En este momento estás viendo Heterocedástico

DEFINICIÓN Heteroscedástico

Heteroscedástico se refiere a una condición en la que la variabilidad del término residual, o el término error, cambia a un modelo ampliamente regresivo. Si esto es cierto, puede cambiar de manera sistemática y puede haber algún factor que lo explique. En caso afirmativo, el modelo puede estar mal definido y debe modificarse para que esta varianza sistemática se explique mediante una o más variables predictoras adicionales.

Lo contrario de heterocedástico es homocedástico. La homocedasticidad se refiere a una condición en la que la varianza del término residual es constante o casi constante. Un supuesto del modelo de regresión lineal es la homocedasticidad (también deletreada «homocedasticidad»). La homocedasticidad sugiere que el modelo de regresión puede estar bien definido, lo que significa que proporciona una buena explicación del desempeño de la variable dependiente.

ROMPIENDO heterocedástico

La heterocedasticidad es un concepto importante en los modelos de regresión y, en el mundo de la inversión, los modelos de regresión se utilizan para explicar el rendimiento de las carteras de valores y de inversión. El más famoso de ellos es el Modelo de fijación 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 agregaron otras variables predictivas como el tamaño, el impulso, la calidad y el estilo (valor versus crecimiento).

Estas variables predictivas se han agregado porque explican o dan cuenta de la varianza en la variable dependiente, el rendimiento de la cartera, luego el CAPM las explica. Por ejemplo, los desarrolladores del modelo CAPM sabían que su modelo no podía explicar una anomalía interesante: las acciones de alta calidad, que eran menos volátiles que las acciones de baja calidad, tendían a funcionar mejor que el modelo CAPM previsto. CAPM dice que las acciones de mayor riesgo deberían ser mejores que las acciones de menor riesgo. Es decir, las acciones de alta volatilidad deberían tener acciones de menor volatilidad. Pero las acciones de alta calidad y menos volátiles tendían a rendir mejor de lo que había predicho CAPM.

Más tarde, otros investigadores expandieron el modelo CAPM (previamente expandido para incluir otras variables predictivas como tamaño, estilo e impulso) para incluir la calidad como una variable predictiva adicional, también conocida como «factor». Ahora que este factor está incluido en el modelo, se ha tenido en cuenta una anomalía en el rendimiento de las acciones de baja volatilidad. Estos modelos, conocidos como modelos multifactoriales, forman la base de la inversión de factores y la beta inteligente.