Гетероскедастический

ОПРЕДЕЛЕНИЕ Heteroskedastic

Гетероскедастичность относится к состоянию, при котором дисперсия остаточного члена или члена ошибки в регрессионной модели широко варьируется. Если это правда, то она может меняться систематическим образом, и может быть какой-то фактор, который может это объяснить. Если это так, то модель может быть плохо определена и должна быть изменена таким образом, чтобы эта систематическая дисперсия объяснялась одной или несколькими дополнительными предикторными переменными.

Противоположностью гетероскедастичности является гомоскедастичность. Гомоскедастичность относится к состоянию, при котором дисперсия остаточного члена постоянна или почти постоянна. Гомоскедастичность (также пишется как «гомоскедастичность») - это одно из предположений моделирования линейной регрессии. Гомоскедастичность предполагает, что модель регрессии может быть четко определена, а это означает, что она дает хорошее объяснение производительности зависимой переменной.

РАЗБИВКА Гетероскедастический

Гетероскедастичность является важной концепцией регрессионного моделирования, а в мире инвестиций регрессионные модели используются для объяснения эффективности ценных бумаг и инвестиционных портфелей. Наиболее известной из них является Модель ценообразования капитальных активов (CAPM), которая объясняет поведение акций с точки зрения их волатильности по отношению к рынку в целом. Расширения этой модели добавили другие переменные-предикторы, такие как размер, импульс, качество и стиль (ценность по сравнению с ростом).

Эти переменные-предикторы были добавлены, потому что они объясняют или учитывают дисперсию зависимой переменной, производительности портфеля, а затем объясняются САРМ. Например, разработчики модели САРМ знали, что их модель не смогла объяснить интересную аномалию: акции высокого качества, которые были менее волатильны, чем акции низкого качества, как правило, работали лучше, чем предсказывала модель САРМ. CAPM говорит, что акции с более высоким риском должны превосходить акции с более низким риском. Другими словами, акции с высокой волатильностью должны побеждать акции с низкой волатильностью. Но высококачественные акции, которые менее волатильны, как правило, работали лучше, чем прогнозировал CAPM.

Позднее другие исследователи расширили модель САРМ (которая уже была расширена за счет включения других переменных-предикторов, таких как размер, стиль и импульс), включив качество в качестве дополнительной переменной-предиктора, также известной как «фактор». Теперь, когда этот фактор включен в модель, была учтена аномалия доходности акций с низкой волатильностью. Эти модели, известные как многофакторные модели,. составляют основу факторного инвестирования и умной беты.