Heteroskedastisch

DEFINITION von Heteroskedastic

Heteroskedastisch bezieht sich auf einen Zustand, bei dem die Varianz des Restterms oder Fehlerterms in einem Regressionsmodell stark variiert. Wenn dies zutrifft, kann es systematisch variieren, und es kann einen Faktor geben, der dies erklären kann. Wenn ja, ist das Modell möglicherweise schlecht definiert und sollte so modifiziert werden, dass diese systematische Varianz durch eine oder mehrere zusätzliche Prädiktorvariablen erklärt wird.

Das Gegenteil von heteroskedastisch ist homoskedastisch. Homoskedastizität bezieht sich auf einen Zustand, in dem die Varianz des Restterms konstant oder nahezu konstant ist. Homoskedastizität (auch „Homoskedastizität“ geschrieben) ist eine Annahme der linearen Regressionsmodellierung. Homoskedastizität legt nahe, dass das Regressionsmodell gut definiert sein kann, was bedeutet, dass es eine gute Erklärung für die Leistung der abhängigen Variablen liefert.

UNTERBRECHEN Heteroskedastisch

Heteroskedastizität ist ein wichtiges Konzept bei der Regressionsmodellierung. In der Investmentwelt werden Regressionsmodelle verwendet, um die Performance von Wertpapieren und Investmentportfolios zu erklären. Das bekannteste davon ist das Capital Asset Pricing Model (CAPM), das die Performance einer Aktie im Hinblick auf ihre Volatilität im Verhältnis zum Gesamtmarkt erklärt. Erweiterungen dieses Modells haben weitere Prädiktorvariablen wie Größe, Impuls, Qualität und Stil (Wert vs. Wachstum) hinzugefügt.

Diese Prädiktorvariablen wurden hinzugefügt, weil sie die Varianz der abhängigen Variablen, der Portfolio-Performance, erklären oder erklären und dann von CAPM erklärt werden. Beispielsweise war den Entwicklern des CAPM-Modells bewusst, dass ihr Modell eine interessante Anomalie nicht erklären konnte: Hochwertige Aktien, die weniger volatil waren als Aktien mit niedriger Qualität, zeigten tendenziell eine bessere Performance als das vorhergesagte CAPM-Modell. Laut CAPM sollten Aktien mit höherem Risiko die Aktien mit niedrigerem Risiko übertreffen. Mit anderen Worten, Aktien mit hoher Volatilität sollten Aktien mit niedrigerer Volatilität schlagen. Hochwertige Aktien, die weniger volatil sind, entwickelten sich jedoch tendenziell besser als von CAPM prognostiziert.

Später erweiterten andere Forscher das CAPM-Modell (das bereits um andere Prädiktorvariablen wie Größe, Stil und Impuls erweitert wurde) um die Qualität als zusätzliche Prädiktorvariable, die auch als „Faktor“ bezeichnet wird. Mit diesem Faktor, der jetzt im Modell enthalten ist, wurde die Performance-Anomalie von Aktien mit geringer Volatilität berücksichtigt. Diese als Multi-Faktor-Modelle bezeichneten Modelle bilden die Grundlage für Faktorinvestitionen und Smart Beta.