Heteroskedastic
DEFINICJA Heteroskedastic
Heteroskedastic odnosi się do stanu, w którym wariancja składnika resztkowego lub składnika błędu w modelu regresji jest bardzo zróżnicowana. Jeśli to prawda, może się zmieniać w systematyczny sposób i może istnieć jakiś czynnik, który może to wyjaśnić. Jeśli tak, to model może być słabo zdefiniowany i należy go zmodyfikować, aby tę systematyczną wariancję wyjaśniała jedna lub więcej dodatkowych zmiennych predykcyjnych.
Przeciwieństwem heteroskedastycznego jest homoskedastyczny. Homoskedastyczność odnosi się do stanu, w którym wariancja składnika resztkowego jest stała lub prawie taka. Homoskedastyczność (pisana również jako „homoskedastyczność”) 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.
PRZEŁAMANIE Heteroskedastyczny
Heteroskedastyczność jest ważną koncepcją w modelowaniu regresji, aw świecie inwestycji modele regresji są wykorzystywane 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 rynku jako całości. Rozszerzenia tego modelu dodały inne zmienne predykcyjne, takie jak rozmiar, pęd, jakość i styl (wartość vs. wzrost).
Te zmienne predykcyjne zostały dodane, ponieważ wyjaśniają lub uwzględniają wariancję zmiennej zależnej, wyniki portfela, a następnie są wyjaśniane przez CAPM. Na przykład twórcy modelu CAPM byli świadomi, że ich model nie wyjaśnił interesującej anomalii: akcje wysokiej jakości, które były mniej zmienne niż akcje niskiej jakości, miały tendencję do osiągania lepszych wyników niż przewidywał model CAPM. CAPM twierdzi, że akcje o wyższym ryzyku powinny osiągać lepsze wyniki niż akcje o niższym ryzyku. Innymi słowy, akcje o wysokiej zmienności powinny pokonać akcje o niższej zmienności. Jednak akcje wysokiej jakości, które są mniej niestabilne, zwykle osiągały lepsze wyniki niż przewidywała CAPM.
Później inni badacze rozszerzyli model CAPM (który już został rozszerzony o inne zmienne predykcyjne, takie jak rozmiar, styl i moment), aby uwzględnić jakość jako dodatkową zmienną predykcyjną, znaną również jako „czynnik”. Po uwzględnieniu tego czynnika w modelu uwzględniono anomalię wyników akcji spółek o niskiej zmienności. Modele te, znane jako modele wieloczynnikowe, stanowią podstawę inwestowania w czynniki produkcji i inteligentnej wersji beta.