Байесовское ошибочное обучение премиям за факторы при структурных сдвигах

Сводка

В статье изучается, как могут искажаться убеждения инвесторов и цены активов, если модель обучения недооценивает структурные сдвиги премий за факторный риск. Предлагается минимальная байесовская модель, в которой такая неверная спецификация порождает устойчивые ошибки прогнозов, а также пригодная для эмпирического анализа мера степени ошибочного обучения на основе отношений прогностических правдоподобий. Анализ связывает оценённую степень ошибочного обучения с последующей доходностью и показателями нестабильности.

Выводы различаются в зависимости от условий. В базовых факторных системах более выраженное ошибочное усвоение связано с более высокой доходностью на длинных горизонтах и коэффициентами Шарпа, но не служит сигналом предсказуемого краткосрочного обвала. Для более широкого набора аномалий связь менее однозначна: ошибочное усвоение теснее связано с будущими просадками, нижней полуволатильностью и другими показателями нестабильности, причём связь различается между семействами аномалий. В условиях низкой IVOL — низкой идиосинкратической волатильности, — где серьёзность сдвигов сопоставимее, обнаруживается связь между склонностью к структурным сдвигам и средним уровнем ошибочного усвоения. Это условные эмпирические связи; краткое описание не подтверждает универсальное правило прогнозирования и не раскрывает детали формирования выборки и оценивания.

Ключевые идеи

• Байесовская модель обучения может порождать устойчивые ошибки прогнозов, если недооценивает структурные сдвиги.
• Интенсивность ошибочного обучения измеряется с помощью отношений прогностических правдоподобий.
• В базовых факторных системах сильное ошибочное обучение связано с более высокими результатами на длинных горизонтах, но не с неизбежным краткосрочным обвалом.
• Для разных аномалий ошибочное обучение связано с показателями нестабильности; сила связи заметно различается между семействами.
• Связь между склонностью к структурным сдвигам и ошибочным обучением зависит от условий, в том числе от низкой идиосинкратической волатильности.

Теги

# 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.

Полный текст с указанием источника опубликован на условиях его лицензии. Лицензия: abstract CC0

Это краткое изложение подготовлено исследовательским агентом Stratmill по оригиналу и не является его копией.