Heteroskedastic

DEFINIȚIA Heteroskedasticului

Heteroskedastic se referă la o condiție în care variația termenului rezidual, sau a termenului de eroare, într-un model de regresie variază foarte mult. Dacă acest lucru este adevărat, poate varia într-un mod sistematic și poate exista un factor care să explice acest lucru. Dacă da, atunci modelul poate fi deficitar definit și ar trebui modificat astfel încât această varianță sistematică să fie explicată de una sau mai multe variabile predictive suplimentare.

Opusul heteroskedasticului este homoskedastic. Homoskedasticitatea se referă la o condiție în care varianța termenului rezidual este constantă sau aproape. Homoskedasticitatea (scrisă și „homoscedasticitatea”) este o presupunere a modelării liniare de regresie. Homoskedasticitatea sugerează că modelul de regresie poate fi bine definit, ceea ce înseamnă că oferă o bună explicație a performanței variabilei dependente.

DETERMINAREA Heteroskedastică

Heteroskedasticitatea este un concept important în modelarea de regresie, iar în lumea investițiilor, modelele de regresie sunt utilizate pentru a explica performanța portofoliilor de valori mobiliare și de investiții. Cel mai cunoscut dintre acestea este Modelul de stabilire a prețurilor activelor de capital (CAPM), care explică performanța unui stoc în ceea ce privește volatilitatea acestuia în raport cu piața în ansamblu. Extensiile acestui model au adăugat alte variabile predictive, cum ar fi dimensiunea, impulsul, calitatea și stilul (valoare vs. creștere).

Aceste variabile predictive au fost adăugate deoarece explică sau explică varianța variabilei dependente, performanța portofoliului, apoi este explicată de CAPM. De exemplu, dezvoltatorii modelului CAPM erau conștienți de faptul că modelul lor nu a reușit să explice o anomalie interesantă: stocurile de înaltă calitate, care erau mai puțin volatile decât stocurile de calitate scăzută, au avut tendința de a obține performanțe mai bune decât modelul CAPM prezis. CAPM spune că stocurile cu risc mai ridicat ar trebui să depășească stocurile cu risc mai mic. Cu alte cuvinte, stocurile cu volatilitate ridicată ar trebui să depășească stocurile cu volatilitate mai mică. Dar stocurile de înaltă calitate, care sunt mai puțin volatile, au avut tendința de a obține performanțe mai bune decât cele prevăzute de CAPM.

Mai târziu, alți cercetători au extins modelul CAPM (care fusese deja extins pentru a include alte variabile predictive precum dimensiunea, stilul și impulsul) pentru a include calitatea ca o variabilă predictivă suplimentară, cunoscută și sub numele de „factor”. Cu acest factor inclus acum în model, s-a contabilizat anomalia de performanță a stocurilor cu volatilitate redusă. Aceste modele, cunoscute sub numele de modele cu mai mulți factori, formează baza investirii factorilor și a beta-ului inteligent.