John Cochrane escribió un artículo bastante bueno titulado "Nuevos Hechos en Finanzas" en 1999 que resumió algunos de los avances en finanzas durante los últimos 15 años en ese entonces. Uno de los cuales trata sobre EMH y caminatas aleatorias.
Las caminatas aleatorias = los rendimientos no son predecibles. Por lo tanto, la expectativa de retorno en el momento t+1 en el momento t es simplemente el retorno en el momento t. El problema con las caminatas aleatorias es doble. Las suposiciones para CA son que requiere inversores racionales, lo que significa que no debería haber oportunidades de lucro inexplotables. Si ese es el caso, entonces los inversores no deberían desperdiciar dinero en análisis fundamental. Además, el modelo de CA es demasiado restrictivo. Hay evidencia de agrupación de volatilidad usando datos reales y los residuos no son iid.
Sin embargo, la nueva perspectiva (en 1999) es que los rendimientos a largo plazo son predecibles y se construyen con el horizonte. Los rendimientos diarios o de mes a mes son impredecibles, los rendimientos anuales pueden ser ligeramente predecibles pero los rendimientos de 5-10 años son bastante predecibles. Esto nos lleva al modelo de martingala propuesto por Paul Samuelson, que es la base de la eficiencia del mercado y resuelve los problemas asociados con la RW. Específicamente, el CA tal como lo implica la martingala requiere la especificación de un conjunto de información para el cual la expectativa de retorno es condicional. Por eso existen 3 formas de CA: débil, semi fuerte y fuerte.
Entonces, para responder a tu pregunta sobre la distinción entre la RW y la CA:
- El modelo de RW restringe todos los momentos condicionales de r_t+1 pero un modelo de martingala solo restringe el primer momento (es decir, los rendimientos esperados condicionales).
- El modelo de martingala es consistente con mercado alcista y bajista pero no el modelo de RW.
- El modelo de martingala es equivalente al Modelo de Valor Presente, el modelo de RW no lo es.
Variables predictoras
Tienes razón en que el libro/valor de mercado o los rendimientos de dividendos se han utilizado para predecir. Schiller (1981) y LeRoy y Porter (1981) usaron el rendimiento de dividendos como ejemplo. Hay pruebas de que la previsibilidad de los rendimientos utilizando variables persistentes se construye con el horizonte.
Los rendimientos están autocorrelacionados.
Para tu última pregunta, se han realizado varios experimentos para probar la autocorrelación. Supongamos que encontramos autocorrelación, ¿es eso un problema para el modelo de martingala (y la CA para la cual se implica)? Si los rendimientos están autocorrelacionados, entonces siempre que los rendimientos pasados estén en el conjunto de información, los rendimientos esperados condicionales ya no son constantes. Por lo tanto, encontrar autocorrelación en los rendimientos pasados es un problema para el modelo de martingala. Una autocorrelación cero no significa que haya una martingala, pero una autocorrelación distinta de cero significa que definitivamente no hay una martingala. Pero tienes razón en el sentido de que va en contra de la CA. Pero recuerda, como estamos usando el modelo de martingala para la CA, sufrimos un problema de hipótesis conjunta que no se puede resolver. No estamos seguros de si nuestra hipótesis nula está correctamente especificada. Tampoco estamos seguros de si el conjunto de información de la martingala está correctamente especificado. Esto nos llevará a la prueba de límite de varianza de Robert Shiller (1981), que intenta resolver el problema.
En conclusión, la realidad se encuentra en algún punto intermedio. Los datos y las variables predictoras mostraron que el modelo de martingala solo proporciona un marco. La RW es demasiado restrictiva y está desaprobada.
