هتروسداستیسیتی چیست؟

هتروسداستیسیتی (یا هتروسکداستیسیتی) در آمار زمانی رخ می‌دهد که انحراف معیار یک متغیر پیش‌بینی‌شده در طول زمان تغییر کند. در امور مالی، این پدیده به صورت تغییرات در نوسانات قیمت سهام و اوراق قرضه ظاهر می‌شود و مفروضات مدل‌های رگرسیون خطی را به چالش می‌کشد. این می‌تواند دقت تحلیل‌های اقتصادسنجی و مالی، به‌ویژه آن‌هایی که از مدل قیمت‌گذاری دارایی‌های سرمایه‌ای (CAPM) استفاده می‌کنند، را تحت تأثیر قرار دهد.

نکات کلیدی

• هتروسداستیسیتی در آمار زمانی رخ می‌دهد که انحرافات معیار یک متغیر که در طول زمان پایش می‌شود، ثابت نباشد.
• هتروسداستیسیتی شرطی به نوسانات دوره‌های گذشته مرتبط است، در حالی که هتروسداستیسیتی غیرشرطی شامل تغییرات ساختاری است که به نوسانات گذشته وابسته نیست.
• در امور مالی، الگوهای هتروسداستیک در قیمت‌های سهام و اوراق قرضه مشاهده می‌شود و بر مدل‌هایی مانند CAPM تأثیر می‌گذارد.
• اگرچه هتروسداستیسیتی باعث سوگیری در برآوردهای ضرایب نمی‌شود، دقت آن‌ها را کاهش می‌دهد و بر قابلیت اطمینان مدل اثر می‌گذارد.
• هتروسداستیسیتی غیرشرطی می‌تواند به متغیرهای چرخه‌ای قابل پیش‌بینی مرتبط باشد، برخلاف هتروسداستیسیتی شرطی که قابل پیش‌بینی نیست.

مهم: اگرچه هتروسداستیسیتی باعث سوگیری در برآوردهای ضرایب نمی‌شود، اما دقت آن‌ها را کاهش می‌دهد؛ دقت پایین‌تر احتمال این را افزایش می‌دهد که برآوردهای ضرایب از مقدار واقعی جمعیت دورتر باشند.

درک اصول هتروسداستیسیتی

در امور مالی، هتروسداستیسیتی شرطی اغلب در قیمت‌های سهام و اوراق قرضه دیده می‌شود. سطح نوسانات این اوراق در هیچ دوره‌ای قابل پیش‌بینی نیست. هتروسداستیسیتی غیرشرطی می‌تواند زمانی استفاده شود که درباره متغیرهایی با تغییرات فصلی قابل شناسایی بحث می‌شود، مانند مصرف برق. در رابطه با آمار، هتروسداستیسیتی به واریانس خطا یا وابستگی پراکندگی در حداقل یک متغیر مستقل در یک نمونه خاص اشاره دارد. این تغییرات می‌توانند برای محاسبه حاشیه خطا بین مجموعه‌های داده، مانند نتایج مورد انتظار و نتایج واقعی، استفاده شوند، زیرا معیاری از انحراف نقاط داده از مقدار میانگین ارائه می‌دهند. برای اینکه یک مجموعه داده مرتبط در نظر گرفته شود، اکثریت نقاط داده باید در تعداد مشخصی از انحرافات معیار از میانگین باشند، همان‌طور که توسط قضیه چبیشف، که به عنوان نابرابری چبیشف نیز شناخته می‌شود، توضیح داده شده است. این قضیه دستورالعمل‌هایی در مورد احتمال تفاوت یک متغیر تصادفی از میانگین ارائه می‌دهد. بر اساس تعداد انحرافات معیار مشخص‌شده، یک متغیر تصادفی احتمال خاصی برای وجود در آن نقاط دارد. به عنوان مثال، ممکن است لازم باشد که دامنه‌ای از دو انحراف معیار حداقل 75٪ از نقاط داده را در بر بگیرد تا معتبر تلقی شود. یک علت شایع برای واریانس‌های خارج از حداقل مورد نیاز اغلب به مشکلات کیفیت داده نسبت داده می‌شود. متضاد هتروسداستیک، هموسداستیک است. هموسداستیسیتی به شرایطی اشاره دارد که در آن واریانس عبارت باقیمانده ثابت یا تقریباً ثابت است. هموسداستیسیتی یکی از مفروضات مدل‌سازی رگرسیون خطی است. این برای اطمینان از دقیق بودن برآوردها، معتبر بودن محدودیت‌های پیش‌بینی برای متغیر وابسته، و معتبر بودن فواصل اطمینان و مقادیر p برای پارامترها لازم است.

بررسی انواع مختلف هتروسداستیسیتی غیرشرطی

هتروسداستیسیتی غیرشرطی قابل پیش‌بینی است و اغلب به متغیرهای چرخه‌ای مرتبط است. مثال‌ها شامل افزایش فروش خرده‌فروشی در تعطیلات یا تعمیرات بیشتر کولرهای گازی در ماه‌های گرم‌تر است. تغییرات واریانس می‌توانند مستقیماً به رویدادها یا نشانه‌های خاص مرتبط شوند اگر تغییرات فصلی نباشند. مثالی از این مورد افزایش فروش گوشی‌های هوشمند هنگام عرضه مدل جدید است که چرخه‌های مبتنی بر رویداد را نشان می‌دهد، اما فصلی نیست. هتروسداستیسیتی همچنین می‌تواند زمانی رخ دهد که داده‌ها به یک مرز نزدیک می‌شوند و به دلیل محدودیت‌های دامنه، واریانس کوچک‌تری ایجاد می‌کنند.

شرطی

هتروسداستیسیتی شرطی غیرقابل پیش‌بینی است. تحلیلگران نمی‌توانند به راحتی پیش‌بینی کنند که داده‌ها چه زمانی بیشتر یا کمتر پراکنده می‌شوند. محصولات مالی اغلب هتروسداستیسیتی شرطی را نشان می‌دهند، زیرا همه تغییرات از رویدادها یا فصول خاص ناشی نمی‌شوند. یک کاربرد رایج هتروسداستیسیتی شرطی در بازارهای سهام است، جایی که نوسانات امروز به شدت به نوسانات دیروز مرتبط است. این مدل دوره‌های پایدار با نوسانات بالا و پایین را توضیح می‌دهد.

ملاحظات کلیدی برای هتروسداستیسیتی در مدل‌های مالی هتروسداستیسیتی و مدل‌سازی مالی

هتروسداستیسیتی مفهوم مهمی در مدل‌سازی رگرسیون است و در دنیای سرمایه‌گذاری، مدل‌های رگرسیون برای توضیح عملکرد اوراق بهادار و پرتفوی‌های سرمایه‌گذاری استفاده می‌شوند. معروف‌ترین این مدل‌ها، مدل قیمت‌گذاری دارایی‌های سرمایه‌ای (CAPM) است که عملکرد یک سهام را از نظر نوسانات آن نسبت به کل بازار توضیح می‌دهد. گسترش‌های این مدل متغیرهای پیش‌بینی‌کننده دیگری مانند اندازه، مومنتوم، کیفیت و سبک (ارزش در مقابل رشد) را اضافه کرده‌اند. این متغیرهای پیش‌بینی‌کننده اضافه شده‌اند زیرا واریانس در متغیر وابسته را توضیح می‌دهند یا به حساب می‌آورند. عملکرد پرتفوی توسط CAPM توضیح داده می‌شود. به عنوان مثال، توسعه‌دهندگان CAPM می‌دانستند که مدلشان در توضیح اینکه چرا سهام‌های باکیفیت و کم‌نوسان اغلب عملکرد بهتری از آنچه مدل پیش‌بینی می‌کرد داشتند، کمبود داشت. CAPM می‌گوید که سهام‌های با ریسک بالاتر باید عملکرد بهتری نسبت به سهام‌های با ریسک پایین‌تر داشته باشند. به عبارت دیگر، سهام‌های با نوسانات بالا باید عملکرد بهتری نسبت به سهام‌های با نوسانات پایین داشته باشند. اما سهام‌های باکیفیت، که نوسانات کمتری دارند، تمایل داشتند عملکرد بهتری نسبت به آنچه CAPM پیش‌بینی می‌کرد، داشته باشند. بعدها، محققان دیگر مدل CAPM را (که قبلاً برای شامل متغیرهای پیش‌بینی‌کننده دیگر مانند اندازه، سبک و مومنتوم گسترش یافته بود) گسترش دادند تا کیفیت را به عنوان یک متغیر پیش‌بینی‌کننده اضافی، که به عنوان یک "فاکتور" نیز شناخته می‌شود، در بر گیرند. با گنجاندن این فاکتور در مدل، ناهنجاری عملکرد سهام‌های با نوسانات پایین توضیح داده شد. این مدل‌ها، که به عنوان مدل‌های چندفاکتوری شناخته می‌شوند، اساس سرمایه‌گذاری فاکتوری و بتای هوشمند را تشکیل می‌دهند.

نتیجه‌گیری

هتروسداستیسیتی، مفهومی کلیدی در تحلیل آماری، زمانی رخ می‌دهد که واریانس خطاها در متغیرها ثابت نباشد. این می‌تواند دقت مدل‌های رگرسیون مانند مدل قیمت‌گذاری دارایی‌های سرمایه‌ای (CAPM) را تضعیف کند و بر نتایج و پیش‌بینی‌های تحلیلگران مالی تأثیر بگذارد. شناخت تفاوت بین هتروسداستیسیتی شرطی و غیرشرطی—که شرطی به نوسانات وابسته به دوره‌های قبلی مربوط است و غیرشرطی به تغییرات ساختاری مرتبط است—می‌تواند به مدل‌سازی مالی و ارزیابی ریسک بهتر منجر شود. درک و مدیریت هتروسداستیسیتی می‌تواند قابلیت اطمینان مدل را افزایش دهد و تحلیل‌های اقتصادی و مالی قوی‌تری را پشتیبانی کند.