Heteroskedastisuus

mikä on Heteroskedastisuus?

tilastot, heteroskedasticity (tai heteroscedasticity) tapahtuu, kun keskihajonnat on ennustettu muuttuja, jota seurataan yli eri arvoja riippumattoman muuttujan tai liittyvät ennen määräaikaa, ovat ei-jatkuva. Heteroskedastisuudella jäännösvirheiden silmämääräisessä tarkastuksessa ilmaisin on se, että ne pyrkivät tuulettumaan ajan myötä, kuten alla olevassa kuvassa on kuvattu.

Heteroskedasticity syntyy usein kahdessa muodossa: ehdollinen ja ehdoton., Ehdollinen heteroskedastisuus tunnistaa edeltävän jakson (esim. päivittäisen) volatiliteettiin liittyvän ei-voimakkaan volatiliteetin. Ehdottomalla heteroskedastisuudella tarkoitetaan volatiliteetin yleisiä rakenteellisia muutoksia, jotka eivät liity edeltävän kauden volatiliteettiin. Ehdotonta heteroskedastisuutta käytetään, kun voidaan tunnistaa tulevat korkean ja matalan volatiliteetin kaudet.,

Perusteet Heteroskedasticity

rahoitus, conditional heteroskedasticity on usein nähty hintojen varastot ja joukkovelkakirjat. Näiden osakkeiden volatiliteettitasoa ei voida ennustaa millekään ajanjaksolle. Ehdotonta heteroskedastisuutta voidaan käyttää puhuttaessa muuttujista, joilla on tunnistettavissa kausittainen vaihtelu, kuten sähkön käyttö.,

Koska se liittyy tilastot, heteroskedasticity (myös speltti heteroscedasticity) viittaa virheen varianssi, tai riippuvuus sironta, sisällä vähintään yksi riippumaton muuttuja tietyn näytteen. Näiden variaatioiden avulla voidaan laskea virhemarginaali tietokokonaisuuksien, kuten odotettujen tulosten ja todellisten tulosten, välillä, koska se mittaa datapisteiden poikkeaman keskiarvosta.,

aineisto katsotaan asiaa, suurin osa datapisteet on oltava tietty määrä standardi-poikkeamat keskiarvosta kuvattu Chebyshev lause, joka tunnetaan myös nimellä Chebyshev on epätasa-arvoa. Tämä antaa ohjeet keskiarvosta poikkeavan satunnaismuuttujan todennäköisyydestä.

Perustuu määrä keskihajonnat määritelty, satunnainen muuttuja on tietty todennäköisyys olemassa olevan näissä pistettä., Voidaan esimerkiksi edellyttää, että kahden keskihajonnan vaihteluväli sisältää vähintään 75 prosenttia pätevinä pidettävistä datapisteistä. Yleinen syy varianssit ulkopuolella vähimmäisvaatimus on usein syynä ongelmia tietojen laatua.

heteroskedastisen vastakohta on homosedastinen. Homoskedastisuudella tarkoitetaan tilaa, jossa jäännös-termin varianssi on vakio tai lähes sellainen. Homoskedastisuus on yksi oletus lineaarisesta regressiomallinnuksesta., Sitä tarvitaan varmistamaan, että arviot ovat tarkkoja, että ennustus raja-arvot riippuva muuttuja on voimassa, ja että luottamusvälit ja p-arvot ovat voimassa.

Tyypit Heteroskedasticity

Ehdoton

Ehdoton heteroskedasticity on ennustettavissa ja voi liittyä muuttujia, jotka ovat luonteeltaan syklisiä. Tähän voi sisältyä perinteisen lomaostoskauden aikana ilmoitettu suurempi vähittäismyynti tai ilmastointilaitteiden korjauspuheluiden lisääntyminen lämpiminä kuukausina.,

Muutoksia varianssi voi olla sidottu suoraan esiintyminen erityisesti tapahtumia tai ennustava merkkejä, jos vuorot eivät ole perinteisesti kauden. Tämä voi liittyä kasvua älypuhelinten myynnin kanssa vapauttamaan uusi malli, koska toiminta on syklistä, joka perustuu tapahtuma, mutta ei välttämättä määräytyy kauden.

Heteroskedasticity voivat koskea myös tapauksia, joissa tiedot lähestyä raja—missä varianssi on välttämättä oltava pienempi, koska raja on rajoittaa erilaisia tietoja.,

Ehdollinen

Conditional heteroskedasticity ei ole ennustettavissa luonteeltaan. Mikään telltale-merkki ei saa analyytikoita uskomaan, että tiedot hajaantuvat enemmän tai vähemmän milloin tahansa. Usein, rahoitus-tuotteita pidetään edellyttää conditional heteroskedasticity, koska kaikki muutokset voivat johtua erityisiä tapahtumia tai kausivaihtelut.

ehdollisen heteroskedastisuuden yleinen soveltaminen on osakemarkkinoilla, joissa volatiliteetti tänään liittyy vahvasti eiliseen volatiliteettiin., Tämä malli selittää jatkuvan suuren volatiliteetin ja alhaisen volatiliteetin ajanjaksot.

Erikoista Huomioitavaa

Heteroskedasticity ja Financial Modeling

Heteroskedasticity on tärkeä käsite regressio mallinnus, ja investointien maailma, regressio malleja käytetään selittämään suorituskykyä arvopapereiden ja sijoitussalkkujen. Näistä tunnetuin on CAPM-pääomavarojen hinnoittelumalli, joka selittää osakkeen volatiliteetin kehitystä suhteessa markkinoihin kokonaisuutena., Tämän mallin laajennukset ovat lisänneet muita ennustemuuttujia, kuten kokoa, vauhtia, laatua ja tyyliä (arvo vs. kasvu).

Nämä ennustaja muuttujat on lisätty, koska ne selittää tai osuus varianssi riippuva muuttuja. Portfoliokehityksestä kertoo CAPM. Esimerkiksi, kehittäjät CAPM-malli olivat tietoisia siitä, että niiden malli ei selitä mielenkiintoinen epäkohta: korkea-laatu varastot, jotka olivat vähemmän haihtuvia kuin low-laatu varastot, yleensä paremmin kuin CAPM-malli ennustaa., CAPM: n mukaan suuririskisten kantojen pitäisi päihittää pieniriskisemmät varastot.

eli suurten volatiliteettivarastojen pitäisi päihittää pienemmän volatiliteetin varastot. Mutta laadukkaat varastot, jotka ovat vähemmän epävakaita, menestyivät yleensä paremmin kuin CAPM ennusti.

Myöhemmin muut tutkijat laajennettu CAPM-malli (joka oli jo laajennettu koskemaan myös muita ennustaja muuttujia kuten koko, tyyli, ja vauhtia) sisältää laatu ylimääräisenä ennustaja muuttuja, joka tunnetaan myös ”tekijä.,”Kun tämä tekijä nyt sisältyy malliin, alhaisen volatiliteetin varastojen suorituspoikkeama otettiin huomioon. Nämä multi-factor-malleina tunnetut mallit muodostavat faktorisijoittamisen ja älykkään beetan perustan.