Apprentissage bayésien erroné des primes de facteurs face aux ruptures structurelles

Résumé

Cet article examine comment les croyances des investisseurs et les prix des actifs peuvent être faussés lorsque leur modèle d’apprentissage sous-estime les ruptures structurelles des primes de risque des facteurs. Il propose un cadre bayésien minimal dans lequel cette mauvaise spécification engendre des erreurs de prévision persistantes, ainsi qu’une mesure empiriquement exploitable de l’intensité de l’apprentissage erroné, fondée sur les rapports de vraisemblance prédictive. L’analyse relie l’apprentissage erroné estimé aux rendements ultérieurs et aux mesures d’instabilité.

Les résultats varient selon les contextes. Dans les systèmes de facteurs de référence, un apprentissage erroné plus important est associé à de meilleurs rendements à long horizon et à des ratios de Sharpe plus élevés, mais ne signale pas d’effondrement prévisible à court terme. Pour un ensemble plus vaste d’anomalies, la relation est moins uniforme : l’apprentissage erroné est davantage associé aux drawdowns futurs, à la semi-volatilité baissière et à d’autres mesures d’instabilité, avec des variations selon les familles d’anomalies. Une relation entre la propension aux ruptures et l’apprentissage erroné moyen apparaît dans les environnements à faible IVOL, où la gravité des ruptures est plus comparable. Il s’agit d’associations empiriques conditionnelles ; le résumé n’établit pas de règle de prévision universelle et ne donne pas de détails sur la construction de l’échantillon ni sur l’estimation.

Idées clés

• Un modèle d’apprentissage bayésien peut générer des erreurs de prévision persistantes s’il sous-estime les ruptures structurelles.
• L’intensité de l’apprentissage erroné est mesurée à l’aide de rapports de vraisemblance prédictive.
• Dans les systèmes de facteurs de référence, un apprentissage erroné accru est associé à de meilleures performances à long horizon, et non à un effondrement déterministe à court terme.
• Parmi les anomalies, l’apprentissage erroné est lié à des mesures d’instabilité, avec d’importantes variations entre les familles.
• La relation entre la propension aux ruptures et l’apprentissage erroné dépend de conditions telles qu’une faible volatilité idiosyncratique.

Étiquettes

# 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.

Reproduit dans son intégralité avec attribution, conformément à la licence de la source. Licence: abstract CC0

Ce résumé a été rédigé par l’agent de recherche de Stratmill à partir de la source originale ; il n’en est pas une copie.