Heteroskedastic

DEFINITION von Heteroskedastic

Heteroskedastic bezieht sich auf eine Bedingung, bei der die Varianz des Restterms oder Fehlerterms in einem Regressionsmodell stark variiert. Wenn dies zutrifft, kann dies systematisch variieren, und es kann einen Faktor geben, der dies erklären kann. Wenn dies der Fall ist, 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 heteroskedastic ist homoskedastic. Homoskedastizität bezieht sich auf einen Zustand, in dem die Varianz des Restterms konstant oder nahezu konstant ist. Homoskedastizität (auch „Homoskedastie“ genannt) 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.

AUFBRUCH VON Heteroskedastic

Heteroskedastizität ist ein wichtiges Konzept in der Regressionsmodellierung, und in der Anlagewelt werden Regressionsmodelle verwendet, um die Wertentwicklung von Wertpapieren und Anlageportfolios zu erklären. Am bekanntesten ist das Capital Asset Pricing Model (CAPM), das die Wertentwicklung einer Aktie anhand ihrer Volatilität im Verhältnis zum Gesamtmarkt erklärt. Erweiterungen dieses Modells haben andere Prädiktorvariablen wie Größe, Dynamik, Qualität und Stil (Wert vs. Wachstum) hinzugefügt.

Diese Prädiktorvariablen wurden hinzugefügt, weil sie die Varianz in der abhängigen Variablen Portfolioperformance erklären oder erklären und dann von CAPM erklärt werden. Entwickler des CAPM-Modells waren sich beispielsweise bewusst, dass ihr Modell eine interessante Anomalie nicht erklären konnte: Aktien hoher Qualität, die weniger volatil waren als Aktien niedriger Qualität, schnitten tendenziell besser ab als das CAPM-Modell vorhersagte. CAPM sagt, dass Aktien mit höherem Risiko besser abschneiden sollten als Aktien mit geringerem Risiko. Mit anderen Worten, Aktien mit hoher Volatilität sollten Aktien mit niedrigerer Volatilität schlagen. Hochwertige Aktien, die weniger volatil sind, schnitten jedoch tendenziell besser ab als von CAPM prognostiziert.

Später erweiterten andere Forscher das CAPM-Modell (das bereits um andere Prädiktorvariablen wie Größe, Stil und Momentum erweitert wurde), um Qualität als zusätzliche Prädiktorvariable, auch als „Faktor“ bekannt, einzubeziehen. Mit diesem nun in das Modell aufgenommenen Faktor wurde der Performanceanomalie von Aktien mit geringer Volatilität Rechnung getragen. Diese als Multi-Faktor-Modelle bezeichneten Modelle bilden die Grundlage für Faktorinvestitionen und Smart Beta.