MÄÄRITELMÄ Heteroskedasticista
Heteroskedastinen tarkoittaa tilaa, jossa jäännöstermin tai virhetermin varianssi regressiomallissa vaihtelee suuresti. Jos tämä on totta, se voi vaihdella systemaattisesti, ja voi olla joitain tekijöitä, jotka selittävät tämän. Jos näin on, niin malli voi olla huonosti määritelty ja sitä olisi muutettava siten, että tämä systemaattinen varianssi selitetään yhdellä tai useammalla ylimääräisellä ennustajamuuttujalla.
Heteroskedastisen vastakohta on homoskedaattinen. Homoskedastisuus viittaa tilaan, jossa jäännöstermin varianssi on vakio tai melkein sama. Homoskedastisuus (myös kirjoitettu "homoscedasticity") on yksi oletus lineaarisen regression mallinnuksesta. Homoskedastisuus viittaa siihen, että regressiomalli voidaan määritellä hyvin, mikä tarkoittaa, että se antaa hyvän selityksen riippuvan muuttujan suorituskyvystä.
HARJOITTAMINEN Heteroskedaattinen
Heteroskedatilisuus on tärkeä käsite regressiomallinnuksessa, ja sijoitusmaailmassa regressiomalleja käytetään selittämään arvopapereiden ja sijoitussalkkujen suorituskykyä. Tunnetuin näistä on pääomaomaisuuden hinnoittelumalli (CAPM), joka selittää osakekannan suorituskyvyn suhteessa sen volatiliteettiin suhteessa markkinoihin kokonaisuutena. Tämän mallin laajennukset ovat lisänneet muita ennustajamuuttujia, kuten koko, vauhti, laatu ja tyyli (arvo vs. kasvu).
Nämä ennustavat muuttujat on lisätty, koska ne selittävät tai ottavat huomioon riippuvaisen muuttujan, salkun suorituskyvyn varianssin, ja selitetään sitten CAPM: llä. Esimerkiksi CAPM-mallin kehittäjät tiesivät, että heidän mallinsa ei pystynyt selittämään mielenkiintoista poikkeavuutta: korkealaatuisten varastojen, jotka olivat vähemmän epävakaita kuin heikkolaatuiset varastot, taipumus toimia paremmin kuin CAPM-malli ennusti. CAPM: n mukaan korkeamman riskin varastojen tulisi olla parempia kuin alhaisemman riskin varastot. Toisin sanoen korkean volatiliteetin omaavien osakkeiden pitäisi voittaa alhaisemman volatiliteetin varastot. Mutta korkealaatuisilla varastoilla, jotka ovat vähemmän epävakaita, oli taipumus toimia paremmin kuin CAPM ennusti.
Myöhemmin muut tutkijat laajensivat CAPM-mallia (joka oli jo laajennettu koskemaan muita ennustajamuuttujia, kuten koko, tyyli ja vauhti) sisällyttämään laatu lisäennustajamuuttujaksi, joka tunnetaan myös nimellä "tekijä". Kun tämä tekijä sisällytettiin nyt malliin, laskettiin alhaisen volatiliteetin omaisuuserien suoritusvirhe. Nämä mallit, jotka tunnetaan nimellä monitekijämallit, muodostavat perustan tekijöihin sijoittamiseen ja älykkään beetaan.
