O objetivo deste trabalho é apresentar o método Forward Search Ponderado (FSW) para a detec??o de valores discrepantes (outliers) nos dados de precifica??o de ativos. Esse novo estimador, baseado em um algoritmo que reduz o peso das observa??es mais an?malas do conjunto de dados, é testado utilizando dados simulados e empíricos de precifica??o de ativos. O impacto dos outliers na estimativa de modelos de precifica??o de ativos é avaliado em diferentes cenários, e os resultados s?o 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 compara??o entre modelos concorrentes de precifica??o de ativos. O algoritmo, eficiente e robusto para outliers, é utilizado para fornecer estimativas robustas dos parametros dos modelos em uma compara??o com os métodos tradicionais de estimativa econométrica geralmente utilizados ??na literatura. Em particular, a precis?o dos alfas é significantemente aumentada quando o método Forward Search (FS) é utilizado. Utilizamos simula??es 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 rejei??o marginal do modelo de três fatores de Fama-French é influenciada pela presen?a de outliers nas carteiras, ao utilizar retornos mensais. Em dados anuais, o uso de métodos robustos aumenta o nível de rejei??o de alfas nulos no Modelo de Precifica??o 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 est?o presentes.
展开▼
