Reducción del sesgo de los estimadores de modelos lineales de valoración de activos con factores omitidos

Abstract

Numerosos trabajos académicos en la literatura de valoración de activos muestran que las fluctuaciones de los retornos son causadas por muchos factores, habiéndose re- portado hasta la fecha alrededor de 202 factores de riesgo (Harvey, Liu, y Zhu, 2016). Para fines prácticos, muchos profesionales consideran únicamente algunos factores para la toma de decisiones, como el mercado, el valor y el momentum, entre otros. En los modelos lineales de valoración de activos, los estimadores de las primas de riesgo están sesgados por la omisión de factores en el análisis. Este problema fue abordado primero por Fama y MacBeth, quienes propusieron su famoso método de regresión de dos pasos para estimar la prima de riesgo (Fama-MacBeth regression). Sin embargo, este enfoque también puede inducir sesgos potenciales debido a los factores omitidos y posibles errores de medición. Con el fin de mejorar el problema de la omisión de factores en los modelos lineales de valoración de activos, este trabajo estudia e implementa una nueva metodología llamada método de tres pasos, introducida por Giglio y Xiu en 2021 (Giglio y Xiu, 2021). En este estudio, primero presentamos la regresión de Fama-MacBeth, analizamos las propiedades estadísticas de los estimadores y demostramos cómo esta regresión de dos pasos aún puede presentar sesgos de omisión. Luego, estudiamos las propiedades estadísticas del método de tres pasos propuesto por Giglio y Xiu (Giglio y Xiu, 2021). Finalmente, aplicamos esta nueva metodología a un conjunto de datos reales para comparar los métodos.

Numerous academic works in asset pricing literature show that return fluctuations are caused by many factors, with approximately 202 risk factors reported to date (Harvey y cols., 2016). For practical purposes, many professionals consider only some factors for decision-making, such as market, value, and momentum, among others. In linear asset pricing models, risk premium estimators are biased due to the omission of factors in the analysis. This issue was first addressed by Fama and MacBeth, who proposed their famous two-step regression method to estimate the risk premium (Fama-MacBeth regression). However, this approach may also induce potential biases due to omitted factors and possible measurement errors. In order to improve the problem of omitted factors in linear asset pricing models, this work studies and develops a new methodology called the three-step method, introduced by Giglio and Xiu in 2021 (Giglio y Xiu, 2021). In this study, we first present the Fama- MacBeth regression, analyze the statistical properties of the estimators, and demonstrate how this two-step regression can still present omission biases. Then, we study the statistical properties of the three-step method proposed by Giglio and Xiu (Giglio y Xiu, 2021). Finally, we apply this new methodology to a real dataset to compare the methods.