Essays concerning high-dimension asset pricing: time-variability, the SDF model error and factors returns’ alphas

Orientador(a): Nathalie Gimenes

Co-orientador(a): Marcelo Medeiros

Esta tese é composta por dois ensaios sobre precificação de ativos baseada em fatores em alta dimensão, trazendo uma aplicação ao mercado de ações dos Estados Unidos. Iniciamos introduzindo uma estrutura que comporta viariabilidade temporal para selecionar fatores de precificação relevantes, ativamente evitando viéses, e avalia a eficácia das técnicas aplicadas para redução de dimensionalidade. Em seguida, apresentamos as principais descobertas dos artigos que constituem esta tese. O primeiro artigo parte do erro do modelo de Fator de Desconto Estocástico para identificar os fatores de precificação mais relevantes, empregando técnicas de regressão específicas para induzir esparsidade. Como os modelos tradicionais de precificação de ativos baseados em fatores assumem arbitrariamente altos níveis de esparsidade, propomos um critério alternativo para determinar o parâmetro de penalização na regressão, a fim de garantir uma escassez de fatores semelhante para um modelo de alta dimensão. Nossos resultados demonstram que até mesmo regressões simples podem proporcionar boa previsibilidade - e a esparsidade na seleção de fatores é desejável. No segundo artigo, utilizamos técnicas de encolhimento em regressões que "spanam" retornos de anomalias de precificação para identificar fatores estatisticamente significativos. Esta estrutura enfatiza a esparsidade, propondo métodos para selecionar um número limitado de fatores relevantes. Esta abordagem supera os  enchmarks e corroborou com a ideia de esparcidade na seleção de anomalias de precificação. No final, comparamos os resultados das metodologias dos dois artigos, destacando os aspectos qualitativos da seleção de fatores.