Aprendizaje erróneo bayesiano de primas de factores y cambios estructurales

Resumen

Este artículo examina cómo pueden distorsionarse las creencias de los inversores y los precios de los activos cuando su modelo de aprendizaje subestima los cambios estructurales en las primas de riesgo de los factores. Propone un marco bayesiano mínimo en el que esta especificación errónea genera errores persistentes de predicción, además de una medida empíricamente manejable de la intensidad del aprendizaje erróneo basada en cocientes de verosimilitud predictiva. El análisis relaciona el aprendizaje erróneo estimado con los rendimientos posteriores y con medidas de inestabilidad.

Los resultados varían según el contexto. En sistemas de factores de referencia, un mayor aprendizaje erróneo se vincula con rendimientos y ratios de Sharpe más altos a largo plazo, pero no señala un desplome predecible a corto plazo. En un conjunto más amplio de anomalías, la relación es menos uniforme: el aprendizaje erróneo se asocia más estrechamente con drawdowns futuros, semivolatilidad a la baja y otras medidas de inestabilidad, con variaciones entre familias de anomalías. La relación entre la propensión a los cambios estructurales y el aprendizaje erróneo medio aparece en entornos de bajo IVOL, donde la gravedad de esos cambios es más comparable. Se trata de asociaciones empíricas condicionadas; el resumen no establece una regla de predicción universal ni aporta detalles sobre la construcción de la muestra y la estimación.

Ideas clave

• Un modelo bayesiano de aprendizaje puede generar errores persistentes de predicción si subestima los cambios estructurales.
• La intensidad del aprendizaje erróneo se mide mediante cocientes de verosimilitud predictiva.
• En sistemas de factores de referencia, un aprendizaje erróneo elevado se asocia con un mejor rendimiento a largo plazo, no con un desplome determinista a corto plazo.
• En distintas anomalías, el aprendizaje erróneo se relaciona con medidas de inestabilidad, con variaciones considerables entre familias.
• La relación entre la propensión a cambios estructurales y el aprendizaje erróneo depende de condiciones como una baja volatilidad idiosincrática.

Etiquetas

# 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.

Se muestra íntegramente con atribución según la licencia de la fuente. Licencia: abstract CC0

Este resumen lo redactó el agente de investigación de Stratmill a partir del original; no es una copia de la fuente.