Fama-French carteras largo-corto. ¿Es corto realmente necesario?

Question

Soy estudiante aquí que acaba de tocar los portafolios de Fama-French. Leí en ciertos artículos que, aunque los portafolios de Fama-French son extremadamente populares para explicar los rendimientos, en la vida real, es bastante impráctico hacer cortos debido a los costos de transacción, etc. Por lo tanto, no hay gerentes que estén ofreciendo portafolios fama francés como un producto de inversión.

Mi conocimiento estadístico no es muy fuerte, temo. Pero me pregunto por qué los estudios de portafolios de Fama-French requieren posiciones largas y cortas (o lo llaman portafolio de cero dólares).

O algunos libros que he leído dicen que para probar un posible factor, por ejemplo un factor ESG, también podemos tomar los rendimientos de las acciones del decil más alto con baja emisión de carbono menos los rendimientos de las acciones del decil más bajo con altas emisiones de carbono para crear el portafolio del factor.

¿Cuál sería la implicación si solo hago un portafolio largo sin hacer ningún corto? Por ejemplo, si tomo posiciones largas en todas las empresas de pequeña capitalización y no hago cortos en empresas de gran capitalización. ¿Tendría alguna repercusión en mi investigación sobre factores?

Por favor, avíseme si mi pregunta no tiene sentido. Pero me pregunto por qué todos los estudios de portafolios de factores tienen un requisito de posiciones cortas.

Answer 1

La metodología estándar para una sola "variable" (como el precio a valor contable) es la siguiente: 1. Ordenar las acciones en la sección transversal en un punto específico en el tiempo por esa variable. 2. Comparar los rendimientos posteriores de las acciones que tienen un alto valor de la variable, con los rendimientos de las acciones que tienen un bajo valor de la variable. Para hacer esta comparación, tomarías la diferencia entre los rendimientos de las acciones de alto valor de variable y los rendimientos de las acciones de bajo valor de variable. Esto, a su vez, corresponde naturalmente a estar largo en una cartera de acciones (alto valor de variable) y corto en otra cartera (bajo valor de variable).

Estadísticamente, si hay una relación monótona entre la variable y los rendimientos posteriores de las acciones, la diferencia en los rendimientos será mayor si se observan carteras largas/cortas, y por lo tanto la potencia de tus pruebas aumenta. (Es decir, la relación entre la variable y el rendimiento es más fácil de detectar).

Dicho esto, como inversor, querrás analizar en qué medida las posiciones largas y cortas han contribuido al rendimiento total. Por ejemplo, si descubres que la cartera corta fue responsable de una parte sustancial del rendimiento total, entonces no implementarla haría que la estrategia fuera menos atractiva. (Pero por supuesto, no tiene que ser una posición corta real. Como señaló en comentarios nbbo2, podría ser un peso activ@o negativo en relación a un benchmark).

Kenneth French publica varios conjuntos de datos que muestran los rendimientos de las carteras originales ordenadas, es decir, no solo los rendimientos agregados largos-cortos. Por ejemplo, el momentum (es decir, la variable en la que ordenas es el rendimiento de 1 año). La figura a continuación muestra los rendimientos totales de 10 carteras de momentum desde 1970, siendo 10 la cartera de alto momentum y 1 la cartera de bajo momentum (cuanto más claro sea el gris, mayor es el momentum). En azul, he añadido el rendimiento del mercado.

library("NMOF")
library("zoo")
library("PMwR")

P <- French(dest.dir = tempdir(),
            dataset = "10_Portfolios_Prior_12_2_CSV.zip",
            weighting = "value",
            price.series = TRUE, na.rm = TRUE)

P <- window(zoo(P, as.Date(row.names(P))),
            start = as.Date("1969-12-31"))

M <- French(tempdir(), dataset = "market",
            price.series = TRUE, na.rm = TRUE)

M <- window(zoo(M, as.Date(row.names(M))),
            start = as.Date("1969-12-31"))

greys <- grey(seq(.1, .6, length.out = ncol(P)))
par(las = 1, mar = c(3,5,1,2))
plot(P <- scale1(P, level = 100),
     plot.type = "single", log = "y",
     xlab = "", ylab = "Performance",
     col = greys)
lines(scale1(M, level = 100), col = "blue", lwd = 2)

par(xpd=TRUE)
text(x = max(index(M)), y = c(coredata(tail(P, 1))),
     labels = 1:10, pos = 4, col = greys)
par(xpd=FALSE)

Como puedes ver, la cartera de alto momentum supera al mercado, mientras que la cartera de bajo momentum tiene un desempeño inferior. El número de "retorno de momentum" en el encabezado agrega ambas fuentes de rendimiento superior.