Segun arXiv q-fin, un nuevo enfoque propone un diagnóstico integral basado en el eje de capitalización para evaluar modelos de factores. Este método permite identificar subsistemas económicos donde los errores de precios se mantienen nulos, sin comprometer el rendimiento máximo del frente de Sharpe. La estrategia analiza una dimensión específica mediante la proyección de errores de precios en una curva de alfa de puente, al lo largo del orden de capitalización del mercado. Bajo un marco de mercado agregado, una curva nula indica que el modelo correctamente valora el subsistema interno de capitalización. En datos diarios del periodo 1967 al 2024, el error negativo de q5 se reduce al aplicar una corrección de anticipación, mientras que las curvas de Fama-French y Carhart se manifiestan más claramente en el periodo mensual. Entre 154 factores distintos, la norma en el eje de capitalización presenta diferencias significativas frente a los ganancias de Sharpe y a la exposición por tamaño.
El modelo propuesto no solo mide el rendimiento esperado de una inversión, sino que también detecta si los errores de precios se concentran en sectores específicos del mercado. Esto es clave para entender cómo los modelos tradicionales pueden estar ignorando patrones de precio que afectan a grupos de empresas por tamaño o por capitalización. Por ejemplo, si una inversión se basa en un modelo que asume que todos los activos se comportan de forma homogénea, podría estar dejando de lado señales importantes que surgen en los extremos de la estructura de mercado. La detección de estos sesgos permite a los inversores evaluar mejor la robustez de sus estrategias, especialmente en entornos donde las dinámicas de precios no son uniformes.
Para inversores peruanos, este enfoque ofrece una herramienta de análisis más precisa para evaluar estrategias de inversión. El mercado peruano, aunque más pequeño, presenta una estructura de capitalización que refleja variaciones significativas entre empresas de tamaño pequeño y grande. Si un modelo de inversión ignora estos patrones, puede resultar en decisiones sesgadas, como la sobreexposición a sectores con baja liquidez o a empresas de baja capitalización. Conocer cómo los errores de precios se distribuyen en el eje de capitalización permite ajustar estrategias de selección de activos, reduciendo riesgos no compensados. Además, al entender que el rendimiento de un modelo no depende solo del Sharpe, sino de cómo se comportan los activos en diferentes niveles de capitalización, los inversores pueden diseñar portafolios más equilibrados y menos vulnerables a shocks de mercado. Esto es especialmente relevante en contextos de alta volatilidad, como los que han afectado al mercado peruano en los últimos años.