یادگیری نادرست بیزی از صرف ریسک عوامل در دوره شکست ساختاری

خلاصه

این مقاله بررسی می‌کند که وقتی مدل یادگیری سرمایه‌گذاران شکست‌های ساختاری در صرف ریسک عوامل را کمتر از واقع برآورد می‌کند، باورهای آن‌ها و قیمت دارایی‌ها چگونه ممکن است تحریف شوند. چارچوبی بیزی و حداقلی پیشنهاد می‌کند که در آن این خطای مشخص‌سازی، خطاهای پیش‌بینی ماندگار ایجاد می‌کند. همچنین معیاری عملی برای سنجش شدت یادگیری نادرست، بر پایه نسبت‌های درست‌نمایی پیش‌بینی، ارائه می‌دهد. تحلیل، یادگیری نادرست برآوردشده را به بازده‌های بعدی و معیارهای بی‌ثباتی پیوند می‌دهد.

یافته‌ها در شرایط مختلف متفاوت‌اند. در نظام‌های عاملیِ معیار، یادگیری نادرست بیشتر با بازده‌های بلندمدت و نسبت‌های شارپ بالاتر مرتبط است، اما نشانه‌ای از سقوط کوتاه‌مدتِ قابل‌پیش‌بینی نیست. در مجموعه گسترده‌تری از ناهنجاری‌ها، این رابطه یکنواخت نیست: یادگیری نادرست ارتباط نزدیک‌تری با افت سرمایه آتی، نیم‌واریانس نزولی و دیگر سنجه‌های بی‌ثباتی دارد و این ارتباط میان خانواده‌های ناهنجاری متفاوت است. در محیط‌های با IVOL پایین، که شدت شکست‌ها قابل‌مقایسه‌تر است، رابطه‌ای میان استعداد شکست و میانگین یادگیری نادرست دیده می‌شود. این‌ها ارتباط‌های تجربیِ مشروط‌اند؛ خلاصه، قاعده‌ای عمومی برای پیش‌بینی ارائه نمی‌کند و جزئیاتی درباره ساخت نمونه و برآورد در اختیار نمی‌گذارد.

ایده‌های کلیدی

• مدل یادگیری بیزی در صورت کمتر برآوردکردن شکست‌های ساختاری می‌تواند خطاهای پیش‌بینی ماندگار ایجاد کند.
• شدت یادگیری نادرست با استفاده از نسبت‌های درست‌نمایی پیش‌بینی سنجیده می‌شود.
• در سامانه‌های عاملی معیار، یادگیری نادرست بیشتر با عملکرد بلندمدت قوی‌تر مرتبط است، نه سقوط قطعی در آینده نزدیک.
• در میان ناهنجاری‌ها، یادگیری نادرست با معیارهای بی‌ثباتی مرتبط است، اما این رابطه میان خانواده‌ها تفاوت چشمگیری دارد.
• رابطه گرایش به شکست با یادگیری نادرست به شرایطی مانند نوسان ویژه پایین وابسته است.

برچسب‌ها

# 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.

با ذکر منبع و مطابق مجوز اثر، به‌طور کامل نمایش داده می‌شود. مجوز: abstract CC0

این خلاصه را عامل پژوهشی Stratmill بر پایه متن اصلی نوشته است؛ نسخه‌ای از اثر منبع نیست.