Bayesianisches Fehl-Lernen bei Faktorprämien und Strukturbrüchen

Zusammenfassung

Diese Arbeit untersucht, wie sich die Überzeugungen von Anlegern und die Vermögenspreise verzerren können, wenn ihr Lernmodell Strukturbrüche bei Faktor-Risikoprämien unterschätzt. Sie schlägt einen minimalen bayesianischen Rahmen vor, in dem diese Fehlspezifikation anhaltende Prognosefehler verursacht, sowie ein empirisch praktikables Maß für die Intensität des Fehl-Lernens, das auf prädiktiven Likelihood-Verhältnissen beruht. Die Analyse verknüpft das geschätzte Fehl-Lernen mit späteren Renditen und Instabilitätsmaßen.

Die Ergebnisse unterscheiden sich je nach Kontext. In Benchmark-Faktorsystemen geht stärkeres Fehl-Lernen mit höheren langfristigen Renditen und Sharpe Ratios einher, signalisiert aber keinen vorhersehbaren kurzfristigen Einbruch. Bei einer breiteren Auswahl von Anomalien ist der Zusammenhang weniger einheitlich: Fehl-Lernen steht stärker mit künftigen Drawdowns, negativer Semivolatilität und anderen Instabilitätsmaßen in Verbindung; die Ergebnisse variieren zwischen den Anomaliefamilien. Ein Zusammenhang zwischen der Neigung zu Strukturbrüchen und dem durchschnittlichen Fehl-Lernen zeigt sich in Umfeldern mit niedrigem IVOL, in denen die Schwere der Brüche besser vergleichbar ist. Dies sind bedingte empirische Zusammenhänge; die Zusammenfassung belegt weder eine allgemeingültige Prognoseregel noch enthält sie Einzelheiten zur Stichprobenbildung und Schätzung.

Kernaussagen

• Ein bayesianisches Lernmodell kann anhaltende Prognosefehler erzeugen, wenn es Strukturbrüche unterschätzt.
• Die Intensität des Fehl-Lernens wird anhand prädiktiver Likelihood-Verhältnisse gemessen.
• In Benchmark-Faktorsystemen hängt stärkeres Fehl-Lernen mit besseren langfristigen Ergebnissen zusammen, nicht mit einem zwangsläufigen kurzfristigen Einbruch.
• Bei Anomalien hängt Fehl-Lernen mit Instabilitätsmaßen zusammen; die Ergebnisse unterscheiden sich deutlich zwischen den Familien.
• Der Zusammenhang zwischen der Neigung zu Strukturbrüchen und Fehl-Lernen hängt von Bedingungen wie einer niedrigen idiosynkratischen Volatilität ab.

Schlagwörter

# Mislearning of Factor Risk Premia under Structural Breaks: A Misspecified Bayesian Learning Framework


# Mislearning of Factor Risk Premia under Structural Breaks: A Misspecified Bayesian Learning Framework









While asset-pricing models increasingly recognize that factor risk premia are subject to structural change, existing literature typically assumes that investors correctly account for such instability. This paper studies how investors instead learn under a misspecified model that underestimates structural breaks. We propose a minimal Bayesian framework in which this misspecification generates persistent prediction errors and pricing distortions, and we introduce an empirically tractable measure of mislearning intensity $(Δ_t)$ based on predictive likelihood ratios. The empirical results yield three main findings. First, in benchmark factor systems, elevated mislearning does not forecast a deterministic short-run collapse in performance; instead, it is associated with stronger long-horizon returns and Sharpe ratios, consistent with an equilibrium premium for acute model uncertainty. Second, in a broader anomaly universe, this pricing relation does not generalize uniformly: mislearning is more strongly associated with future drawdowns, downside semivolatility, and other measures of instability, with substantial heterogeneity across anomaly families. Third, the cross-sectional relation between instability and mislearning is inherently conditional: while a monotonic link between break-proneness and average mislearning does not hold in the full cross-section, it re-emerges in low-friction (low-IVOL) environments where break-state severity is more comparable across assets.

Vollständig mit Quellenangabe unter der Lizenz der Quelle angezeigt. Lizenz: abstract CC0

Diese Zusammenfassung wurde vom Research-Agenten von Stratmill anhand des Originals verfasst; sie ist keine Kopie der Quelle.