DEFINICJA Heteroskedastic
Heteroskedastic odnosi się do stanu, w którym wariancja warunku rezydualnego lub warunku błędu w modelu regresji jest bardzo zróżnicowana. Jeśli jest to prawda, może różnić się w sposób systematyczny i może istnieć jakiś czynnik, który może to wyjaśnić. Jeśli tak, to model może być źle zdefiniowany i powinien zostać zmodyfikowany, aby ta systematyczna wariancja została wyjaśniona przez jedną lub więcej dodatkowych zmiennych predykcyjnych.
Przeciwieństwo heteroskedastyczne jest homoskedastyczne. Homoskedastyczność odnosi się do stanu, w którym wariancja rezydualnego składnika jest stała lub prawie taka sama. Homoskedastyczność (pisana również „homoscedastyczność”) jest jednym z założeń modelowania regresji liniowej. Homoskedastyczność sugeruje, że model regresji może być dobrze zdefiniowany, co oznacza, że zapewnia on dobre wyjaśnienie działania zmiennej zależnej.
ŁAMANIE Heteroskedastic
Heteroskedastyczność jest ważną koncepcją w modelowaniu regresji, aw świecie inwestycyjnym modele regresji służą do wyjaśnienia wyników papierów wartościowych i portfeli inwestycyjnych. Najbardziej znanym z nich jest model wyceny aktywów kapitałowych (CAPM), który wyjaśnia wyniki akcji pod względem zmienności w stosunku do całego rynku. 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, wydajność portfela, a następnie są wyjaśniane przez CAPM. Na przykład twórcy modelu CAPM zdawali sobie sprawę, że ich model nie wyjaśnił interesującej anomalii: zapasy wysokiej jakości, które były mniej zmienne niż zapasy niskiej jakości, zwykle osiągały lepsze wyniki niż przewidywano w modelu CAPM. CAPM mówi, że zapasy o wyższym ryzyku powinny przewyższać zapasy o niższym ryzyku. Innymi słowy, zapasy o dużej zmienności powinny pokonać zapasy o niższej zmienności. Jednak akcje o wysokiej jakości, które są mniej zmienne, zwykle osiągają lepsze wyniki niż przewidywane przez CAPM.
Później inni badacze rozszerzyli model CAPM (który został już rozszerzony o inne zmienne predykcyjne, takie jak rozmiar, styl i pęd), aby uwzględnić jakość jako dodatkową zmienną predykcyjną, znaną również jako „czynnik”. Po uwzględnieniu tego czynnika w modelu uwzględniono anomalię wyników akcji o niskiej zmienności. Modele te, zwane modelami wieloczynnikowymi, stanowią podstawę inwestowania czynnikowego i inteligentnej wersji beta.
