We evaluate the use of Generalized Empirical Likelihood (GEL) estimators in portfolios efficiency tests for asset pricing models in the presence of conditional information. Estimators from GEL family presents some optimal statistical properties, such as robustness to misspecification and better properties in finite samples. Unlike GMM, the bias for GEL estimators do not increase as more moment conditions are included, which is expected in conditional efficiency analysis. We found some evidences that estimators from GEL class really performs differently in small samples, where efficiency tests using GEL generate lower estimates compared to tests using the standard approach with GMM. With Monte Carlo experiments we see that GEL has better performance when distortions are present in data, especially under heavy tails and Gaussian shocks. / Neste estudo avaliamos o uso de estimadores Generalized Empirical Likelihood (GEL) em testes de eficiência de portfólios para modelos apreçamento de ativos na presença de informação condicional. Estimadores da família GEL apresentam algumas propriedades estatísticas ótimas, tais como robustez à má especificação e melhores propriedades em amostras finitas. Diferentemente do GMM, o viés dos estimadores GEL não aumenta conforme se incluem mais condições de momentos, o que é esperado na análise de eficiência condicional. Encontramos algumas evidências de que os estimadores da classe GEL realmente performam diferentemente em amostras finitas, em que testes de eficiência com o uso do GEL geram estimativas menores comparadas aos testes com o uso da abordagem padrão com GMM. Através dos experimentos de Monte Carlo vemos que o GEL possui melhor performance quando distorções estão presentes nos dados, especialmente sob heavy tails e choques Gaussianos.

We evaluate the use of Generalized Empirical Likelihood (GEL) estimators in portfolios efficiency tests for asset pricing models in the presence of conditional information. Estimators from GEL family presents some optimal statistical properties, such as robustness to misspecification and better properties in finite samples. Unlike GMM, the bias for GEL estimators do not increase as more moment conditions are included, which is expected in conditional efficiency analysis. We found some evidences that estimators from GEL class really performs differently in small samples, where efficiency tests using GEL generate lower estimates compared to tests using the standard approach with GMM. With Monte Carlo experiments we see that GEL has better performance when distortions are present in data, especially under heavy tails and Gaussian shocks. / Neste estudo avaliamos o uso de estimadores Generalized Empirical Likelihood (GEL) em testes de eficiência de portfólios para modelos apreçamento de ativos na presença de informação condicional. Estimadores da família GEL apresentam algumas propriedades estatísticas ótimas, tais como robustez à má especificação e melhores propriedades em amostras finitas. Diferentemente do GMM, o viés dos estimadores GEL não aumenta conforme se incluem mais condições de momentos, o que é esperado na análise de eficiência condicional. Encontramos algumas evidências de que os estimadores da classe GEL realmente performam diferentemente em amostras finitas, em que testes de eficiência com o uso do GEL geram estimativas menores comparadas aos testes com o uso da abordagem padrão com GMM. Através dos experimentos de Monte Carlo vemos que o GEL possui melhor performance quando distorções estão presentes nos dados, especialmente sob heavy tails e choques Gaussianos.