ОПРЕДЕЛЕНИЕ Гетероскедастика
Гетероскедастичность относится к состоянию, при котором дисперсия остаточного члена или члена ошибки в регрессионной модели широко варьируется. Если это правда, это может меняться систематически, и может быть какой-то фактор, который может объяснить это. Если это так, то модель может быть плохо определена и должна быть изменена так, чтобы это систематическое отклонение объяснялось одной или несколькими дополнительными переменными предиктора.
Противоположностью гетероскедастика является гомоскедастик. Гомоскедастичность относится к состоянию, при котором дисперсия остаточного члена является постоянной или почти постоянной. Гомоскедастичность (также называемая «гомоскедастичность») является одним из предположений линейного регрессионного моделирования. Гомоскедастичность предполагает, что модель регрессии может быть четко определена, что означает, что она обеспечивает хорошее объяснение эффективности зависимой переменной.
ЛОМАЯСЬ Гетероскедастик
Гетероскедастичность является важной концепцией регрессионного моделирования, а в инвестиционном мире регрессионные модели используются для объяснения эффективности ценных бумаг и инвестиционных портфелей. Наиболее известной из них является Модель ценообразования капитальных активов (CAPM), которая объясняет эффективность акции с точки зрения ее волатильности по отношению к рынку в целом. Расширения этой модели добавили другие переменные предиктора, такие как размер, импульс, качество и стиль (значение против роста).
Эти предикторные переменные были добавлены, потому что они объясняют или учитывают отклонение в зависимой переменной, эффективность портфеля, а затем объясняются CAPM. Например, разработчики модели CAPM знали, что их модель не смогла объяснить интересную аномалию: акции высокого качества, которые были менее волатильными, чем акции низкого качества, имели тенденцию работать лучше, чем предсказывала модель CAPM. CAPM говорит, что акции с более высоким риском должны превосходить акции с более низким риском. Другими словами, акции с высокой волатильностью должны превосходить акции с низкой волатильностью. Но высококачественные акции, которые являются менее волатильными, имели тенденцию работать лучше, чем прогнозировало CAPM.
Позже, другие исследователи расширили модель CAPM (которая уже была расширена, чтобы включить другие переменные предиктора, такие как размер, стиль и импульс), чтобы включить качество в качестве дополнительной переменной предиктора, также известной как «фактор». С учетом того, что этот фактор теперь включен в модель, была учтена аномалия производительности акций с низкой волатильностью. Эти модели, известные как многофакторные модели, составляют основу факторного инвестирования и умной бета-версии.
