DEFINIȚIA Heteroskedasticului
Heteroskedastic se referă la o afecțiune în care variația termenului rezidual, sau termenul de eroare, într-un model de regresie variază mult. Dacă acest lucru este adevărat, acesta poate varia într-un mod sistematic și poate exista un factor care să explice acest lucru. Dacă da, atunci modelul poate fi slab definit și ar trebui modificat astfel încât această variație sistematică să fie explicată de una sau mai multe variabile de predictor suplimentare.
Opusul heteroskedasticului este homoskedasticul. Homoskedasticitatea se referă la o afecțiune în care variația termenului rezidual este constantă sau aproape așa. Homoskedasticitatea (denumită și „homoscedasticitate”) este o presupunere de modelare a regresiei liniare. Homoskedasticitatea sugerează că modelul de regresie poate fi bine definit, ceea ce înseamnă că oferă o bună explicație a performanței variabilei dependente.
ÎNCĂCURAREA DE JOS Heteroskedastic
Heteroskedasticitatea este un concept important în modelarea regresiei, iar în lumea investițiilor, modelele de regresie sunt utilizate pentru a explica performanța valorilor mobiliare și a portofoliilor de investiții. Cel mai cunoscut dintre acestea este modelul de preț al activelor de capital (CAPM), care explică performanța unui stoc în ceea ce privește volatilitatea sa în raport cu piața în ansamblu. Extensiile acestui model au adăugat alte variabile de predictor, cum ar fi dimensiunea, impulsul, calitatea și stilul (valoare vs. creștere).
Aceste variabile predictoare au fost adăugate pentru că explică sau explică variația dependenței, 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, tindeau să funcționeze mai bine decât prevedea modelul CAPM. CAPM spune că stocurile cu risc mai mare ar trebui să depășească stocurile cu risc mai mic. Cu alte cuvinte, stocurile cu volatilitate ridicată ar trebui să bată stocurile cu volatilitate mai mică. Dar stocurile de înaltă calitate, care sunt mai puțin volatile, au tendința să funcționeze mai bine decât a prevăzut CAPM.
Ulterior, alți cercetători au extins modelul CAPM (care a fost deja extins pentru a include alte variabile de predictor, cum ar fi dimensiunea, stilul și momentul), pentru a include calitatea ca variabilă de predictor suplimentară, cunoscută și sub denumirea de „factor”. Cu acest factor inclus acum în model, a fost contabilizată anomalia de performanță a stocurilor de volatilitate redusă. Aceste modele, cunoscute sub numele de modele cu mai mulți factori, stau la baza investirii factorilor și a beta-ului inteligent.
