Heteroskedasticidade

O que é Heteroskedasticidade?

em estatística, heteroskedasticidade (ou heteroscedasticidade) acontece quando os desvios-padrão de uma variável prevista, monitorados sobre diferentes valores de uma variável independente ou relacionados com períodos de tempo anteriores, não são constantes. Com heteroskedasticidade, o sinal do avisador sobre a inspeção visual dos erros residuais é que eles tendem a se espalhar ao longo do tempo, como descrito na imagem abaixo.

Heteroskedasticidade muitas vezes surge em duas formas: condicional e incondicional., A heteroskedasticidade condicional identifica a volatilidade não existente relacionada com a volatilidade do período anterior (por exemplo, diária). Heteroskedasticidade incondicional refere-se a variações estruturais gerais na volatilidade que não estão relacionadas com a volatilidade do período anterior. A heterosquedasticidade incondicional é usada quando períodos futuros de alta e baixa volatilidade podem ser identificados.,

the Basics of Heteroskedasticity

In finance, conditional heteroskedasticity is often seen in the prices of stock and bonds. O nível de volatilidade destas acções não pode ser previsto em nenhum período. Heterosquedasticidade incondicional pode ser usada quando se discute variáveis que têm variabilidade sazonal identificável, como o uso de eletricidade.,

Como ele se relaciona com as estatísticas, a heteroscedasticidade (também escrito heteroscedasticity) refere-se ao erro de desvio, ou dependência de dispersão, dentro de um mínimo de uma variável independente, dentro de uma determinada amostra. Estas variações podem ser utilizadas para calcular a margem de erro entre conjuntos de dados, tais como resultados esperados e resultados reais, uma vez que fornece uma medida do desvio dos pontos de dados em relação ao valor médio.,

para que um conjunto de dados seja considerado relevante, a maioria dos pontos de dados deve estar dentro de um número particular de desvios padrão da média, como descrito pelo teorema de Chebyshev, também conhecido como desigualdade de Chebyshev. Isto fornece diretrizes sobre a probabilidade de uma variável aleatória diferente da média.

com base no número de desvios-padrão especificados, uma variável aleatória tem uma probabilidade particular de existir dentro desses pontos., Por exemplo, pode ser necessário que um intervalo de dois desvios-padrão contenha pelo menos 75% dos pontos de dados a considerar válidos. Uma causa comum de variações fora do requisito mínimo é muitas vezes atribuída a questões de qualidade dos dados.

o oposto de heteroskedástico é homoskedástico. Homoskedasticity refere-se a uma condição na qual a variância do termo residual é constante ou quase assim. Homoskedasticidade é uma suposição de modelagem de regressão linear., É necessário garantir que as estimativas são exatas, que os limites de Previsão para a variável dependente são válidos, e que os intervalos de confiança e os valores-p para os parâmetros são válidos.

Os Tipos de Heteroscedasticidade

Incondicional

Incondicional heteroscedasticidade é previsível e pode relacionar-se com variáveis que são cíclicos da natureza. Isto pode incluir vendas a retalho mais elevadas relatadas durante o tradicional período de compras de férias ou o aumento das chamadas de reparo de ar condicionado durante meses Mais Quentes.,

alterações dentro da variância podem ser ligadas diretamente à ocorrência de eventos particulares ou marcadores preditivos se as mudanças não são tradicionalmente sazonais. Isto pode estar relacionado a um aumento nas vendas de smartphones com o lançamento de um novo modelo, uma vez que a atividade é cíclica com base no evento, mas não necessariamente determinado pela temporada.

Heteroskedasticidade também pode se referir a casos em que os dados se aproximam de um limite—onde a variância deve necessariamente ser menor por causa da limitação do limite da Gama dos dados.,

Condicional

heteroscedasticidade Condicional não é previsível por natureza. Não há nenhum sinal revelador que leva os analistas a acreditar que os dados se tornarão mais ou menos dispersos em qualquer ponto no tempo. Muitas vezes, os produtos financeiros são considerados sujeitos a heteroskedasticidade condicional, uma vez que nem todas as mudanças podem ser atribuídas a eventos específicos ou mudanças sazonais.

uma aplicação comum de heteroskedasticidade condicional é para os mercados bolsistas, onde a volatilidade de hoje está fortemente relacionada com a volatilidade de ontem., Este modelo explica períodos de elevada volatilidade persistente e baixa volatilidade.

Considerações Especiais

Heteroscedasticidade e Modelagem Financeira

Heteroscedasticidade é um conceito importante na regressão de modelagem, e no mundo dos investimentos, modelos de regressão são usados para explicar o desempenho dos títulos e valores mobiliários e carteiras de investimento. O mais conhecido deles é o modelo de preços de ativos de Capital (CAPM), que explica o desempenho de um estoque em termos de sua volatilidade em relação ao mercado como um todo., Extensões deste modelo adicionaram outras variáveis de predictor como tamanho, momento, qualidade e Estilo (valor versus crescimento).

estas variáveis de predictor foram adicionadas porque explicam ou explicam a variância na variável dependente. O desempenho da carteira é explicado pela CAPM. Por exemplo, os desenvolvedores do modelo CAPM estavam cientes de que seu modelo não conseguiu explicar uma anomalia interessante: stocks de alta qualidade, que eram menos voláteis do que stocks de baixa qualidade, tendem a ter um desempenho melhor do que o modelo CAPM previsto., A CAPM afirma que as existências de risco mais elevado devem ultrapassar as existências de risco mais baixo.por outras palavras, os stocks de elevada volatilidade devem ultrapassar os stocks de menor volatilidade. Mas as existências de alta qualidade, que são menos voláteis, tenderam a ter um desempenho melhor do que o previsto pela CAPM.

mais Tarde, outros pesquisadores estendido o CAPM (que já havia sido estendido para incluir outras variáveis preditoras, tais como tamanho, estilo, e momentum) para incluir a qualidade como um adicional variável de previsão, também conhecido como um “fator.,”Com este fator agora incluído no modelo, a anomalia de desempenho de ações de baixa volatilidade foi contabilizada. Estes modelos, conhecidos como modelos multi-fatores, formam a base do investimento de fatores e beta inteligente.