Quizá no sea exactamente lo que busca, pero puede echar un vistazo a este trabajo de Kozak, Nagel y Santosh . A grandes rasgos, sabemos que las condiciones de primer orden de los arbitrajistas deben satisfacerse, es decir, la siguiente ecuación de Euler debe cumplirse para cualquier rendimiento bruto $R_{t+1}^i$ $$1 = \widetilde{E}_t[M_{t+1}R^i_{t+1}] = \sum_{\omega\in\Omega} \widetilde{\pi}(\omega)M_{t+1}(\omega)R^i_{t+1}(\omega)$$ donde $M_{t+1}$ es el factor de descuento estocástico y $\widetilde{\pi}(\omega)$ son probabilidades subjetivas que no tienen por qué coincidir con las probabilidades "verdaderas" $\pi(\omega)$ . Siempre podemos reescribir la ecuación anterior en términos de probabilidades "verdaderas": $$1 = \sum_{\omega\in\Omega} \pi(\omega)\frac{\widetilde{\pi}(\omega)}{\pi(\omega)}M_{t+1}(\omega)R^i_{t+1}(\omega) = E_t\left[\frac{\widetilde{\pi}}{\pi}M_{t+1}R^i_{t+1}\right]$$ Esto equivale a un modelo con un factor de descuento estocástico $\widetilde{M}_{t+1} = \frac{\widetilde{\pi}}{\pi}M_{t+1}$ . Esto implica a su vez que $$E_t[R^i_{t+1} - R_f] \propto -Cov_t\left(\frac{\widetilde{\pi}}{\pi}M_{t+1}, R^i_{t+1}\right) $$$$ = -E_t\left[\frac{\widetilde{\pi}}{\pi}\right]\underbrace{Cov_t\left(M_{t+1}, R^i_{t+1}\right)}_{Fundamental Risk Premium} -E_t\left[M_{t+1}\right]\underbrace{Cov_t\left(\frac{\widetilde{\pi}}{\pi}, R^i_{t+1}\right)}_{Sentiment Risk Premium} - E_t\left[(M_{t+1}-R_f^{-1})\left(\frac{\widetilde{\pi}}{\pi}-E\left[\frac{\widetilde{\pi}}{\pi}\right]\right)(R^i_{t+1}-E[R^i_{t+1}])\right]$$
El documento también muestra que el límite de Hansen-Jagannathan nos dice que el máximo ratio de Sharpe al cuadrado es aproximadamente igual a: $$\max_i \left(\frac{E_t[R_{t+1}^i]-R_f}{\sigma_{it}}\right)^2 \approx Var_t\left(\widetilde{M}_{t+1}\right)= Var_t\left(\frac{\widetilde{\pi}}{\pi}M_{t+1}\right)$$ Para evitar las "oportunidades de cuasi-arbitraje" (es decir, ratios de Sharpe demasiado elevados) debemos exigir $Var_t\left(\frac{\widetilde{\pi}}{\pi}M_{t+1}\right)$ sea relativamente baja (por ejemplo, entre $0.5^2$ y $1.5^2$ en términos anuales). El principal resultado de Kozak et al. es mostrar que una baja varianza implica una fuerte estructura factorial en los rendimientos. Esto, a su vez, no nos dice nada respecto a las fuentes de las primas, es decir, si provienen de los fundamentos o de creencias erróneas.
Kozak et al. utilizan los sesgos de previsión de los analistas como $\frac{\widetilde{\pi}}{\pi}$ y muestran que se alinean con los componentes principales de los rendimientos de las acciones, lo que implica que representan una parte importante en la determinación de las primas de riesgo.
