Identificação de outliers em dados de precificação de ativos com um novo estimador de forward search ponderado

Resumo

O objetivo deste trabalho é apresentar o método Forward Search Ponderado (FSW) para a detecção de valores discrepantes (outliers) nos dados de precificação de ativos. Esse novo estimador, baseado em um algoritmo que reduz o peso das observações mais anômalas do conjunto de dados, é testado utilizando dados simulados e empíricos de precificação de ativos. O impacto dos outliers na estimativa de modelos de precificação de ativos é avaliado em diferentes cenários, e os resultados são avaliados com testes estatísticos associados, com base nessa nova abordagem. Nossa proposta gera um procedimento alternativo para uma estimativa robusta dos betas da carteira, permitindo a comparação entre modelos concorrentes de precificação de ativos. O algoritmo, eficiente e robusto para outliers, é utilizado para fornecer estimativas robustas dos parâmetros dos modelos em uma comparação com os métodos tradicionais de estimativa econométrica geralmente utilizados na literatura. Em particular, a precisão dos alfas é significantemente aumentada quando o método Forward Search (FS) é utilizado. Utilizamos simulações de Monte Carlo e também o conhecido conjunto de dados de fatores de retornos acionários, fornecido pelo Prof. Kenneth French, que consiste em 25 carteiras Fama-French no mercado acionário dos Estados Unidos, utilizando modelos de um e três fatores, em base mensal e anual. Nossos resultados indicam que a rejeição marginal do modelo de três fatores de Fama-French é influenciada pela presença de outliers nas carteiras, ao utilizar retornos mensais. Em dados anuais, o uso de métodos robustos aumenta o nível de rejeição de alfas nulos no Modelo de Precificação de Ativos de Capital (Capital Asset Pricing Model –CAPM) e no modelo de três fatores de Fama-French, com estimativas mais eficientes na ausência de outliers, e alfas consistentes quando os outliers estão presentes.