Heteroskedastyczny

DEFINICJA Heteroskedastyki

Heteroskedastyczny odnosi się do stanu, w którym wariancja składnika resztowego lub składnika błędu w modelu regresji jest bardzo zróżnicowana. Jeśli to prawda, może się to zmieniać w sposób systematyczny i może istnieć jakiś czynnik, który może to wyjaśnić. Jeśli tak, to model może być słabo zdefiniowany i należy go zmodyfikować tak, aby ta systematyczna wariancja była wyjaśniona przez jedną lub więcej dodatkowych zmiennych predykcyjnych.

Przeciwieństwem heteroskedastyki jest homoskedastyka. Homoskedastyczność odnosi się do stanu, w którym wariancja członu rezydualnego jest stała lub prawie taka sama. Homoskedastyczność (nazywana również „homoskedastycznością”) jest jednym z założeń modelowania regresji liniowej. Homoskedastyczność sugeruje, że model regresji może być dobrze zdefiniowany, co oznacza, że zapewnia dobre wyjaśnienie działania zmiennej zależnej.

ROZKŁADANIE heteroskedastyki

Heteroskedastyczność jest ważną koncepcją w modelowaniu regresji, aw świecie inwestycji modele regresji służą do wyjaśniania wyników papierów wartościowych i portfeli inwestycyjnych. Najbardziej znanym z nich jest model wyceny aktywów kapitałowych (CAPM), który wyjaśnia wyniki akcji pod względem ich zmienności w stosunku do całego rynku. Rozszerzenia tego modelu dodały inne zmienne predykcyjne, takie jak rozmiar, dynamika, jakość i styl (wartość vs wzrost).

Te zmienne predykcyjne zostały dodane, ponieważ wyjaśniają lub wyjaśniają wariancję zmiennej zależnej, wydajności portfela, a następnie są wyjaśniane przez CAPM. Na przykład twórcy modelu CAPM byli świadomi, że ich model nie wyjaśniał interesującej anomalii: akcje wysokiej jakości, które były mniej zmienne niż akcje niskiej jakości, miały tendencję do osiągania lepszych wyników niż przewidywano w modelu CAPM. CAPM twierdzi, że akcje o wyższym ryzyku powinny radzić sobie lepiej niż akcje o niższym ryzyku. Innymi słowy, akcje o wysokiej zmienności powinny pokonać akcje o niższej zmienności. Ale akcje wysokiej jakości, które są mniej zmienne, mają tendencję do osiągania lepszych wyników niż przewidywał CAPM.

Później inni badacze rozszerzyli model CAPM (który został już rozszerzony o inne zmienne prognostyczne, takie jak rozmiar, styl i pęd), aby uwzględnić jakość jako dodatkową zmienną predykcyjną, znaną również jako „czynnik”. Uwzględniając ten czynnik w modelu, uwzględniono anomalię wyników akcji o niskiej zmienności. Modele te, znane jako modele wieloczynnikowe,. stanowią podstawę inwestycji faktorowych i inteligentnej wersji beta.