Ce este Heteroskedasticitatea?
În statistici, heteroskedasticitatea (sau heteroscedasticitatea) se întâmplă atunci când erorile standard ale unei variabile, monitorizate într-o anumită perioadă de timp, sunt non-constante. Cu heteroskedasticitate, semnul povestirii la inspecția vizuală a erorilor reziduale este că acestea vor tinde să se extindă în timp, așa cum este descris în imaginea de mai jos.
Heteroskedasticitatea apare adesea sub două forme: condițională și necondiționată. Heteroskedasticitatea condițională identifică volatilitatea non-constantă atunci când perioadele viitoare de volatilitate ridicată și scăzută nu pot fi identificate. Heteroskedasticitatea necondiționată este utilizată atunci când se pot identifica perioade futures cu volatilitate ridicată și scăzută.
Imagine de Julie Bang © Investopedia 2019
Cheie de luat cu cheie
- În statistici, heteroskedasticitatea (sau heteroscedasticitatea) se întâmplă atunci când erorile standard ale unei variabile, monitorizate într-o anumită perioadă de timp, sunt non-constante. Cu heteroskedasticitatea, semnul povestirii la inspecția vizuală a erorilor reziduale este că acestea vor tinde să se evacueze în timp, așa cum este ilustrat în imaginea de mai jos. Heteroskedasticitatea este o încălcare a ipotezelor pentru modelarea regresivă liniară și, astfel, poate avea impact asupra validității analizei economometrice sau a modelelor financiare precum CAPM.
Deși heteroskedasticitatea nu provoacă prejudecăți în estimările coeficientului, le face mai puțin precise; o precizie mai mică crește probabilitatea ca estimările coeficientului să fie mai departe de valoarea corectă a populației.
Bazele heterozedasticității
În finanțe, heteroskedasticitatea condiționată este adesea observată în prețurile acțiunilor și obligațiunilor. Nivelul de volatilitate al acestor acțiuni nu poate fi prevăzut în nicio perioadă. Heteroskedasticitatea necondiționată poate fi utilizată atunci când se discută despre variabile care au variabilitate sezonieră identificabilă, cum ar fi consumul de energie electrică.
După cum se referă la statistici, heteroskedasticitatea (de asemenea, heteroscedasticitatea ortografică ) se referă la variația de eroare sau la dependența de împrăștiere, într-un minim de o variabilă independentă într-un anumit eșantion. Aceste variații pot fi utilizate pentru a calcula marja de eroare între seturile de date, cum ar fi rezultatele așteptate și rezultatele reale, deoarece oferă o măsură a abaterii punctelor de date de la valoarea medie.
Pentru ca un set de date să fie considerat relevant, majoritatea punctelor de date trebuie să se încadreze într-un anumit număr de abateri standard de la media descrisă de teorema lui Chebyshev, cunoscută și sub denumirea de inegalitate a lui Chebyshev. Aceasta oferă linii directoare privind probabilitatea unei variabile aleatorii care diferă de medie.
Pe baza numărului de abateri standard specificate, o variabilă aleatorie are o probabilitate particulară de a exista în acele puncte. De exemplu, poate fi necesar ca o serie de două abateri standard să conțină cel puțin 75% din punctele de date să fie considerate valide. O cauză comună a variațiilor în afara cerinței minime este adesea atribuită problemelor legate de calitatea datelor.
Opusul heteroskedasticului este homoskedasticul. Homoskedasticitatea se referă la o afecțiune în care variația termenului rezidual este constantă sau aproape așa. Homoskedasticitatea 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.
Tipurile Heteroskedasticitate
Necondiţionat
Heteroskedasticitatea necondiționată este previzibilă și se referă cel mai adesea la variabile care sunt ciclice prin natură. Aceasta poate include vânzări cu amănuntul mai mari raportate în perioada tradițională de cumpărături de vacanță sau creșterea apelurilor de reparație a aerului condiționat în lunile mai calde.
Modificările din varianță pot fi legate direct de apariția unor evenimente particulare sau markeri predictivi dacă schimbările nu sunt în mod tradițional sezoniere. Acest lucru poate fi legat de o creștere a vânzărilor de smartphone-uri cu lansarea unui nou model, deoarece activitatea este ciclică bazată pe eveniment, dar nu neapărat determinată de sezon.
condițional
Heteroskedasticitatea condițională nu este previzibilă prin natură. Nu există niciun semn care să le determine pe analiști să creadă că datele vor deveni mai mult sau mai puțin împrăștiate în orice moment al timpului. Adesea, produsele financiare sunt considerate supuse heteroskedasticității condiționale, deoarece nu toate modificările pot fi atribuite unor evenimente specifice sau modificări sezoniere.
consideratii speciale
Heteroskedasticitate și modelare financiară
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 versus creștere).
Aceste variabile predictoare au fost adăugate pentru că explică sau țin cont de variația în variabila dependentă. Performanța portofoliului 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.
