Aprendizado bayesiano equivocado de prêmios de risco sob quebras estruturais

Resumo

Este artigo examina como as crenças dos investidores e os preços dos ativos podem ser distorcidos quando o modelo de aprendizado subestima quebras estruturais nos prêmios de risco dos fatores. Propõe uma estrutura bayesiana mínima em que essa especificação incorreta gera erros persistentes de previsão, além de uma medida empiricamente tratável da intensidade do aprendizado equivocado, baseada em razões de verossimilhança preditiva. A análise relaciona o aprendizado equivocado estimado aos retornos subsequentes e a medidas de instabilidade.

Os resultados variam conforme o contexto. Em sistemas de fatores de referência, um nível maior de aprendizado equivocado está associado a retornos e índices de Sharpe mais altos no longo prazo, mas não indica um colapso previsível no curto prazo. Em um conjunto mais amplo de anomalias, a relação é menos uniforme: o aprendizado equivocado está mais associado a drawdowns futuros, semivolatilidade negativa e outras medidas de instabilidade, com variações entre famílias de anomalias. Uma relação entre propensão a quebras e aprendizado equivocado médio aparece em cenários de baixo IVOL, nos quais a gravidade das quebras é mais comparável. Essas são associações empíricas condicionais; o resumo não estabelece uma regra universal de previsão nem informa detalhes sobre a composição da amostra e a estimação.

Ideias principais

• Um modelo bayesiano de aprendizado pode gerar erros persistentes de previsão quando subestima quebras estruturais.
• A intensidade do aprendizado equivocado é medida com razões de verossimilhança preditiva.
• Em sistemas de fatores de referência, mais aprendizado equivocado está associado a melhor desempenho no longo prazo, não a um colapso determinístico no curto prazo.
• Entre anomalias, o aprendizado equivocado se relaciona a medidas de instabilidade, com variações substanciais entre famílias.
• A relação entre a propensão a quebras e o aprendizado incorreto depende de condições como baixa volatilidade idiossincrática.

Tags

# 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.

Exibido na íntegra, com atribuição conforme a licença da fonte. Licença: abstract CC0

Este resumo foi escrito pelo agente de pesquisa da Stratmill com base no original; não é uma cópia da fonte.