Introduzione

• Il CAPM funziona? Inizialmente sembrava di sı̀, ma

studi successivi hanno fatto nascere qualche dubbio
...

• ... Esistono alcune “anomalie”: variabili diverse dal

β che spiegano le differenze fra i premi per il rischio
di titoli diversi

• Queste critiche sono alla base dello sviluppo dell’Arbi-

trage Pricing Theory (APT) da parte di Ross (1976)

• Nell’APT il rischio sistematico di un titolo è determi-

nato dalla sua esposizione a una pluralità di fonti di
rischio ...

• ... Ma non si tratta di un’estensione del CAPM:

CAPM e APT si basano su ipotesi diverse

123
Modelli lineari a fattori (MLF)
• Un MLF stabilisce che zi è determinato da:
– Alcune variabili, chiamate fattori, f , che influen-
zano gli extrarendimenti di molti titoli
– Una componente specifica ²i

• In termini vettoriali:
z = α + B f + ²
(I×1) (I×1) (I×K) (K×1) (I×1)

con:
E(²) = 0, Var(²) = Ω, Cov(², f ) = 0

• Definiamo:
E(f ) = µf Var(f ) = Σf

• Un MLF non impone alcun vincolo sulla distribuzione

di z :
– E(f ) = 0 ⇒ µ = α + Bµf
– ² e f sono incorrelati per costruzione:
∗ ² è il vettore delle componenti specifiche a cia-
scun extrarendimento
∗ f è il vettore quello delle componenti comuni a
molti titoli

• Un MLF è un modello di regressione lineare multiva-

riata di z sulla costante e f : i MQO equazione per
equazione sono efficienti
124
• Per il titolo i-esimo:
K
X
zi = α i + bik fk + ²i
k=1

• bik (l’elemento (i, k) di B) misura l’effetto di fk su zi:

è chiamato beta fattoriale o factor loading

• Se vale un MLF per tutti i titoli, vale anche per un

portafoglio di composizione w:
zp = αp + b0p f + ²p
dove zp = w 0 z , αp = w 0 α, b0p = w 0 B e ²p = w 0 ²

• L’APT non identifica i fattori f ; infatti, se H è (K ×

K) invertibile, e definiamo g = Hf e C = BH−1 :
z = α + Bf + ² = α + Cg + ²
Se esiste un MLF rispetto a B e f , ne esiste uno
equivalente rispetto a C e g : un problema chiamato
indeterminazione rotazionale

• Se i fattori non sono identificati a priori, i factor

loadings non hanno significato economico

• In ogni caso, per stimare B è necessario imporre

qualche vincolo; spesso si impone che Σf = IK

• Primo esempio di MLF in finanza: il modello di mer-

cato di Sharpe (1963):
– Obiettivo: descrivere in maniera parsimoniosa ma
efficace Σ
– Σ contiene I(I + 1)/2 elementi ignoti (I varianze
e I(I − 1)/2 covarianze), da stimare da T osser-
vazioni per I extrarendimenti
– Quando I è grande, Σ b è uno stimatore poco pre-
ciso di Σ (ed è singolare (non invertibile) se I >
T)
– Un MLF rappresenta una soluzione, poichè impli-
ca:
Σ = B Σf B0 + Ω
(I×I) (I×K) (K×K) (K×I) (I×I)

– Σ è composta di due pezzi:

1. BΣf B0 riflette l’effetto di fattori comuni a molti
titoli
2. Ω è determinata da ²
– Se K ¿ I, BΣf B0 contiene (molti) meno parame-
tri di Σ
– Ω è (I × I); ma in portafogli ben diversificati è
trascurabile rispetto all’altra componente
Assenza di rischio specifico

• Se assumiamo che z sia determinato solo dai fattori

comuni f , il MLF diventa:
z = α + Bf

• Di conseguenza:
Σ = BΣf B0

• Questa proprietà è molto forte, ed è violata nella

realtà: implica che Σ è di rango K < I ...

• ... Ma è interessante perchè consente di derivare

facilmente una relazione fra µ l’esposizione alle fonti
di rischio sistematico di tutti i titoli

125
MLF esatti

• Altra ipotesi: Ω è una matrice diagonale di elementi

ωi2 , i = 1, . . . , I

• Questa ipotesi è più sostenibile (data l’interpretazio-

ne fornita di f e ²) e presenta diversi vantaggi:
– Σ = BΣf B + Ω contiene IK + K(K + 1)/2 + I pa-
rametri, (molti) meno di quelli della matrice non
vincolata
– Inoltre, BΣf B0 + Ω è invertibile, simmetrica e de-
finita positiva
– B, Σf e Ω, infine, possono essere stimate dal
modello di regressione lineare multivariato

• In un MLF esatto il rischio di un titolo ha due com-

ponenti:
1. Una non diversificabile
2. Un’altra che può invece essere diversificata

• Per un portafoglio, infatti:

I
X I
X
Var(w 0 ²) = wi2 ωi2 ≤ [max ωi2 ] wi2
i
i=1 i=1

• Se il portafoglio è diversificato, wi ≈ 1/I; di conse-

guenza, se maxi ωi2 < ∞:
lim Var(²p ) = 0
I→∞

126
MLF approssimati

• Anche un MLF esatto impone restrizioni piuttosto

forti su Σ, in particolare se K ¿ I

• Alternativa: MLF approssimato, nel quale gli ² pos-

sono essere correlati (Ω non diagonale) ...

• ... A condizione che le correlazioni siano abbastan-

za piccole da consentire la diversificazione del rischio
idiosincratico per I → ∞

• Chamberlain (1983) e Chamberlain e Rothschild (1983)

hanno dimostrato che un MLF a K fattori approssi-
mato esiste se e solo se:
lim λ(K) = +∞
I→∞

lim λ(K+1) < +∞

I→∞
dove λ(h) è l’h-esimo autovalore di Σ in ordine decre-
scente

127
Opportunità d’arbitraggio

• Un arbitraggio è un portafoglio di costo nullo e valore

futuro positivo

• Se il costo è nullo, non ha senso parlare di rendimen-

to, ma solo di guadagno

• Guadagno fra t−1 e t di un portafoglio di arbitraggio:

I
X
ppt − ppt−1 = q0 (p0t − p0t−1 ) + qi (pit − pit−1 )
i=1
I
X
= q0 p0t−1 r0t + qi pit−1 rit
i=1
I
X
= ψ0 r0t + ψi rit = ψ0 r0t + ψ 0 r t
i=1

• In un portafoglio di costo nullo, la somma dei coeffi-

cienti ψi (ppt−1 ) vale zero ...

• ... Di conseguenza:
ppt ∝ ψ0 r0t + ψ 0 r

• Sostituendo ψ0 = −ψ 0 ι (e omettendo l’indice t):

pp = ψ 0 (r − r0 ι) = ψ 0 z

• Esiste un’opportunità d’arbitraggio (OA) quando è

possibile costruire un portafoglio di arbitraggio

128
• L’assenza di OA è condizione necessaria (ma non
sufficiente) per l’equilibrio sul mercato

• Caso particolare: un’OA priva di rischio è un porta-

foglio di costo nullo e guadagno certo positivo

• Un’OA priva di rischio ha:

1. Rischio nullo: Var(ψ 0 z ) = ψ 0 Σψ = 0
2. Guadagno positivo: E(ψ 0 z ) = ψ 0 µ > 0
La relazione rischio - rendimento atteso del-
l’APT

Assenza di rischio idiosincratico e relazione esat-

ta
• Consideriamo la proiezione lineare di µ sulle colonne
di B:
µ = Bλ + ν

• Per costruzione, ν è ortogonale alle colonne di B:

ν 0 B = 00

• Consideriamo un portafoglio di di costo nullo e com-

posizione ν :
– Il suo guadagno è proporzionale a ν 0 z ...
– ... Ed è non rischioso, dato che (se ² = 0):
Var(ν 0 z ) = ν 0 Σν = ν 0 BΣf B0 ν = 0

• Perchè non sia un’OA, è necessario che:

I
X
0 0 0 0
E(ν z ) = ν µ = ν (Bλ + ν ) = ν ν = νi2 = 0
i=1

• Questa condizione può essere verificata se e solo se

ν=0

• Di conseguenza:
µ = Bλ
129
 che per il titolo i-esimo equivale a:
K
X
µi = bik λk
k=1

• Chiamiamo portafogli fattoriali quelli con un solo fac-

tor loading pari a 1, e tutti gli altri nulli

• Se non esiste rischio specifico è facile costruire i por-

tafogli fattoriali (se K < I)

• In questo caso, λ è il vettore dei loro extrarendimen-

ti attesi (i premi per il rischio associati a ciascun
fattore)
La relazione rischio - rendimento atteso del-
l’APT

Presenza di rischio specifico e relazione appros-

simata
• Huberman (1982): se I → ∞ la relazione µ = Bλ è
approssimativamente vera anche in presenza di rischio
specifico

• Chiamiamo z I il vettore degli extrarendimenti dei pri-

mi I titoli; assumiamo che, per ogni I:
z I = αI + B I f + ²I
NB: f non cambia al crescere di I, e ΩI è diagonale

• Consideriamo la proiezione lineare di µI sulle colonne

di BI :
µI = B I λ I + ν I
e il portafoglio di costo nullo e composizione ν I /(ν 0I ν I )3/4

• Per costruzione, questo portafoglio non contiene ri-

schio fattoriale, e il suo rischio è dato da:
· ¸
ν 0I z I ν 0I ΩI ν I
Var =
(ν 0I ν I )3/4 (ν 0I ν I )3/2
PI 2 2
i=1 ωIi νIi
= P
( Ii=1 νIi 2 )3/2
PI 2
2 i=1 νIi
≤ (max ωIi ) PI
i ( i=1 νIi2 )3/2

maxi ωIi 2
= P
( Ii=1 νIi 2 )1/2

130
• Il guadagno atteso è dato da:
à I
!1/4
ν 0I µI ν 0I X
2
= (B I λ I + ν I ) = νIi
(ν 0I ν I )3/4 (ν 0I ν I )3/4 i=1

P
• Se limI→∞ Ii=1 νIi 2 = ∞, la successione di portafogli

ha, al limite, costo nullo, varianza nulla e guadagno

infinito: si tratta di un’OA asintotica

• Per escludere questa possibilità è necessario che:

I I
à K
!2
X X X
2
lim νIi = lim µIi − bIik λIk <∞
I→∞ I→∞
i=1 i=1 k=1

• Interpretazione:
I
à K
!2
X X
µi − bik λk < ∞, ∀I
i=1 k=1

• Se I → ∞, ciò è possibile se solo un numero finito di

termini della somma è diverso da zero

• La relazione esatta è valida per quasi tutti i titoli, ma

per un numero finito di essi l’errore commesso può
essere arbitrariamente elevato

• Questa derivazione può essere adattata al caso di un

MLF approssimato: è sufficiente che gli elementi al di
fuori della diagonale di Ω siano abbastanza piccoli da
consentire la diversificazione (per I → ∞) del rischio
idiosincratico
La relazione rischio - rendimento atteso del-
l’APT

Derivazioni alternative della relazione esatta

• Le condizioni alla base dell’APT sono meno forti di

quelle sottostanti il CAPM ...

• ... Ma non sono sufficienti per l’esistenza di una

relazione esatta fra µ e B (a meno di escludere la
presenza di ²)

• Per avere una relazione esatta sono necessarie ipotesi

supplementari:
– Dybvig (1983) e Chen e Ingersoll (1983): imporre
l’equilibrio fra domanda e offerta di titoli rischiosi
e assumere che il mercato sia ben diversificato
– Grinblatt e Titman (1987): dato il MLF
z = α + Bf + ²
e se i fattori sono extrarendimenti, sappiamo che:
α=0
(dunque vale la relazione esatta) se e solo se i
portafogli efficienti che è possibile costruire da I
titoli e K fattori contengono solo questi ultimi

131
Identificazione e stima dei fattori

Variabili macroeconomiche

• Per identificare i fattori, possiamo approssimarli con

alcune variabili macroeconomiche:
– Indicatori dello stato globale dell’economia
– Influenzano le previsioni dei flussi di cassa futuri
dei diversi titoli
– Influenzano il tasso al quale i profitti futuri sono
attualizzati

• Vantaggio: è possibile interpretare economicamente

i factor loadings bik

• In Chen, Roll e Ross (1986) e Chan, Chen e Hsieh

(1985) sono selezionate:
1. Il tasso di crescita della produzione industriale
2. L’inflazione non anticipata
3. La variazione non anticipata dell’inflazione attesa
4. Il credit spread (o default spread)
5. Il term spread)

• Altri candidati (non selezionati):

1. L’extrarendimento di un portafoglio proxy del mer-
cato
2. Il tasso di crescita dei consumi pro capite
132
 3. La variazione percentuale del prezzo del petrolio

• In serie storica i fattori non dovrebbero essere preve-

dibili (se assumiamo mercati efficienti)

• Formalmente, se It−1 è l’informazione nota all’inizio

della data t:
E(f t |It−1 ) = E(f t )

• La condizione dipende da come specifichiamo It−1 ;

una scelta naturale è includere le realizzazioni correnti
e passate dei fattori

• La condizione di non prevedibilità diventa:

E(f t |f t−1 , f t−2 , . . .) = E(f t ), ∀t
che implica:
Cov(f t , f s ) = 0, ∀s < t

• Condizione necessaria perchè i fattori non siano pre-

vedibili è che non siano autocorrelati

• Se qualche fattore è autocorrelato, bisogna scom-

porlo nella componente prevedibile e in quella non
prevedibile:
f t = E(f t|f t−1 , f t−2 , . . .) + ut

• ut non è osservabile, e deve essere stimata, per esem-

pio con un modello VAR (Vector AutoRegression,
modelli autoregressivi vettoriali):
E(f t |f t−1 , f t−2 , . . .) = ϕ + Φ1 f t−1 + . . . + ΦL f t−L
 con ϕ e Φl , con l = 1, . . . , L, parametri ignoti

• Questa procedura di selezione e filtraggio è arbitraria:

strategie diverse conducono a scomposizioni diverse,
con conseguenze importanti
Identificazione e stima dei fattori

Caratteristiche delle società

• Origine: le anomalie del CAPM

• Strategia: approssimare f con l’extrarendimento di

portafogli che raggruppano z sulla base di caratteri-
stiche delle società

• Fama e French (1993) considerano:

– L’extrarendimento di un indice di mercato
– La differenza fra il rendimento di un portafoglio di
piccole imprese rispetto a quello di un portafoglio
di grandi società (SMB)
– La differenza fra il rendimento di un portafoglio
di titoli con elevato rapporto fra valore nominale
e valore di mercato rispetto a quello di un por-
tafoglio di titoli con un basso valore dello stesso
rapporto (HML)

• Carhart (1997) aggiunge un portafoglio composto

da titoli che nel passato recente hanno realizzato
rendimenti particolarmente elevati (momentum)

• Altre variabili possibili:

– Il rapporto fra dividendo e prezzo (yield)
– Rapporto fra prezzo e utili per azione
– Rapporto fra prezzo e cash flow per azione
133
• Usare portafogli per approssimare f semplifica la ve-
rifica del modello; inoltre gli extrarendimenti sono
virtualmente non prevedibili dal passato

• Problema: in che misura i risultati sono affidabili,

e non dipendono dalla strategia di selezione (data
snooping)?
Identificazione e stima dei fattori

Modelli fattoriali fondamentali

• Rosemberg (1974): assume che i beta fattoriali siano

misurati da caratteristiche come:
– La capitalizzazione
– Il rapporto fra dividendo e prezzo
– Il rapporto fra valore nominale e valore di mercato
– Il settore di attività

• Ognuna di queste misura l’esposizione del titolo a

una fonte di rischio

• I modelli fattoriali fondamentali sono spesso i migliori

per quanto riguarda l’adattamento ai dati (Connor
(1995))

• Problema: Data snooping?

134
Identificazione e stima dei fattori

L’analisi fattoriale
• Ipotesi: z t ∼ IIDN (µ, Σ)

• Sappiamo che un MLF esatto implica:

Σ = BΣf B0 + Ω
con Ω diagonale

• Per identificare B, assumeremo che Σf = IK ; in que-

sto caso:
Σ = B B0 + Ω
(I×I) (I×K) (K×I) (I×I)

• Data Σ b , possiamo risolvere rispetto a B e Ω? No:

più vincoli che incognite

• Possiamo stimare B e Ω minimizzando la distanza fra

b eB
Σ bBb 0 +Ω
b misurata dalla funzione di verosimiglianza

• Non esistono soluzioni esplicite, solo algoritmi itera-

tivi

• Data la stima di B e Ω, come stimare le realizzazioni

dei fattori a tutte le date?
– Scoring: si usa una sequenza di regressioni in
b , ottenendo le stime (even-
cross-section di z t su B
tualmente da normalizzare):
b = (B
b 0 b −1 b −1 b 0 b −1
f t Ω B) B Ω z t
135
 – Alternativa (di Lehmann e Modest (1987)): ap-
prossimare i fattori risolvendo il problema seguen-
te:
b ,
min w0 Ωw s.v. w 0 ι = 1; w 0b
bh = 0, ∀h 6= k
w

• Grinblatt e Titman (1987) hanno mostrato che l’APT

è valido se e solo se l’analisi fattoriale estrae i veri
fattori

• Problemi:
1. Assume z t ∼ IIDN (µ, Σ)
2. MLF esatto
b sia invertibile
3. Richiede T > I perchè Σ
4. Complessità di calcolo crescente con I
Identificazione e stima dei fattori

L’analisi delle componenti principali (ACP)

• Obiettivo: riassumere l’informazione in un campione

che contiene molte variabili

• L’ACP individua le combinazioni lineari (normalizza-

te) degli extrarendimenti con:
1. Varianza massima
2. Incorrelate fra loro

• Formalmente, il vettore w i che definisce la i-esima

componente principale è la soluzione di:
max w0i Σwi , s.v. w 0i wi = 1; w 0i Σwj = 0, ∀j < i
wi

• ... Si tratta dell’autovettore ti associato all’i-esimo

autovalore λi di Σ

• Chamberlain e Rothschild (1983) hanno mostrato

che in un MLF approssimato i portafogli di composi-
zione:
−1/2
wpk = λk tk , per k = 1, . . . , K
hanno le proprietà seguenti:
– Sono incorrelati fra loro
– Hanno varianza unitaria
– Convergono (per I → ∞ e K fisso) verso f

136
 – Se i fattori vengono approssimati con i portafogli
di composizione w pk , B ha k-esima colonna data
1/2
da λk tk

• wpk può essere normalizzato in modo da avere com-

ponenti che sommano a 1

b di Σ
• In pratica, la procedura si basa sulla stima Σ
Identificazione e stima dei fattori

L’analisi delle componenti principali asintotiche

(ACPA)

• Connor e Korajczik (1986): tecnica alternativa con-

veniente quando I > T

• Sia Z la matrice (T × I) con riga t-esima z 0t

• Consideriamo:
1
Ψ = ZZ0
(T ×T )
T

• Proprietà: gli autovettori associati ai primi K auto-

valori di Ψ convergono, per I → ∞ e a meno di una
trasformazione lineare, verso gli extrarendimenti dei
portafogli fattoriali

137
Identificazione del numero di fattori

Procedure sequenziali

• Strategia: Ripetere l’analisi variando il numero dei

fattori, e confrontando i risultati

• Problema: il numero dei fattori e la specificazione

sono il risultato di un test sequenziale ...

• ... Una procedura discutibile perchè esposta al rischio

di data snooping ...

• ... E statisticamente non corretta se non si opera un

aggiustamento del livello di significatività

138
Identificazione del numero di fattori

Test e criteri di informazione basati sulla vero-

simiglianza
• Quando f è approssimato usando l’analisi fattoriale,
H0 : Σ = BB0 + Ω può essere verificata con il test del
rapporto di verosimiglianza:
bB
|B b0 + Ω
b|
ξ4.1 = (T − 1) ln
b|
|Σ

d
• Sotto H0 , ξ4.1 → χ2q , con q = [(I − K)2 − (I + K)]/2

• In piccoli campioni conviene usare la correzione di

Bartlett:
2I + 5 2K
q =T −1− −
6 3
• Dhrymes, Friend e Gutelkin (1986): in piccoli cam-
pioni di ξ4.1 segnala la presenza di un numero di fattori
troppo elevato (e viene usata in maniera sequenziale
...)

• Alternativa: criteri di informazione,

– Criterio di Akaike:
· ¸
b ) − I(K + 1) − K(K − 1)
b, Ω
AIC = `(B
2
– Criterio di Schwarz:
· ¸
b, Ω
b) − log T K(K − 1)
SBC = `(B I(K + 1) −
2 2

139
La verifica dell’APT in serie storica
• Considereremo la versione esatta del modello

• Buona parte dei risultati sono estensioni di quelli visti

per il CAPM, con la differenza che:
1. L’APT prevede K fattori, e non 1, e dunque
MRLM e non MRLS
2. Dobbiamo distinguere il caso in cui i fattori sono
approssimati con extrarendimenti o con variabili
macroeconomiche

• In serie storica, i test si basano sulla stima del modello

di regressione lineare multipla multivariato:
zt = α + B ft + ut
(I×1) (I×1) (I×K) (K×1) (I×1)

per t = 1, . . . , T e con E(ut |f t ) = 0

• Se assumiamo che z e f siano IID, gli errori ut so-

no incorrelati a date diverse, ma correlati alla stessa
data:
½
Ω se t = s
Cov(ut , us |F) =
0 se t 6= s

• Dato che le esplicative sono le stesse in tutte le equa-

zioni, i MQO equazione per equazione sono efficienti

b t, Ω può essere stimata con:

• Dati i residui u
XT
b = 1 b t
Ω u b 0t,
b tu b t = zt − α
dove u b − Bf
T t=1

142
La verifica dell’APT in serie storica

Fattori approssimati con extrarendimenti di por-

tafogli

• Se i fattori sono approssimati con K extrarendimenti,

l’APT implica α = 0

• Per verificarlo, osserviamo che:

– L’APT stabilisce che µ = Bλ
– Dato che f sono extrarendimenti, anche per loro
vale una restrizione analoga:
µf = B f λ
– Per costruzione, Bf = IK , e dunque λ = µf
– Sostituendo:
µ = Bµf
da cui, sostituendo nel MLF, α = 0

• Ancora una volta, si tratta di verificare se l’efficienza

in senso media - varianza dei portafogli costruiti solo
a partire da f

• Per verificare H0 : α = 0 possiamo usare due approc-

ci:
– Se z ∼ IIDN (µ, Σ):
· ´ ¸
1³ −1
bf f Ω
b |F ∼ N α,
α 1 + f 0Σ
T
143
 da cui costruiamo un test F :
T −I −K b −1 −1 0 b −1
ξ4.3 = (1 + f 0 Σ f f ) bΩ α
α b
I
che sotto H0 ha distribuzione FI,T −I−K
– Se z ∼ IID:
√ d
b − α) → N [0, (1 + µ0f Σ−1
T (α f µf )Ω]

da cui costruiamo:
−1 0 −1
ξ4.4 = T (1 + µ0f Σ−1
f µf ) αbΩ α b
che sotto H0 ha distribuzione asintotica χ2I

• Si può verificare che:

b 2∗ − ps
T − I − K ps b 2f
ξ4.3 =
I b 2f
1 + ps
e:
b 2∗ − ps
ps b 2f
ξ4.4 = T
b 2f
1 + ps
 La veri…ca dell’APT in serie storica

Fattori approssimati con variabili diverse da rendi-

menti

Se i fattori sono approssimati con variabili diverse da

extrarendimenti, l’APT implica

=B con = f
Per veri…carlo, applichiamo il valore atteso al MLF,
e uguagliamo il tutto alla relazione dell’APT:

= +B f =B
risolvendo rispetto a otteniamo =B

Interpretazione: se l’APT è valido, è pari a una

combinazione lineare delle colonne di B , con coef-
…cienti ignoti ( ). La validità dell’APT comporta
quindi una riduzione del numero di parametri liberi:
da I intercette in a K coe¢ cienti in f.
La veri…ca della restrizione =B è complessa
perchè sotto H0 appare il vettore di parametri
ignoti; di conseguenza non è possibile costruire un
test di Wald

Giuriéroux, Monfort e Renault (1990): H0 : B =

0 ) dato l’ipotesi è lineare nei parametri del
modello non vincolato ,B ; dati e B l’ipotesi è
lineare in : è un’ipotesi bilineare.

Sia 0i = 0
i; bi il vettore che racchiude i K + 1
parametri dell’equazione i-esima e de…niamo

= 0;:::; 0 0 = vec C 0
1 I
I(K+1) 1
con C = ( ; B)
I (K+1)
Ricordate che i non sono altro che l’insieme dei
parametri del SURE, le cui variabili esplicative sono
i K fattori. La distribuzione asintotica di ^ è quindi
sotto le ipotesi usuali
p d
T b ! N 0; Q 1
2 3
0 1 0 1
1 1+ f f f f f
Q = 4 1 1
5
f f f

I vincoli B = 0 possono essere riscritti us-

ando l’operatore vec:

0= B = vec 0 0 B0
h i
= vec 1; 0 C0
= A( )
con A ( ) = II 1; 0
I I(K+1)

ed analogamente il loro analogo “stimato” b c

B =
A( ) b
Conoscendo la distribuzione asintotica di b possiamo
scrivere sotto H0:
p p d
T b c
B = TA( ) b !
h i
d
! N 0; A ( ) Q 1 A( )0
0 1
= N 0; 1 + f
che non è direttamente utilizzabile poichè è ig-
noto. Questo risultato implica però che vale il mod-
ello lineare
b c
=B +v

A questo possiamo quindi applicare OLS,

1
b = c 0B
B c c b
B
0

e veri…care che i “residui”

b cb = M b
B b
B
1
siano nulli. M b = II c
B c 0B
B c c
B
0
B
La statistica test che possiamo quindi costruire è
h i 1
4:5 = b 0M b b V ar ( b ) M B
MB b bb =
MB
B
1 h i a
0 1 b 0M 2
=T 1+ f b
B
MB
b MB
b b b~
MB I
dove l’inversa è inversa generalizzata poichè M b ha
B
rango I K
La veri…ca dell’APT in cross section

I fattori sono extrarendimenti

1. è una combinazione lineare dei factor loading

B,

2. i coe¢ cienti della combinazione lineare ( ) sono

i premi per il rischio dei portafogli fattoriali

I fattori NON sono extrarendimenti

1. è una combinazione lineare dei factor loading

B

In entrambi i casi è interessante chiedersi quanti fra

i K fattori individuati siano remunerati dal mercato,
cioè quanti elementi di siano diversi da zero
Regressione lineare in cross section

Consideriamo la generalizzazione a K fattori del punto

di partenza considerato per il CAPM
c +e
z=B
Anche qui e B sono approssimati dai corrispettivi cam-
pionari, e si studiano le proprietà, ed i test, per I o T
tendenti all’in…nito assumendo z t e f t iid e quindi valga
(
t=s
zt = + Bf t + ut Cov (ut; us) =
0 t 6= s
I …sso, T !1

Simile a quanto fatto per il CAPM

c
Applicando OLS a z = B + e abbiamo b =
0c 1
c
BB c e e
Bz b = M b z . Usando il MLF ot-
B
teniamo
0c 1 0
b f = c
BB c
B b
K 1
b
e = bb
MB
I 1
che possono essere riscritti come
b =
bb
NB
2 3
" # 0 1 0
b f 6 cB
B c c 7
B
b = ;N b = 4 5
b
e B
MB
b
e
p p
T b NB = N b T (b )
B
p
+ T Nb NB
B
I fattori sono extrarendimenti: APT implica =
0, quindi
p d
T b ! N 0; 1 + 0f f 1 f N B N 0B

1. Veri…care H0 : B 0 =0
0 1 1 b 0
4:7 = T 1 + f f f f B 0B
1
B0 B B 0B b f
a
~ 2K

2. Veri…care H0 : M B =0
0 1 1 0
4:8 = T 1+ f f b
e
f
M 0B M B b
e
a
~ 2I K
3. Veri…care H0 : B 0 = 0 e MB =0
0 1 1 b0
4:9 = T 1+ f f f

N 0B N B b
a
~ 2I
I fattori NON sono extrarendimenti, APT implica
=B =B f quindi sotto H0 non è
vera B 0 = 0 mentre continua a valere M B = 0.
Focalizzando l’attenzione solo sui residui
p p
b
T (e MB ) = MB b T (b )
p
+ T Mb MB
B
e sotto H0
p d 1
b ! N 0; 1 + 0
Te M B M 0B
f

1. Veri…care H0 : M B =0
0 1 1 0
4:10 = T 1 + b
e
f
M 0B M B b
e
a
~ 2I K
l’unica di¤erenza con 4:8 è il rimpiazzo di f
con
Test per il numero di fattori remunerati dal mer-
cato

Sotto le ipotesi usate …nora abbiamo che

1
b = c 0B
B c 0
c b +f
B

Si noti che
p d
T f f ! N 0; f
c; f = 0
Cov b ; f = 0; Cov B
quindi
p d
T ! N (0 ;
1 1
1 + 0f f 1 f B 0B B 0 B B 0B + f

sulla cui base si possono costruire statistiche F .

T …sso, I!1

Le stime OLS (o GLS) non sono consistenti a causa

dell’errore di misura che commettiamo approssimando
B con B c.

La distorsione si può limitare lavorando con un nu-

mero …sso di portafogli, che al crescere di I risultano
essere perfettamente diversi…cati e per i quali di con-
seguenza sono stimabili i bij con precisione
Serie storiche stime cross section

Sono una generalizzazione di Black, Jensen e Scholes e

di Fama e MacBeth:

Black, Jensen e Scholes

c
zt = B + et
t

0c 1 0
b = c
BB c
Bz b t = M b z t = M b et
e
t t B B
T
X T
X
b = b =T b=
e b t=T
e
t
t=1 ! t=1 !
b ft b f
b t b =
t = bt
e b
e
T
1 X b 0
V ar b t = b b b
T t=1 t t

b 0h c
i 1 a
b~ 2
4:15 = T V ar t I
Fama e MacBeth

Come prima ma stime rolling dei factor loading

c
zt = B + et
t t
1
b = d0B
B d dz
B
0
b t = M c z t = M c et
e
t t t t t Bt Bt

b 0h c
i 1 a
b~ 2
4:16 = T V ar t I