A heteroszkedasztika meghatározása
A heteroszkedasztika olyan állapotra utal, amelyben a maradék kifejezés vagy hiba kifejezés varianciája egy regressziós modellben nagyon eltérő. Ha ez igaz, akkor szisztematikusan változhat, és lehet, hogy valamilyen tényező megmagyarázza ezt. Ha igen, akkor a modell rosszul definiálható, ezért azt úgy kell módosítani, hogy ezt a szisztematikus varianciát egy vagy több további prediktív változó magyarázza.
A heteroszkedasztika ellentéte a homoskedasztika. A homoskedaszticitás olyan állapotra utal, amelyben a maradék kifejezés szórása állandó vagy megközelítőleg állandó. A homoskedaszticitás (más néven "homoscedasticity") a lineáris regressziós modellezés egyik feltételezése. A homoskedaszticitás azt sugallja, hogy a regressziós modell jól definiálható, vagyis jól magyarázza a függő változó teljesítményét.
ALKALMAZÁS Heteroszkedasztikus
A heteroszkedaszticitás fontos fogalom a regressziós modellezésben, és a befektetési világban a regressziós modellek szolgálnak az értékpapírok és a befektetési portfóliók teljesítményének magyarázatára. Ezek közül a legismertebb a tõkeeszköz-árazási modell (CAPM), amely egy részvény teljesítményét magyarázza annak volatilitása szempontjából, az egész piachoz viszonyítva. Ennek a modellnek a kiterjesztései további előrejelző változókat, például méretet, lendületet, minőséget és stílust (érték vs. növekedés) adtak hozzá.
Ezeket a prediktív változókat azért adták hozzá, mert megmagyarázzák vagy meghatározzák a függő változó, a portfólió teljesítményének szórását, majd ezt a CAPM magyarázzák. Például a CAPM modell fejlesztői tisztában voltak azzal, hogy modelljük nem magyarázza meg az érdekes rendellenességet: a jó minőségű készletek, amelyek kevésbé voltak ingatagok, mint az alacsony minőségű készletek, jobban teljesítettek, mint ahogy azt a CAPM modell előre jelezte. A CAPM szerint a magasabb kockázatú készleteknek felül kell lenniük az alacsonyabb kockázatú készleteknél. Más szavakkal, a magas volatilitású készleteknek meg kell küzdeniük az alacsony volatilitású készleteket. De a jó minőségű, kevésbé ingadozó készletek jobban teljesítenek, mint amit a CAPM előre jelez.
Később más kutatók kibővítették a CAPM modellt (amelyet már kiterjesztették más prediktív változókra, például méretre, stílusra és lendületre), hogy a minőséget mint kiegészítő prediktív változót, más néven "tényezőt" is beépítsék. Mivel ezt a tényezőt most beillesztették a modellbe, az alacsony volatilitású állományok teljesítménybeli rendellenességét figyelembe vették. Ezek a több tényezőként ismert modellek képezik a tényezőbefektetés és az intelligens béta alapját.
