En la dinmica de alta frecuencia de Hedge Fund Riesgo Exposiciones ANDREW J.

PATTON y TarunRamadorai RESUMEN RESUMEN Se propone un nuevo mtodo para modelar la exposicin al riesgo de cobertura de fondos utilizando variables relativamente alta frecuencia acondicionado. En una amplia muestra de los fondos, encontramos evidencia sustancial de que la exposicin al riesgo de fondos de cobertura varan entre y dentro de meses, y que la captura de variacin dentro del mes es ms importante que los fondos de alto riesgo que para los fondos de inversin. Consideramos diferente dentro del mes formas funcionales y descubrir patrones como da-del-mes variacin en la exposicin al riesgo. Tambin encontramos que los cambios en las asignaciones de la cartera, en lugar de en las exposiciones de riesgo de los activos subyacentes, son los principales impulsores de la exposicin al riesgo de variacin de los fondos de cobertura.

Una importante caracterstica de los fondos de cobertura es la velocidad con la que cambian sus inversiones en respuesta a las cambiantes condiciones del mercado. Anlisis estticos de los fondos de cobertura de exposiciones de riesgo probablemente olvidan estos rapidos cambios en las estrategias o ndices de apalancamiento, y as varios enfoques nuevos se han propuesto para modelar la dinmica de estas exposiciones al riesgo. Uno de los factores que hay que tener en cuenta es la alta frecuencia (frecuencia diaria o incluso ms) con lo que cubre el riesgo de cambio de fondo de las exposiciones Sin embargo, los enfoques propuesto hasta el momento de modelar la exposicin al riesgo dinmicos siguen dichos cambios slo en la frecuencia mensual, ya que es la frecuencia de notificacin de datos de rendimiento en todas las principales bases de datos de fondos de cobertura. Se propone un nuevo mtodo para superar este obstculo, y para comprender mejor la dinmica de alta frecuencia de la exposicin al riesgo de cobertura del fondo. El punto de partida para nuestro enfoque es el modelo Ferson y Schadt (1996) ampliamente utilizado para emplear la informacin de alta frecuencia acondicionado. Para evitar la falta de datos de alta frecuencia en el rendimiento de los fondos de cobertura, postulamos un modelo de factores diaria para las devoluciones de fondos de cobertura y luego agregar esta hasta la frecuencia mensual de la estimacin. Se demuestra que el mtodo es capaz de localizar con precisin la dinmica de la variacin diaria de la cobertura de la exposicin al riesgo de fondos probndola en los ndices diarios de rentabilidad de los fondos de cobertura, y por un estudio de simulacin. La versin de mayor frecuencia de Ferson y Schadt (1996) en los que la exposicin al riesgo diario se desarrollan como una funcin lineal de instrumentos observables (que copia el "modelo lineal") es la primera de las tres formas funcionales motivados econmicamente para exposiciones de riesgo de alta frecuencia que consideramos. El segundo modelo que consideramos permite estacionalidad intra-mes en la exposicin al riesgo (el "modelo de da-del-mes"), y el tercer modelo permite la exposicin al riesgo para variar bruscamente cuando los instrumentos observables golpean los valores de umbral especificados previamente (el "modelo de umbral "). Al permitir una variedad de maneras econmicamente plausibles en los que la exposicin al riesgo puede evolucionar, se intenta paliar la inevitable prdida de informacin que surge cuando utilizar declaraciones mensuales para inferir la dinmica intra-mensual. Ms importante tal vez, los resultados de estos diferentes especificaciones nos permiten entender mejor el comportamiento de los fondos de cobertura durante la falta de notificacin intervalos que han sido hasta ahora inmune al escrutinio. Ponemos en prctica estos modelos dinmicos de exposiciones al riesgo en una muestra representativa de 14.194 fondos de cobertura individuales y fondos-de-fondos en el perodo 1994-2009, y encontramos que

funcionan muy bien para explicar la rentabilidad de los fondos de cobertura. En particular, los modelos generan estadsticas R2 ajustados que son una mejora sustancial con respecto a un modelo de referencia esttica parmetro: el R2 ajustado promedio para nuestra especificacin lineal es 49% ms alto que el promedio correspondiente para el modelo de referencia Fung-Hsieh. Tambin encontramos que la inclusin de la informacin de alta frecuencia acondicionado mejora sustancialmente el rendimiento de nuestro modelo: el porcentaje de los fondos de cobertura para los que nos encontramos estadsticamente expuestos a una variacin significativa de factores de casi el doble, del 12% al 22%, cuando incluimos la informacin diaria, as como informacin mensual de nuestras especificaciones estimadas. Por el contrario, cuando estimamos nuestro modelo en un conjunto de 32.913 acciones y fondos mutuos de bonos, la adicin de informacin diaria para el conjunto de informacin mensual sale del porcentaje de los fondos para los que encontramos variacin estadsticamente significativa exposicin a factores de prcticamente sin cambios. En resumen, existe una variacin significativa en la cobertura diaria exposicin al riesgo del fondo, y la contabilidad de la variacin diaria es necesaria para caracterizar el comportamiento de los fondos de cobertura con precisin mientras que la variacin diaria exposicin al riesgo no parece ser tan importante para los fondos de inversin, lo que es tal vez sorprendente dadas las restricciones de venta a corto y otras restricciones sobre las alteraciones de la cartera de fondos de inversin. Los modelos que proponemos proporcionan ideas nuevas y valiosas sobre el comportamiento de los fondos de cobertura en altas frecuencias. Un hallazgo particularmente interesante desde el modelo de da-del-mes es que hay estacionalidad significativas intra-mes en la exposicin al riesgo de cobertura del fondo. En particular, encontramos que el fondo de cobertura de riesgo de las exposiciones son relativamente altos al comienzo del mes y la disminucin constantemente a medida que avanza el mes, alcanzando su punto ms bajo a finales del mes slo a la fecha en que los fondos de cobertura reportan rendimientos de bases de datos. . Hay varias explicaciones posibles para este fenmeno. Una explicacin inocua es que este patrn refleja vencimientos regulares de posiciones en derivados de corta duracin en poder de fondos. Otra explicacin menos inocuo es que este modelo constituye una prueba de intra-mes escaparatismo por los fondos de cobertura. Esta explicacin vincula nuestro resultado de la extensa literatura sobre fondos de inversin y fondos de pensiones escaparatismo por primera vez por Lakonishok et al. (1991), as como el cuerpo creciente de literatura por autores como Bollen y Krepely-Pool (2009) y Agarwal, Daniel y Naik (2011) sobre los patrones mensuales inusuales en los retornos de fondos de cobertura. El modelo de umbral proporciona tambin informacin til , una de ellas es que los fondos de cobertura tienen una tendencia a cortar abruptamente posiciones en respuesta a eventos de mercado significativas . Por ejemplo, cuando los rendimientos del mercado caen o cuando la falta de liquidez se eleva considerablemente en el mes , los fondos de cobertura cortaron significativamente la exposicin a pequeas poblaciones. Esta prueba es similar a la prevista en las frecuencias ms bajas por Brunnermeier y Nagel ( 2004 ) , que documentan que los fondos de cobertura " montaron " la burbuja tecnolgica , y se ajusta a la descripcin de la especulacin desestabilizadora racional previsto en DeLong et al. ( 1990 ) . Adems, cuando S & P 500 se eleva significativamente la volatilidad en el mes , encontramos evidencia de que los fondos de cobertura redujeron sus posiciones en todos los activos de riesgo , lo que parece retroceder hacia efectivo en esos momentos. Esto constituye una prueba til en favor de Ferson y Schadt (1996) conjetura que la mayor alpha fondo de inversin que se detectan mediante un modelo beta variable en el tiempo es a causa de los administradores ajustar la exposicin al riesgo en funcin de la evolucin de la volatilidad global, y el ms reciente extensin por lo (2008), que se descompone gestor del fondo Rentabilidad en un componente "pasivo" y un componente "activo" que surge de la correlacin entre los cambios de peso de la cartera y los retornos. En efecto, como se describe a

continuacin, tambin encontramos un mejor rendimiento de nuestro modelo beta variables en el tiempo en relacin con el alfa obtenida de un modelo factorial esttico. En la discusin hasta el momento, hemos tendido a interpretar la evidencia de variables en el tiempo la exposicin al riesgo en trminos de los gestores de fondos cambiantes activamente asignaciones de cartera. Por supuesto, es posible que la variacin en el tiempo subyacente a betas de los activos podra dar lugar a cambios en la exposicin al riesgo del fondo, incluso cuando los gestores de fondos siguen estrategias de buy-and-hold pasivos. Para evaluar su magnitud relativa, postulamos una simple descomposicin de la variacin beta fondo en variaciones de peso, la variacin beta de activos y covariacin peso-beta. Luego estimamos esta descomposicin a partir de datos 13-F coincidentes en todos los fondos de cobertura de capital a largo corto de la muestra. Con estos datos, nos encontramos con que, en promedio, desde 1989 hasta 2010, las cuentas de la variacin de peso de 73% de la variacin beta fondo total y la variacin beta de activos constituye el 17%, con las covarianzas representan el resto. Durante la reciente crisis financiera (2007-2010), las cuentas de la variacin de peso para una mayor accin (84% del total), con la participacin de pura variacin beta activo prcticamente sin cambios. En resumen, la evidencia indica que la principal fuente de exposicin al riesgo dinmicos de los fondos de cobertura es la ponderacin que cambian de cartera. Por ltimo, se analizan las implicaciones de la aplicacin de este mtodo para el rendimiento de medicin. Nos encontramos, similar a Ferson y Schadt (1996), que el alfa anualizada de los fondos con importantes variables en el tiempo la exposicin de factores aumenta en promedio un punto porcentual cuando se estiman utilizando nuestro modelo, ms que el modelo constante.Sin embargo, este hallazgo enmascara cambios mucho ms grandes en el fondo individual de nivel nos encontramos con una diferencia absoluta media de 2.7 hasta 4.6% entre alfas anualizado estimados utilizando el nuestros tres modelos de exposicin varan en el tiempo y el modelo constante. El esquema del artculo es la siguiente. Seccin I se sita nuestro papel en la literatura sobre la evaluacin dinmica el rendimiento de las inversiones gestionadas. Seccin II describe nuestro enfoque de modelado y la Seccin III se describen los datos utilizados en el anlisis. Seccin IV presenta anlisis que verifican nuestro mtodo propuesto funciona bien en la prctica, y la Seccin V presenta los principales resultados empricos. Seccin VI examina las fuentes de variacin en la cobertura de la exposicin al riesgo del fondo y de la Seccin VII concluye. I. Related Literature

Nuestro trabajo contribuye a la literatura sobre el rendimiento de medicin dinmica de los vehculos de inversin de gestin activa, un tema que recientemente ha renovado inters experimentado. Por ejemplo, Mamaysky, Spiegel, y Zhang (2008) utilizan un modelo basado en filtro Kalman para seguir las exposiciones de riesgo de fondos de inversin como variables aleatorias la-tienda. Bollen y Whaley (2009) consideran que este enfoque de los fondos de cobertura, sino que recomiendan el uso de cambio de punto regresiones ptimas (como en Andrews, Lee y Ploberger (1996)) para estimar los cambios estructurales en la cobertura cargas factoriales de fondos. El cambio en el punto de aproximacin modelos de riesgo de las exposiciones como el cambio constante entre los puntos, con cambios bruscos en un nuevo valor a los puntos de cambio. El modelo seala la hora en la que la exposicin al riesgo cambian, aunque es incapaz de proporcionar una visin de los factores econmicos subyacentes de estos cambios. Nuestro modelo proporciona una alternativa sencilla, pero econmicamente interpretables a este enfoque de punto de cambio en el que varan en el tiempo las betas son funciones de las variables acondicionado observables. El intelectual predecesor de nuestro enfoque es Ferson y Schadt (1996), que utilizan predictores conocidos de declaraciones como apoderados de la informacin pblica

disponible y emplear estos instrumen-tos para estimar una versin incondicional de su modelo condicional para la evaluacin del desempeo de los los fondos de inversin. Nuestra contribucin principal radica en el uso de la informacin diaria acondicionado para evaluar el rendimiento reportado mensual . Ha habido otros intentos de combinar resultados mensuales e informacin intra - mensual para determinar la variacin de frecuencia ms alta en las cargas de los factores de riesgo , a raz de un influyente pa -per por Goetzmann , Ingersoll y Ivkovic ( 2000 ) , que muestran que Henriksson -Merton ( 1981 ) las medidas de temporizacin ( discutido a continuacin ) estimados a partir de los datos mensuales estn sesgadas en presencia de capacidad de sincronizacin diaria . Goetzmann , Ingersoll y Ivkovic intento de corregir este sesgo al acumular valores puestos al da en el S & P 500 por cada mes en su muestra , que se incorporan como un regresor adicional en sus especificaciones - market timing ( Ferson y Khang ( 2002 ) tambin presentar una versin condicional del mtodo evalua-cin rendimiento basado en que evita la Goetzmann , Ingersoll y Ivkovic sesgo) . Ferson , Henry y Kisgen ( 2006 ) consideran un proceso continuo en el tiempo subyacente de la estructura temporal de tasas de inters para estudiar rendimiento de los fondos de deuda pblica mensual , y encuentran que los promedios de tiempo de evolucin de los tipos de inters diarios son fundamentales para explicar la garanta de buena ejecucin de fondos de inversin . Aunque es similar en espritu , nuestro enfoque difiere en un nmero de formas de los mtodos seguidos en estos documentos . En primer lugar , nuestro enfoque se basa en productos intra - mensual de los factores y las variables en la interaccin , en lugar de sobre los factores de mayor frecuencia de tiempo agregados solamente ( que , adems, tenemos en cuenta en el modelo de da - del- mes ) . En segundo lugar , se postulan varios modelos diferentes diarios de rentabilidad de los fondos de cobertura , que utilizamos para descubrir los patrones intra - mensual real en la exposicin al riesgo de cobertura del fondo. Esto nos permite interpretar econmicamente dinmica de alta frecuencia de exposicin que los fondos de cobertura de riesgo , adems de mitigar la inevitable prdida de la informacin que surge cuando se intenta inferir la dinmica intra - mensual utilizando slo rentabilidades mensuales. Vale la pena mencionar brevemente un conjunto de modelos que usan informacin condicionada para detectar variacin temporal en la exposicin al riesgo de gestin, en un intento de encontrar evidencia de la capacidadmarket timing. Un enfoque que se emplea a menudo ( por ejemplo, mediante Treynor y Mazuy ( 1966) y Lehmann y Modest (1987) para los fondos de inversin , y Chen y Liang (2007) para los fondos de cobertura ) es extender el modelo de mercado nico factor estndar incluyendo trminos de segundo grado , o , como en Henriksson y Merton ( 1981 ) , mediante la interaccin de la rentabilidad del mercado con una variable de indicador de la seal de la rentabilidad del mercado. Tales regresiones pueden ser motivados mediante el modelo de Admati et al. (1986), en el que un gestor de fondos-market timing xito recibe una seal con ruido sobre el perodo de la ventaja de mercado retorno de una idea que puede ser generalizada a considerar seales privadas acerca de los atributos del mercado, como el futuro la liquidez del mercado, como en Cao, Chen y Liang (2009). Como consecuencia de la utilizacin de informa-cin acondicionado contemporneas, estos modelos tienen dos medidas de capacidad de gestin, a saber, "temporizacin", el coeficiente del trmino de interaccin entre el factor y la variable contempora-nea que representa la seal, y "selectividad , "la interseccin de la estimacin incondicional del modelo condicional . Por el contrario, en los modelos de evaluacin del desempeo condicionales como la de este trabajo , la informacin acondicionado se qued , lo que significa que alfas estimadas son medidas de rendimiento de los fondos por encima de los que se pueden obtener utilizando seales de informacin pblica y pueden ser interpretadas como medidas de la capacidad de gestin de la forma habitual .

Por ltimo , el uso de las declaraciones diarias sobre los ndices de fondos de cobertura para validar nuestro mtodo propuesto ( vase la seccin IV ) se suma a la escasa literatura que utiliza los datos diarios , sobre la inversin de los gestores para medir su desempeo . Busse ( 1999 ) encuentra que los fondos mutuos tienen capacidad de sincronizacin volatilidad utilizando datos diarios re- vueltas. Bollen y Busse ( 2001 ), tambin utilizando datos diarios , confirme que los fondos mutuos tienen una capacidad significativa de market timing . El azar y la Hemler ( 2001 ) utilizan a diario las recomendaciones realizadas de -timers mercado y consideran que tienen capacidad de sincronizacin diaria significativa que se desvanece cuando se evala su desempeo en la frecuencia mensual. II. Modelado de tiempo variable de fondos de cobertura de riesgo exposiciones

En esta seccin se describe la primera evaluacin del desempeo condicional enfoque de Ferson y Schadt (1996), que es el primer punto de partida para nuestro modelo. A continuacin, presentamos las tres variantes de nuestro modelo que estimamos en la Seccin V. Para simplificar la descripcin de los distintos modelos que consideramos un modelo simple de un factor para la captura de la exposicin al riesgo, aunque en nuestro anlisis emprico en la Seccin V tenemos en cuenta mltiples factores .

A. Los modelos con variacin mensual en exposiciones de riesgo Ferson y Schadt (1996) presentan un modelo en el que las betas evolucionan como una funcin lineal de las variables observables medidas mensuales: rit = i + it ft + it (1)

donde it = i + i Zt1.

(2)

Es decir, el retorno de fondo i es impulsado por un factor de pies, donde el factor de carga vara de acuerdo con alguna de media cero variable de Zt-1. Sustituyendo en la ecuacin

Para it obtenemos rit = i + i ft + i ft Zt1 + it , (3)

que se calcula fcilmente mediante regresin OLS. Tenga en cuenta que el modelo constante-beta se anida en la especificacin anterior, y la importancia de la variacin en el tiempo en beta para el fondo de ITH se puede comprobar a travs de una prueba de Wald estndar de la siguiente hiptesis: (4)

B. Los modelos con variacin diaria en las exposiciones de riesgo

Muchos fondos de cobertura o alteran su vez ms posiciones con mucha frecuencia, por lo que es posible que la exposicin al riesgo de un fondo de cobertura cambia sustancialmente dentro de un mes. Esta observacin requiere una ampliacin del enfoque anterior de-ing modelo de variables en el tiempo la exposicin al riesgo. Tenga en cuenta los retornos diarios de fondos de cobertura i, denotado r *, y un modelo de factores diario correspondiente a estos rendimientos: id = i + id fd + id. (5)

Supongamos que las cargas factoriales de este fondo puede variar en funcin de alguna variable acondicionado Z, que se observa con una frecuencia diaria: id = gi (Z). (6)

Podemos considerar varias formas funcionales para gi (Z). El ms simple es el anlogo directa con el enfoque Ferson y Schadt (1996), es decir, donde gi (Z) es lineal en Z. B.1. Un modelo lineal para exposiciones Factor Para entender mejor cmo el modelo lineal se refiere a Ferson y Schadt (1996), permite Z * denotar la variable acondicionado medido a la frecuencia diaria y Zd denotan esta variable mide en la frecuencia mensual (es decir, Zd ser constante dentro de cada mes y saltar a un nuevo nivel al comienzo de cada mes). A continuacin, el modelo lineal para gi (Z) se puede escribir como id = gi (Z) = i + i Zd1 + i Z (7)

Sustituyendo en (5) se obtiene un modelo de interaccin simple para los diarios rentabilidad de los fondos de cobertura: rid = i + i fd + i fd Zd1 + i fd Zd1 + id. (8)

Rendimientos de los fondos de cobertura individuales slo estn disponibles mensualmente, y por lo tanto para estimar este modelo tenemos que regresa agregados de la frecuencia diaria a la frecuencia mensual. Definir el retorno mensual de financiar i como: Pagina 604 Ecuacion 9 donde M (t) es el conjunto de das en el mes t. Definir pies y Zt similar, y dejar nt denota el nmero de das en el mes t. A continuacin, el pliego de condiciones de rentabilidad de los fondos de cobertura mensual se convierte en Ecuacin 10 Tenga en cuenta que la variable dependiente est por encima de la rentabilidad mensual sobre los fondos de cobertura i, y todas las variables en el lado derecho tambin se miden mensualmente. La nueva variable que aparece en esta memoria descriptiva en relacin con el Ferson-Schadt (1996) especificacin de estilo en la ecuacin (3) es de la forma ------- Este es un agregada mensual de un trmino de interaccin cotidiana, y captura las variaciones en la exposicin al riesgo de fondos de cobertura en la frecuencia diaria. Si el factor de f * y la con- condicionamiento variable de Z *-- estn ambos disponibles en la frecuencia diaria, a continuacin, en el supuesto de que *-- es correlacionado serialmente y correlacionada con f *- para todos (d, s) que son capaces

de estimar los coeficientes de este modelo por MCO estndar. Como el anterior, para la inferencia estadstica vlida que tenemos que tener en cuenta para su posible heteroscedasticidad y no normalidad de los residuos. En la seccin I se presenta los anlisis basados en los rendimientos reales de cobertura diaria de fondos de ndice y devuelve simulados, los cuales confirman que este enfoque de modelado funciona bien en aplicaciones reales. El modelo constante-beta se anida en la especificacin anterior, y el sig-icance de variacin de tiempo en beta se puede probar a travs de una prueba de Wald estndar de la siguiente hiptesis: Ecuacin 11 Adems, se puede comprobar si se encuentra evidencia significativa de variacin diaria en la cobertura de la exposicin al riesgo del fondo, el control de la variacin mensual, probando si el coeficiente del trmino de interaccin diaria es cero: Ecuacin 12 Aunque se espera que los fondos de cobertura ajusten sus exposiciones al riesgo dentro del mes, nuestra capacidad para detectar estos cambios depende de si podemos encontrar observables variables de interaccin cotidiana Z * que se correlaciona con los cambios. Recogemos cuatro variables Z motivados econmicamente en este documento, se describe en el Seccin III.C continuacin.

C. Efectos Da-del-mes en la exposicin de los factores Lakonishok (1991) encuentran que los gestores de fondos de pensiones tienden a vender cada vez ms la prdida de existencias en el cuarto trimestre del ao, cuando las carteras de los fondos 'se examinan de cerca por los patrocinadores. Ellos sugieren que esta es una prueba de una fachada, donde los gerentes alteran sus carteras para impresionar a patrocinadores. La mayora de los fondos de cobertura pretenden generar "rentabilidad absoluta", que no estn relacionados (cero-beta) con los puntos de referencia utilizados. Similar a los fondos de pensiones y fondos de inversin, fondos de cobertura tambin tienen peridica (mensual) a intervalos de bases de datos a disposicin del pblico la presentacin de informes. Dentro de estos intervalos de presentacin de informes, los fondos de cobertura estn en libertad de buscar estrategias que podran no ser necesariamente cero, o incluso bajo beta. De hecho, los administradores pueden aplicar estrategias que tienen bajo-beta mensual del promedio de los puntos de referencia a pesar de tener muy altos betas en perodos dentro de estos meses. Una de estas estrategias es que los directivos tienen una alta exposicin acaba siguientes fechas de presentacin de informes mensuales, y las exposiciones ms bajas justo anteriores a la fecha de presentacin del siguiente informe. Otra posibilidad es que los gerentes tratan las estrategias de retorno absoluto a principios de mes, y se vistieron de posiciones apalancadas en los puntos de referencia a finales de mes con el fin de reunir una mayor rentabilidad. Para detectar este tipo de estacionalidad intra-mes, se considera la siguiente especificacin:

Cuando los segundo y tercer trminos en la expresin son los mismos que en el modelo lineal. Para el trmino principal, i (d, ); seguimos Ghysels, Santa-Clara y Valkanov (2006) y Andreou, Ghysels y Kourtellos (2010) y el uso de una funcin de "Almon exponencial", que proporciona una funcin paramtrica flexibles del da del mes. Se modela como una fraccin del mes, d / noche; para acomodar meses con diferentes nmeros de das.

En relacin con el modelo lineal, la funcin g (Z) incluye ahora una "interseccin" que detecta la variacin de betas en das especficos del mes. El Apndice parcelas Internet una gama de posibles formas que pueden adoptar los i (d, i), que abarca una serie de patrones econmicamente interesantes, incluyendo la posibilidad de una fachada se ha descrito anteriormente. Es importante destacar que esta especificacin tambin incluye el caso en el que i (d, i) es plana en todo el mes, lo que indica la ausencia de un efecto dade-la-mes, y por lo tanto nos permite probar formalmente por la presencia de estos efectos. En nuestro anlisis emprico tambin consideramos el caso simple de una especificacin pura das-del-mes,

y examinar si existen pruebas de la variacin puramente determinista de la exposicin al riesgo. D. Un modelo de umbral para las exposiciones de factor Ambos modelos presentados anteriormente asumen que la variacin beta es lineal en la variable acondicionada. Consideramos a continuacin una descripcin no lineal para estas dinmicas sobre la base de un modelo de umbral, donde beta supone que cambiar de un valor a otro una vez que se alcanza un umbral para la variable acondicionado:

Para este modelo se utiliza variables condicionantes que acumulan ganancias, prdidas, o en la volatilidad a travs de cada mes, y elegimos el umbral, Z, en funcin de los valores de fin de mes de la variable acondicionado. Por ejemplo, una variable acondicionada que tenemos en cuenta aqu es el retorno acumulada en un ndice de mercado. Esta especificacin se postula que la beta se mantiene en un nivel, siempre y cuando el retorno de mercado acumulada se mantiene por encima de cierto umbral, pero si el rendimiento de mercado cae demasiado lejos (en relacin con el movimiento promedio de los rendimientos del mercado en un mes), entonces los interruptores beta a un nuevo nivel. Tambin consideramos variables que acumulan volatilidad o cambios en la liquidez, tal como se describe a continuacin. IV. La precisin de las estimaciones de betas diarias utilizando rentabilidades mensuales

En esta seccin se estudia la precisin de nuestro mtodo propuesto para la estimacin de las variaciones diarias de las exposiciones a factores de fondos de cobertura utilizando slo rentabilidades mensuales de estos fondos. Analizamos este problema de dos maneras, y encontrar apoyo para nuestro mtodo en ambos casos. Aunque los datos sobre rentabilidad de los fondos de cobertura individuales es casi siempre disponibles solamente en la frecuencia mensual, los datos diarios sobre una coleccin de fondos de cobertura rentabilidad del ndice estilo disponible desde hace poco. Los rendimientos de los ndices diarios son un conjunto de datos ideal, en el mundo real en el que se compruebe la exactitud de nuestro mtodo. Nuestro primer enfoque consiste en utilizar estos datos diarios sobre rendimientos de los ndices de fondos de cobertura, y comparar los resultados que se obtienen cuando se estima el modelo de datos diarios con los que se obtienen cuando se utiliza este mtodo en los resultados mensuales relativos a estos ndices. El segundo enfoque, que se describe en el Apndice de Internet, es llevar a cabo un estudio de simulacin que est calibrado para que coincida con las caractersticas clave de rentabilidad de los fondos de cobertura, y estudiar el comportamiento del mtodo propuesto en diferentes aspectos del proceso de retorno - generacin . 4.1 Los resultados basados en rendimientos de los ndices de cobertura de fondos diarios Retornos diarios de los ndices de cobertura de fondos de estilo se han convertido recientemente disponible de investigacin Hedge Fund (HFR), ver Distaso et al. (2009) para un anlisis de estos ndices .Utilizamos estos datos para comprobar si las estimaciones de cobertura de la exposicin de factores de fondos que obtenemos se basa nicamente en las declaraciones mensuales similares a los que se obtendra si se dispusiera de datos diarios. A medida que los rendimientos diarios HFR slo estn disponibles en el nivel del ndice y comienzan slo en abril de 2003, no son un sustituto de los datos globales que empleamos en los fondos de cobertura individuales. Sin embargo, esta informacin diaria nos proporciona informacin valiosa sobre el rendimiento de nuestro mtodo. Contamos con los ndices HFR diarios durante cinco estilos de fondos de cobertura: cobertura equidad, macro, direccional, arbitraje de fusiones, y el valor relativo. El perodo abril 2003-junio 2009 produce 1575 observaciones diarias y 76 observaciones mensuales. En nuestra pgina de anlisis emprico en el apartado V, consideramos el modelo Fung-Hsieh siete factores de rentabilidad de los fondos de cobertura, pero tres de los Fung-Hsieh factores (los rendimientos de las tres carteras de opciones que se relacionan al pasado) slo estn disponibles con una frecuencia mensual, por lo que no son adecuados para nuestro modelo de rentabilidad del ndice de cobertura de fondos diarios. Por lo tanto restringimos nuestra atencin a los cuatro factores Fung-Hsieh que estn disponibles en la frecuencia diaria. Al igual que en el anlisis principal de abajo, seguimos a Bollen y Whaley (2009) y se reduce el modelo Fung-Hsieh a una ms parsimoniosa especificacin de dos factores utilizando el Criterio de Informacin Bayesiano (equivalente en esta aplicacin para maximizar el R2 o R2 ajustado) para encontrar los dos factores Fung-Hsieh que mejor describen los rendimientos de los ndices de fondos de cobertura diaria. Los factores elegidos y los coeficientes de estos factores en los modelos de parmetros constantes utilizando los retornos diarios y mensuales se presentan en el Apndice de Internet. La Tabla II presenta los resultados del modelo lineal de variables en el tiempo sobre la base de exposiciones de factor Informacin acondicionado, que se estima sea usando retornos diarios o devoluciones mensuales. Los modelos que se estiman son las versiones de dos factores de los modelos presentados en las ecuaciones (6) y (8):

dnde

es el alfa diaria del fondo,

s on las exposiciones constantes a los dos factores

f1 y f2, y variaciones de captura en la exposicin de los factores que se producen en la frecuencia mensual (con la Zt variable) y y variaciones de captura en la exposicin de los factores que se producen en la frecuencia diaria (con la variable Z*d). Si la metodologa presentada en la Seccin 2 es correcta, entonces podramos esperar para ver las estimaciones de parmetros similares en las dos frecuencias de muestreo. Hasta la variabilidad del muestreo, esto es de hecho lo que observamos: en los cinco ndices, los signos de los coeficientes estimados estn de acuerdo, y los casos de desacuerdo todos coincidimos con al menos un parmetro estimado que no es significativamente diferente de cero. Como era de esperar, los parmetros estimados que se obtuvo de declaraciones mensuales son generalmente menos preciso que el estimado con rendimientos diarios. Ms apoyo a nuestro enfoque, los p- value de la prueba de la importancia de variables en el tiempo la exposicin de factores esta deacuerdo en todos menos uno caso: para la cobertura de la equidad, la direccin relativa valor ndices de variacin significativa se detect utilizando retornos tanto diarios y mensuales, para el ndice de macro no se detecta ninguna variacin significativa utilizando la frecuencia, mientras que para la fusin arbitraje de ndices variacin significativa se encuentra utilizando datos diarios, pero no los datos mensuales. En este ltimo caso, la falta de retornos diarios del ndice dificulta nuestra capacidad de detectar variables en el tiempo de la exposicin de los factores. La Tabla II tambin presenta la correlacin entre las series de tiempo de las exposiciones de los factores diarios (betas) estimados mediante retornos diarios y mensuales. Por ejemplo, la correlacin entre la serie de tiempo de exposicin diaria al S & P500 del ndice de cobertura de capital estimado con rendimientos diarios y mensuales es de 0,92 y la correlacin de las estimaciones diarias de la exposicin de este ndice para BAAMTSY es de 1 a tres decimales. Resultados positivos similares se encuentran en los ndices de arbitraje direccionales y de fusin. Para el ndice de macro de una de las correlaciones es negativo, mientras que el otro es positivo, sin embargo, sin embargo, para que en el ndice no se encuentre ninguna evidencia de que beta sea variable en el tiempo, se encuentra, ya sea utilizando los retornos diarios o mensual (los p- values de las pruebas son 0,09 y 0,55, respectivamente), por lo que las betas diarias estimadas son estimaciones esencialmente slo ruido de un valor constante, y como tal, no necesariamente esperar una correlacin positiva entre las estimaciones diarias y mensuales. Para el ndice de valor relativo encontramos una correlacin positiva entre las estimaciones diarias y mensuales de beta en el ndice S & P 500, pero una correlacin mucho menor para la beta en el ndice BAAMTSY.

La explicacin de esta baja correlacin se puede ver a partir de los valores estimados de y utilizando datos diarios se estiman como positivo y significativo, mientras que el uso de los datos mensuales son negativas y / o insignificantes. En este caso, la prdida de precisin en el uso de los datos mensuales puede significar que hay avances en la prctica de establecer los parmetros significativos a cero. En las figuras 1 y 2 se ilustra la correspondencia entre las estimaciones de la exposicin de los factores diarios estim utilizando rendimientos de los ndices diarios reales y rendimientos mensuales del ndice, respectivamente. Para mayor claridad, reducir el enfoque de estos argumentos para el ltimo trimestre de nuestro perodo de muestra (abril de 2009 a junio 2009), conclusiones similares provienen de otros subperodos. Estas cifras ponen de manifiesto la fuerte similitud entre las dos estimaciones de variables en el tiempo de la exposicin al ndice S & P 500, y proporcionar ms apoyo para el enfoque de modelado propuesto en la Seccin 2. Tambin llevamos a cabo un ejercicio de simulacin que se describe en el apndice de Internet, que es una prueba ms en apoyo del mtodo. En general, nuestro anlisis de los retornos diarios de los ndices de fondos de cobertura y los resultados de la simulacin proporciona un fuerte apoyo a la fiabilidad de nuestro procedimiento de estimacin en la prctica. Teniendo en cuenta los datos diarios de variables condicionantes, los resultados de esta seccin confirman que nuestro mtodo proporciona un medio de obtener estimaciones fiables de la exposicin al riesgo diario de rentabilidad de los fondos de cobertura mensual.

V. La evidencia emprica sobre las exposiciones de riesgo dinmicos

Como se describi anteriormente, seguimos Bollen y Whaley (2009) y reducir el factor siete de Fung-Hsieh (2004a, 2004b) modelo completo, la eleccin de un subconjunto de dos factores ms parsimoniosos de estos factores como el modelo esttico lnea de base. La Figura 3 muestra que el factor con mayor frecuencia seleccionada es el ndice S & P 500, elegido por el 60,5% de los fondos. De los seis factores restantes, el seleccionado con ms frecuencia es el factor de tamao (SMB), mientras que el segundo factor ms frecuencia seleccionada es la propagacin por defecto (BAAMTSY), que se eligen de 33,1% y 32,6% de los fondos, respectivamente. El Apndice Internet rompe esta abajo a travs de los nueve grupos de estrategias y programas que los factores de segundo seleccionadas son generalmente consistentes con la intuicin acerca de los factores en los que la carga estrategias diferentes. Con estos modelos "ptimos" de dos factores para cada fondo individual, pasamos ahora a los resultados de los diferentes modelos de la exposicin dinmica a estos factores.

5.1 Evidencia de variables en el tiempo a la exposicin al riesgo 5.1.1 El modelo lineal En la Tabla III se presentan los resultados de las pruebas estadsticas para nuestro modelo lineal de variables en el tiempo la exposicin al riesgo, a travs de todo el conjunto de 14,194 fondos en la base de datos. Para cada una de las cuatro opciones de acondicionado variables, se presenta la

proporcin de los fondos para las que se puede rechazar la hiptesis nula de factor constante exposiciones a nivel 0,05 con diferentes variantes del modelo lineal.

La primera fila de la Tabla III se presenta los resultados de las pruebas basadas en el enfoque lineal propuesto. Las cuatro opciones diferentes para variables condicionantes que empleamos producen una proporcin similar de los fondos que puede rechazar la hiptesis nula de exposiciones constantes de los factores al nivel de 5% de significacin. En promedio en las opciones de la variable acondicionado, esta proporcin es de 22,4% del total, o 3.180 fondos. Con una prueba de nivel de 5% que esperamos alrededor de 5% de rechazos, incluso cuando los nulos son verdad, y sera ser til saber si la proporcin 22,4% es significativamente mayor que 5%.el establecimiento de esta requiere una suposicin sobre la correlacin entre las pruebas estadsticas. Si se supone que de cada fondo estadstica de prueba es independiente de los dems, entonces podemos usar el quintil superior de 95% de la distribucin Binomial, y encontrar que el valor crtico para la proporcin de fondos "significativos" es 5,31%. Un supuesto mas conservador de la correlacin entre las pruebas estadsticas de 20% de ofertas (a travs de la simulacin) a un valor crtico para la proporcin de 11,1%, lo que sugiere que nuestra proporcin de 22,4% es de hecho significativamente mayor de lo que cabra esperar si ninguno de los fondos tiene variacin temporal significativa.

En el resto de las filas de la Tabla III, se busca aislar las fuentes de la informacin de nuestro enfoque de modelado. En la segunda fila, probamos variables en el tiempo de la exposicin al riesgo utilizando nicamente Informacin mensual acondicionado. Es decir, obligamos a los coeficientes de la informacin diaria a ser cero, y utilizar un enfoque Ferson-Schadt (1996) puro. En promedio, en variables condicionantes, podemos rechazar exposiciones de riesgo constantes para 12% de los fondos, que es sustancialmente menor que el 22,4% que se obtienen cuando combinamos la informacin diaria y mensual. La importancia de la informacin diaria se ve reforzada por las dos filas siguientes de la tabla: cuando se prueba para la significacin de la informacin diaria de control para obtener informacin mensual seguimos encontrando significado en torno al 22% de los fondos. Sin embargo, cuando probamos la importancia de la informacin mensual controlada por la informacin diaria, la proporcin de fondos importantes se reduce a 12,3%. Ambos resultados apuntan a la importancia de la informacin diaria para los modelos de la dinmica de la cobertura de la exposicin al riesgo del fondo.

Table III El fondo de cobertura vara con el tiempo a las exposiciones de riesgo: Modelo Lineal Esta tabla muestra los resultados del modelo lineal (i.e., g(Z) es lineal en Z) de variables en el tiempo dela exposicin al riesgo en rentabilidad de los fondos de cobertura. La tabla muestra el porcentaje de 14,194 fondos de cobertura ya que podemos rechazar la hiptesis nula de la exposicin al riesgo constantes al nivel

del 5% de significacin, de acuerdo con diferentes modelos: el modelo tanto con la variacin Z diaria y mensual permitido, el modelo slo con variacin mensual en Z, el incremento significativo de la variacin diaria Z por encima de variacin mensual Z, y el significado incremental de la variacin mensual Z por encima de variacin diaria Z. Los encabezados de columna se enumeran los cuatro variables Z que considerar (el cambio de 3 meses de la tasa del Tesoro EE.UU. (etiquetado dLevel), S & P 500 vuelve exponencialmente sin tendencia VIX y el TED spread), seguido de un promedio simple de las proporciones a travs de variables Z.

Tabla IV rompe los resultados del modelo lineal por el estilo del fondo de cobertura. El cuadro revela algunas diferencias interesantes a travs de variables condicionantes. Por ejemplo, el TED spread es la mejor variable condicionante para el estilo de renta fija, y dlevel es lo mejor para los operadores direccionales y estilos seleccin de valores, lo que sugiere la importancia de aprovechar los fondos en estos estilos. Panel B de la Tabla IV confirma que para la mayora de los estilos, acondicionado la informacin diaria sigue siendo significativa incluso cuando se controla por informacin mensual acondicionado. Tambin hay diferencias interesantes a travs de estilos: por ejemplo, los dos estilos con la parte ms alta de los fondos que rechazan la hiptesis nula de la exposicin al riesgo constante son fondos de fondos y fondos de multiproceso, mientras que los fondos CTA y Macro parecen tener una menor proporcin de rechazos. Nosotros atribuimos esto a tres razones principales. Primero, los rendimientos de los fondos-de-fondos y multi-proceso fondos son esencialmente una media de las rentabilidades de los fondos mltiples / estrategias que logren. Esto hace que sus rendimientos promedio sean menos ruidoso, permitiendo mtodos como la nuestra a identificar ms fcilmente movimientos en la exposicin al riesgo. (Cabe destacar que este promedio es probable que sea til en el caso en el que la variacin exposicin al riesgo se correlaciona en fondos. El hecho de que tanto el fondo de fondos y fondos de multiproceso presentan altos niveles de variacin de la exposicin al riesgo parece proporcionar pruebas en apoyo de esta conjetura).

Table IV Resultados del Modelo lineal por Estilo de cobertura de Fondo Esta tabla muestra la proporcin de los fondos de cobertura a travs de los diez estilos de los que podemos rechazar la hiptesis nula de la exposicin al riesgo constante al nivel del 5% de significancia. El panel A muestra los resultados de un modelo que permite la variacin en Z a frecuencias tanto diarios y mensuales, y el Panel B muestra la proporcin de fondos que permite la variacin diaria es importante ms all de un modelo mensual de referencia. Las columnas muestran las cuatro opciones de Z considerados y la proporcin promedio entre los cuatro.

En segundo lugar, contamos con cuatro variables de interaccin amplia, que capturan tendencias sistemticas, en lugar de razones especficas de los Fondos para los cambios de asignacin de cartera. Esto los hacen nuestras mejores variables para la captura de los riesgos de las carteras diversificadas de fondos de alto riesgo, como los fondos de los fondos y los fondos de mltiples procesos. Tercero, modelos de factores de fondos de cobertura son un intento de captar las estrategias comerciales dinmicas de fondos, pero no se han creado para capturar la variacin en el peso de la cartera de las estrategias, es decir, los movimientos de una estrategia a otra. Puede ser que nuestro enfoque permite modelos de factores tradicionales para recoger mejor a este tipo de cambios tambin.

La importancia de la informacin diaria para modelar la exposicin al riesgo de fondos de cobertura se ilustra en la Figura 4. para todo el conjunto de 14,194 fondos, trazado de las funciones de distribucin acumulativa del estadstico R2 ajustado para todos los fondos para dos modelos estticos (los mejores dos factores FungHsieh, as como el modelo completo de siete factores ), y dos modelos dinmicos (el modelo lineal con slo la informacin acondicionada mensual, y el modelo lineal con la informacin tanto diaria como mensual acondicionado). Como Bollen y Whaley (2009) encuentran para su modelo de punto de cambio, la figura 4 muestra que los modelos propuestos convincentemente vencieron a los modelos constantes de parmetros en el sentido de que el CDF de nuestros modelos en todas partes se encuentran bajo las del modelo constante. Esto no slo es vlido para el modelo estimado utilizando el subconjunto de dos variables de los siete factores Fung-Hsieh seleccionados en nuestra primera etapa de procedimiento de bsqueda, sino que tambin es el caso para el modelo de siete factores completo. Este ltimo es un intento de modelar la exposicin al riesgo dinmico utilizando una rplica opcin basada en la rentabilidad de una planteada estrategia dinmica de negociacin, y el grfico confirma que esto parece insuficiente por s misma para captar los movimientos en la exposicin al riesgo Fondos. La comparacin de la CDF para las estadsticas R2 ajustados del modelo utilizando slo la informacin mensual para que desde el modelo utilizando tanto la informacin diaria y mensualmente nos encontramos con una mejora sustancial: la CDF de este ltimo se encuentra una vez ms en todas partes por debajo de la antigua, lo que confirma la importancia de la informacin diaria acondicionado para describir la exposicin al riesgo de cobertura del fondo.

C. Efectos Da-del-mes en la exposicin de los factores

Lakonishok (1991) encuentran que los gestores de fondos de pensiones tienden a vender cada vez ms la prdida de existencias en el cuarto trimestre del ao, cuando las carteras de los fondos 'se examinan de cerca por los patrocinadores. Ellos sugieren que esta es una prueba de una fachada, donde los gerentes alteran sus carteras para impresionar a patrocinadores. La mayora de los fondos de cobertura pretenden generar "rentabilidad absoluta", que no estn relacionados (cero-beta) con los puntos de referencia utilizados. Similar a los fondos de pensiones y fondos de inversin, fondos de cobertura tambin tienen peridica (mensual) a intervalos de bases de datos a disposicin del pblico la presentacin de informes. Dentro de estos intervalos de presentacin de informes, los fondos de cobertura estn en libertad de buscar estrategias que podran no ser necesariamente cero, o incluso bajo beta. De hecho, los administradores pueden aplicar estrategias que tienen bajo-beta mensual del promedio de los puntos de referencia a pesar de tener muy altos betas en perodos dentro de estos meses. Una de estas estrategias es que los directivos tienen una alta exposicin acaba siguientes fechas de presentacin de informes mensuales, y las exposiciones ms bajas justo anteriores a la fecha de presentacin del siguiente informe. Otra posibilidad es que los gerentes tratan las estrategias de retorno absoluto a principios de mes, y se vistieron de posiciones apalancadas en los puntos de referencia a finales de mes con el fin de reunir una mayor rentabilidad. Para detectar este tipo de estacionalidad intra-mes, se considera la siguiente especificacin:

Cuando los segundo y tercer trminos en la expresin son los mismos que en el modelo lineal. Para el trmino principal, i (d, ); seguimos Ghysels, Santa-Clara y Valkanov (2006) y Andreou, Ghysels y Kourtellos (2010) y el uso de una funcin de "Almon exponencial", que proporciona una funcin paramtrica flexibles del da del mes. Se modela como una fraccin del mes, d / noche; para acomodar meses con diferentes nmeros de das.

En relacin con el modelo lineal, la funcin g (Z) incluye ahora una "interseccin" que detecta la variacin de betas en das especficos del mes. El Apndice parcelas Internet una gama de posibles formas que pueden adoptar los i (d, i), que abarca una serie de patrones econmicamente interesantes, incluyendo la posibilidad de una fachada se ha descrito anteriormente. Es importante destacar que esta especificacin tambin incluye el caso en el que i (d, i) es plana en todo el mes, lo que indica la ausencia de un efecto dade-la-mes, y por lo tanto nos permite probar formalmente por la presencia de estos efectos. En nuestro anlisis emprico tambin consideramos el caso simple de una especificacin pura das-del-mes,

y examinar si existen pruebas de la variacin puramente determinista de la exposicin al riesgo. D. Un modelo de umbral para las exposiciones de factor

Ambos modelos presentados anteriormente asumen que la variacin beta es lineal en la variable acondicionada. Consideramos a continuacin una descripcin no lineal para estas dinmicas sobre la base de un modelo de umbral, donde beta supone que cambiar de un valor a otro una vez que se alcanza un umbral para la variable acondicionado:

Para este modelo se utiliza variables condicionantes que acumulan ganancias, prdidas, o en la volatilidad a travs de cada mes, y elegimos el umbral, Z, en funcin de los valores de fin de mes de la variable acondicionado. Por ejemplo, una variable acondicionada que tenemos en cuenta aqu es el retorno acumulada en un ndice de mercado. Esta especificacin se postula que la beta se mantiene en un nivel, siempre y cuando el retorno de mercado acumulada se mantiene por encima de cierto umbral, pero si el rendimiento de mercado cae demasiado lejos (en relacin con el movimiento promedio de los rendimientos del mercado en un mes), entonces los interruptores beta a un nuevo nivel. Tambin consideramos variables que acumulan volatilidad o cambios en la liquidez, tal como se describe a continuacin. IV. La precisin de las estimaciones de betas diarias utilizando rentabilidades mensuales En esta seccin se estudia la precisin de nuestro mtodo propuesto para la estimacin de las variaciones diarias de las exposiciones a factores de fondos de cobertura utilizando slo rentabilidades mensuales de estos fondos. Analizamos este problema de dos maneras, y encontrar apoyo para nuestro mtodo en ambos casos. Aunque los datos sobre rentabilidad de los fondos de cobertura individuales es casi siempre disponibles solamente en la frecuencia mensual, los datos diarios sobre una coleccin de fondos de cobertura rentabilidad del ndice estilo disponible desde hace poco. Los rendimientos de los ndices diarios son un conjunto de datos ideal, en el mundo real en el que se compruebe la exactitud de nuestro mtodo. Nuestro primer enfoque consiste en utilizar estos datos diarios sobre rendimientos de los ndices de fondos de cobertura, y comparar los resultados que se obtienen cuando se estima el modelo de datos diarios con los que se obtienen cuando se utiliza este mtodo en los resultados mensuales relativos a estos ndices. El segundo enfoque, que se describe en el Apndice de Internet, es llevar a cabo un estudio de simulacin que est calibrado para que coincida con las caractersticas clave de rentabilidad de los fondos de cobertura, y estudiar el comportamiento del mtodo propuesto en diferentes aspectos del proceso de retorno - generacin . 4.1 Los resultados basados en rendimientos de los ndices de cobertura de fondos diarios Retornos diarios de los ndices de cobertura de fondos de estilo se han convertido recientemente disponible de investigacin Hedge Fund (HFR), ver Distaso et al. (2009) para un anlisis de estos ndices .Utilizamos estos datos para comprobar si las estimaciones de cobertura de la exposicin de factores de fondos que obtenemos se basa nicamente en las declaraciones mensuales similares a los que se obtendra si se dispusiera de datos diarios. A medida que los rendimientos diarios HFR slo estn disponibles en el nivel del ndice y comienzan slo en abril de 2003, no son un sustituto de los datos globales que empleamos en los fondos de cobertura individuales. Sin embargo, esta informacin diaria nos proporciona informacin valiosa sobre el rendimiento de nuestro mtodo. Contamos con los ndices HFR diarios durante cinco estilos de fondos de cobertura:

cobertura equidad, macro, direccional, arbitraje de fusiones, y el valor relativo. El perodo abril 2003-junio 2009 produce 1575 observaciones diarias y 76 observaciones mensuales. En nuestra pgina de anlisis emprico en el apartado V, consideramos el modelo Fung-Hsieh siete factores de rentabilidad de los fondos de cobertura, pero tres de los Fung-Hsieh factores (los rendimientos de las tres carteras de opciones que se relacionan al pasado) slo estn disponibles con una frecuencia mensual, por lo que no son adecuados para nuestro modelo de rentabilidad del ndice de cobertura de fondos diarios. Por lo tanto restringimos nuestra atencin a los cuatro factores Fung-Hsieh que estn disponibles en la frecuencia diaria. Al igual que en el anlisis principal de abajo, seguimos a Bollen y Whaley (2009) y se reduce el modelo Fung-Hsieh a una ms parsimoniosa especificacin de dos factores utilizando el Criterio de Informacin Bayesiano (equivalente en esta aplicacin para maximizar el R2 o R2 ajustado) para encontrar los dos factores Fung-Hsieh que mejor describen los rendimientos de los ndices de fondos de cobertura diaria. Los factores elegidos y los coeficientes de estos factores en los modelos de parmetros constantes utilizando los retornos diarios y mensuales se presentan en el Apndice de Internet. La Tabla II presenta los resultados del modelo lineal de variables en el tiempo sobre la base de exposiciones de factor Informacin acondicionado, que se estima sea usando retornos diarios o devoluciones mensuales. Los modelos que se estiman son las versiones de dos factores de los modelos presentados en las ecuaciones (6) y (8):

dnde

es el alfa diaria del fondo,

s on las exposiciones constantes a los dos factores

f1 y f2, y variaciones de captura en la exposicin de los factores que se producen en la frecuencia mensual (con la Zt variable) y y variaciones de captura en la exposicin de los factores que se producen en la frecuencia diaria (con la variable Z*d). Si la metodologa presentada en la Seccin 2 es correcta, entonces podramos esperar para ver las estimaciones de parmetros similares en las dos frecuencias de muestreo. Hasta la variabilidad del muestreo, esto es de hecho lo que observamos: en los cinco ndices, los signos de los coeficientes estimados estn de acuerdo, y los casos de desacuerdo todos coincidimos con al menos un parmetro estimado que no es significativamente diferente de cero. Como era de esperar, los parmetros estimados que se obtuvo de declaraciones mensuales son generalmente menos preciso que el estimado con rendimientos diarios. Ms apoyo a nuestro enfoque, los p- value de la prueba de la importancia de variables en el tiempo la exposicin de factores esta deacuerdo en todos menos uno caso: para la cobertura de la equidad, la direccin relativa valor ndices de variacin significativa se detect utilizando retornos tanto diarios y mensuales, para el ndice de macro no se detecta ninguna variacin significativa utilizando la frecuencia, mientras que para la fusin arbitraje de ndices variacin significativa se encuentra utilizando datos diarios, pero no los datos mensuales.

En este ltimo caso, la falta de retornos diarios del ndice dificulta nuestra capacidad de detectar variables en el tiempo de la exposicin de los factores. La Tabla II tambin presenta la correlacin entre las series de tiempo de las exposiciones de los factores diarios (betas) estimados mediante retornos diarios y mensuales. Por ejemplo, la correlacin entre la serie de tiempo de exposicin diaria al S & P500 del ndice de cobertura de capital estimado con rendimientos diarios y mensuales es de 0,92 y la correlacin de las estimaciones diarias de la exposicin de este ndice para BAAMTSY es de 1 a tres decimales. Resultados positivos similares se encuentran en los ndices de arbitraje direccionales y de fusin. Para el ndice de macro de una de las correlaciones es negativo, mientras que el otro es positivo, sin embargo, sin embargo, para que en el ndice no se encuentre ninguna evidencia de que beta sea variable en el tiempo, se encuentra, ya sea utilizando los retornos diarios o mensual (los p- values de las pruebas son 0,09 y 0,55, respectivamente), por lo que las betas diarias estimadas son estimaciones esencialmente slo ruido de un valor constante, y como tal, no necesariamente esperar una correlacin positiva entre las estimaciones diarias y mensuales. Para el ndice de valor relativo encontramos una correlacin positiva entre las estimaciones diarias y mensuales de beta en el ndice S & P 500, pero una correlacin mucho menor para la beta en el ndice BAAMTSY. La explicacin de esta baja correlacin se puede ver a partir de los valores estimados de y utilizando datos diarios se estiman como positivo y significativo, mientras que el uso de los datos mensuales son negativas y / o insignificantes. En este caso, la prdida de precisin en el uso de los datos mensuales puede significar que hay avances en la prctica de establecer los parmetros significativos a cero. En las figuras 1 y 2 se ilustra la correspondencia entre las estimaciones de la exposicin de los factores diarios estim utilizando rendimientos de los ndices diarios reales y rendimientos mensuales del ndice, respectivamente. Para mayor claridad, reducir el enfoque de estos argumentos para el ltimo trimestre de nuestro perodo de muestra (abril de 2009 a junio 2009), conclusiones similares provienen de otros subperodos. Estas cifras ponen de manifiesto la fuerte similitud entre las dos estimaciones de variables en el tiempo de la exposicin al ndice S & P 500, y proporcionar ms apoyo para el enfoque de modelado propuesto en la Seccin 2. Tambin llevamos a cabo un ejercicio de simulacin que se describe en el apndice de Internet, que es una prueba ms en apoyo del mtodo. En general, nuestro anlisis de los retornos diarios de los ndices de fondos de cobertura y los resultados de la simulacin proporciona un fuerte apoyo a la fiabilidad de nuestro procedimiento de estimacin en la prctica. Teniendo en cuenta los datos diarios de variables condicionantes, los resultados de esta seccin confirman que nuestro mtodo proporciona un medio de obtener estimaciones fiables de la exposicin al riesgo diario de rentabilidad de los fondos de cobertura mensual.

V. La evidencia emprica sobre las exposiciones de riesgo dinmicos Como se describi anteriormente, seguimos Bollen y Whaley (2009) y reducir el factor siete de Fung-Hsieh (2004a, 2004b) modelo completo, la eleccin de un subconjunto de dos factores ms parsimoniosos de estos factores como el modelo esttico lnea de base. La Figura 3 muestra que el factor con mayor frecuencia seleccionada es el ndice S & P 500, elegido por el 60,5% de los fondos. De los seis factores restantes, el seleccionado con ms frecuencia es el factor de tamao (SMB), mientras que el segundo factor ms frecuencia seleccionada es la propagacin por defecto (BAAMTSY), que se eligen de 33,1% y 32,6% de los fondos, respectivamente. El Apndice Internet rompe esta abajo a travs de los nueve grupos de estrategias y programas que los factores de segundo seleccionadas son generalmente consistentes con la intuicin acerca de los factores en los que la carga estrategias diferentes. Con estos modelos "ptimos" de dos factores para cada fondo individual, pasamos ahora a los resultados de los diferentes modelos de la exposicin dinmica a estos factores.

5.1 Evidencia de variables en el tiempo a la exposicin al riesgo 5.1.1 El modelo lineal En la Tabla III se presentan los resultados de las pruebas estadsticas para nuestro modelo lineal de variables en el tiempo la exposicin al riesgo, a travs de todo el conjunto de 14,194 fondos en la base de datos. Para cada una de las cuatro opciones de acondicionado variables, se presenta la

proporcin de los fondos para las que se puede rechazar la hiptesis nula de factor constante exposiciones a nivel 0,05 con diferentes variantes del modelo lineal.

La primera fila de la Tabla III se presenta los resultados de las pruebas basadas en el enfoque lineal propuesto. Las cuatro opciones diferentes para variables condicionantes que empleamos producen una proporcin similar de los fondos que puede rechazar la hiptesis nula de exposiciones constantes de los factores al nivel de 5% de significacin. En promedio en las opciones de la variable acondicionado, esta proporcin es de 22,4% del total, o 3.180 fondos. Con una prueba de nivel de 5% que esperamos alrededor de 5% de rechazos, incluso cuando los nulos son verdad, y sera ser til saber si la proporcin 22,4% es significativamente mayor que 5%.el establecimiento de esta requiere una suposicin sobre la correlacin entre las pruebas estadsticas. Si se supone que de cada fondo estadstica de prueba es independiente de los dems, entonces podemos usar el quintil superior de 95% de la distribucin Binomial, y encontrar que el valor crtico para la proporcin de fondos "significativos" es 5,31%. Un supuesto mas conservador de la correlacin entre las pruebas estadsticas de 20% de ofertas (a travs de la simulacin) a un valor crtico para la proporcin de 11,1%, lo que sugiere que nuestra proporcin de 22,4% es de hecho significativamente mayor de lo que cabra esperar si ninguno de los fondos tiene variacin temporal significativa.

En el resto de las filas de la Tabla III, se busca aislar las fuentes de la informacin de nuestro enfoque de modelado. En la segunda fila, probamos variables en el tiempo de la exposicin al riesgo utilizando nicamente Informacin mensual acondicionado. Es decir, obligamos a los coeficientes de la informacin diaria a ser cero, y utilizar un enfoque Ferson-Schadt (1996) puro. En promedio, en variables condicionantes, podemos rechazar exposiciones de riesgo constantes para 12% de los fondos, que es sustancialmente menor que el 22,4% que se obtienen cuando combinamos la informacin diaria y mensual. La importancia de la informacin diaria se ve reforzada por las dos filas siguientes de la tabla: cuando se prueba para la significacin de la informacin diaria de control para obtener informacin mensual seguimos encontrando significado en torno al 22% de los fondos. Sin embargo, cuando probamos la importancia de la informacin mensual controlada por la informacin diaria, la proporcin de fondos importantes se reduce a 12,3%. Ambos resultados apuntan a la importancia de la informacin diaria para los modelos de la dinmica de la cobertura de la exposicin al riesgo del fondo.

Table III El fondo de cobertura vara con el tiempo a las exposiciones de riesgo: Modelo Lineal Esta tabla muestra los resultados del modelo lineal (i.e., g(Z) es lineal en Z) de variables en el tiempo dela exposicin al riesgo en rentabilidad de los fondos de cobertura. La tabla muestra el porcentaje de 14,194 fondos de cobertura ya que podemos rechazar la hiptesis nula de la exposicin al riesgo constantes al nivel

del 5% de significacin, de acuerdo con diferentes modelos: el modelo tanto con la variacin Z diaria y mensual permitido, el modelo slo con variacin mensual en Z, el incremento significativo de la variacin diaria Z por encima de variacin mensual Z, y el significado incremental de la variacin mensual Z por encima de variacin diaria Z. Los encabezados de columna se enumeran los cuatro variables Z que considerar (el cambio de 3 meses de la tasa del Tesoro EE.UU. (etiquetado dLevel), S & P 500 vuelve exponencialmente sin tendencia VIX y el TED spread), seguido de un promedio simple de las proporciones a travs de variables Z.

Tabla IV rompe los resultados del modelo lineal por el estilo del fondo de cobertura. El cuadro revela algunas diferencias interesantes a travs de variables condicionantes. Por ejemplo, el TED spread es la mejor variable condicionante para el estilo de renta fija, y dlevel es lo mejor para los operadores direccionales y estilos seleccin de valores, lo que sugiere la importancia de aprovechar los fondos en estos estilos. Panel B de la Tabla IV confirma que para la mayora de los estilos, acondicionado la informacin diaria sigue siendo significativa incluso cuando se controla por informacin mensual acondicionado. Tambin hay diferencias interesantes a travs de estilos: por ejemplo, los dos estilos con la parte ms alta de los fondos que rechazan la hiptesis nula de la exposicin al riesgo constante son fondos de fondos y fondos de multiproceso, mientras que los fondos CTA y Macro parecen tener una menor proporcin de rechazos. Nosotros atribuimos esto a tres razones principales. Primero, los rendimientos de los fondos-de-fondos y multi-proceso fondos son esencialmente una media de las rentabilidades de los fondos mltiples / estrategias que logren. Esto hace que sus rendimientos promedio sean menos ruidoso, permitiendo mtodos como la nuestra a identificar ms fcilmente movimientos en la exposicin al riesgo. (Cabe destacar que este promedio es probable que sea til en el caso en el que la variacin exposicin al riesgo se correlaciona en fondos. El hecho de que tanto el fondo de fondos y fondos de multiproceso presentan altos niveles de variacin de la exposicin al riesgo parece proporcionar pruebas en apoyo de esta conjetura).

Table IV Resultados del Modelo lineal por Estilo de cobertura de Fondo Esta tabla muestra la proporcin de los fondos de cobertura a travs de los diez estilos de los que podemos rechazar la hiptesis nula de la exposicin al riesgo constante al nivel del 5% de significancia. El panel A muestra los resultados de un modelo que permite la variacin en Z a frecuencias tanto diarios y mensuales, y el Panel B muestra la proporcin de fondos que permite la variacin diaria es importante ms all de un modelo mensual de referencia. Las columnas muestran las cuatro opciones de Z considerados y la proporcin promedio entre los cuatro.

En segundo lugar, contamos con cuatro variables de interaccin amplia, que capturan tendencias sistemticas, en lugar de razones especficas de los Fondos para los cambios de asignacin de cartera. Esto los hacen nuestras mejores variables para la captura de los riesgos de las carteras diversificadas de fondos de alto riesgo, como los fondos de los fondos y los fondos de mltiples procesos. Tercero, modelos de factores de fondos de cobertura son un intento de captar las estrategias comerciales dinmicas de fondos, pero no se han creado para capturar la variacin en el peso de la cartera de las estrategias, es decir, los movimientos de una estrategia a otra. Puede ser que nuestro enfoque permite modelos de factores tradicionales para recoger mejor a este tipo de cambios tambin.

La importancia de la informacin diaria para modelar la exposicin al riesgo de fondos de cobertura se ilustra en la Figura 4. para todo el conjunto de 14,194 fondos, trazado de las funciones de distribucin acumulativa del estadstico R2 ajustado para todos los fondos para dos modelos estticos (los mejores dos factores FungHsieh, as como el modelo completo de siete factores ), y dos modelos dinmicos (el modelo lineal con slo la informacin acondicionada mensual, y el modelo lineal con la informacin tanto diaria como mensual acondicionado). Como Bollen y Whaley (2009) encuentran para su modelo de punto de cambio, la figura 4 muestra que los modelos propuestos convincentemente vencieron a los modelos constantes de parmetros en el sentido de que el CDF de nuestros modelos en todas partes se encuentran bajo las del modelo constante. Esto no slo es vlido para el modelo estimado utilizando el subconjunto de dos variables de los siete factores Fung-Hsieh seleccionados en nuestra primera etapa de procedimiento de bsqueda, sino que tambin es el caso para el modelo de siete factores completo. Este ltimo es un intento de modelar la exposicin al riesgo dinmico utilizando una rplica opcin basada en la rentabilidad de una planteada estrategia dinmica de negociacin, y el grfico confirma que esto parece insuficiente por s misma para captar los movimientos en la exposicin al riesgo Fondos. La comparacin de la CDF para las estadsticas R2 ajustados del modelo utilizando slo la informacin mensual para que desde el modelo utilizando tanto la informacin diaria y mensualmente nos encontramos con una mejora sustancial: la CDF de este ltimo se encuentra una vez ms en todas partes por debajo de la antigua, lo que confirma la importancia de la informacin diaria acondicionado para describir la exposicin al riesgo de cobertura del fondo.