco sobre la previsibilidad de la prima de riesgo del mercado frente a la previsibilidad de las varianzas/covarianzas (o betas):

Consideremos el mercado bursátil estadounidense total entre 1928-2022:

  1. $T_{years} = 95$ ;
  2. Excedente medio de rentabilidad de las acciones sobre $r_f$ : $\bar{r}_{annual} = 0.082$
  3. Con una desviación típica de rentabilidad de: $\sigma_{annual} = 0.197$

¿Cuál es el intervalo de confianza para la media (que puede variar con el tiempo) y la desviación típica?

  1. Error SE para la media: $2.02\%$
  2. Error típico de la volatilidad $\approx 1.43\%$ (asumiendo normalidad)

Así que intervalo de confianza para la media: $8.2\% \pm 1.96 \times 2.02\% = [4.23\% - 12.16\%]$

E intervalo de confianza para la volatilidad: $[0.17 \text{ to } 0.22]$

Por tanto, las medias son mucho más difíciles de estimar que las volatilidades. Y ese es el problema: ¡cómo prever la rentabilidad media del mercado!

Finanhelp.com

FinanHelp es una comunidad para personas con conocimientos de economía y finanzas, o quiere aprender. Puedes hacer tus propias preguntas o resolver las de los demás.

Powered by:

X