Heterocedastic

heteroscedastic se refiere a una condición en la cual la varianza del término residual, o término de error, en un modelo de regresión varía ampliamente. Si esto es cierto, puede variar de manera sistemática y puede haber algún factor que pueda explicarlo. si es así, entonces el modelo puede estar mal definido y debería modificarse para que esta variación sistemática se explique por una o más variables predictoras adicionales.

lo contrario de heteroscedastic es homoskedastic. La homoscedasticidad se refiere a una condición en la cual la varianza del término residual es constante o casi constante. la homoscedasticidad (también deletreada “homoscedasticidad”) es un supuesto de modelación de regresión lineal. La homocedasticidad sugiere que el modelo de regresión puede estar bien definido, lo que significa que proporciona una buena explicación del rendimiento de la variable dependiente.

La heterocedasticidad es un concepto importante en el modelado de regresión, y en el mundo de la inversión, los modelos de regresión se utilizan para explicar el rendimiento de los valores y las carteras de inversión. El más conocido de estos es el modelo de precios de activos de capital (capm), que explica el rendimiento de una acción en términos de su volatilidad en relación con el mercado en su conjunto. Las extensiones de este modelo han agregado otras variables predictoras como el tamaño, el impulso, la calidad y el estilo (valor versus crecimiento).

Estas variables predictoras se han agregado porque explican o explican la variación en la variable dependiente, el rendimiento de la cartera, y luego se explican por capm. Por ejemplo, los desarrolladores del modelo capm sabían que su modelo no explicaba una anomalía interesante: las existencias de alta calidad, que eran menos volátiles que las existencias de baja calidad, tendían a funcionar mejor de lo previsto por el modelo capm. Capm dice que las acciones de mayor riesgo deberían superar a las acciones de menor riesgo. en otras palabras, las acciones de alta volatilidad deberían vencer a las acciones de baja volatilidad. pero las acciones de alta calidad, que son menos volátiles, tendieron a funcionar mejor de lo previsto por capm.

más tarde, otros investigadores ampliaron el modelo capm (que ya se había ampliado para incluir otras variables predictoras como el tamaño, el estilo y el momento) para incluir la calidad como una variable predictiva adicional, también conocida como “factor”. Con este factor ahora incluido en el modelo, se contabilizó la anomalía de rendimiento de las existencias de baja volatilidad. Estos modelos, conocidos como modelos multifactoriales, forman la base de la inversión de factores y la versión beta inteligente.