En este estudio, proponemos un enfoque de aprendizaje adversarial para el problema de estimación del modelo de fijación de precios de activos que tiene como objetivo encontrar estimaciones de factores y cargas que capturen las covariaciones de series temporales minimizando los errores de fijación de precios transversales en el peor de los casos. El estimador propuesto está definido por un problema de optimización min-max novedoso en el que se sabe que encontrar una solución es difícil. Esto contrasta con otros estimadores relacionados que admiten una solución analítica bien definida pero no tienen en cuenta de manera efectiva las correlaciones entre los errores de fijación de precios. Con este fin, proponemos un algoritmo aproximado basado en el procedimiento de optimización alternante y demostramos empíricamente que nuestro marco de estimación adversarial propuesto supera a otros modelos de factores existentes, especialmente cuando el poder explicativo del modelo de fijación de precios es limitado.