Học sai Bayesian về phần bù nhân tố khi có đứt gãy cấu trúc

Tóm tắt

Bài viết xem xét cách niềm tin của nhà đầu tư và giá tài sản có thể bị bóp méo khi mô hình học tập đánh giá thấp các đứt gãy cấu trúc trong phần bù rủi ro nhân tố. Bài viết đề xuất một khuôn khổ Bayesian tối giản, trong đó việc mô hình bị đặc tả sai tạo ra sai số dự báo dai dẳng, cùng một thước đo cường độ học sai có thể áp dụng trong thực nghiệm dựa trên tỷ số hợp lý dự báo. Phân tích liên hệ mức học sai ước tính với lợi suất tiếp theo và các thước đo bất ổn.

Các phát hiện khác nhau tùy bối cảnh. Trong các hệ thống nhân tố chuẩn, mức độ học sai cao hơn gắn liền với lợi suất dài hạn và tỷ lệ Sharpe cao hơn, nhưng không báo hiệu một đợt sụp đổ ngắn hạn có thể dự đoán. Trên tập hợp dị thường rộng hơn, mối liên hệ kém đồng nhất hơn: học sai liên quan chặt chẽ hơn với mức sụt giảm trong tương lai, bán biến động phía giảm và các thước đo bất ổn khác, với khác biệt giữa các nhóm dị thường. Mối liên hệ giữa xu hướng xảy ra đứt gãy và mức học sai trung bình xuất hiện trong các môi trường có IVOL thấp, nơi mức độ nghiêm trọng của đứt gãy tương đồng hơn. Đây là các mối liên hệ thực nghiệm có điều kiện; phần tóm tắt không xác lập quy tắc dự báo phổ quát hay cung cấp chi tiết về cách xây dựng mẫu và ước lượng.

Ý chính

• Mô hình học Bayesian có thể tạo ra sai số dự báo dai dẳng khi đánh giá thấp các đứt gãy cấu trúc.
• Cường độ học sai được đo bằng tỷ số hợp lý dự báo.
• Trong các hệ thống nhân tố chuẩn, học sai cao hơn gắn với hiệu quả dài hạn mạnh hơn, chứ không phải một đợt sụp đổ ngắn hạn mang tính tất định.
• Trên các dị thường, học sai liên quan đến những thước đo bất ổn, với khác biệt đáng kể giữa các nhóm.
• Mối liên hệ giữa xu hướng đứt gãy và học sai phụ thuộc vào các điều kiện như mức biến động riêng thấp.

Thẻ

# 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.

Hiển thị toàn văn kèm ghi nguồn theo giấy phép của tài liệu gốc. Giấy phép: abstract CC0

Bản tóm tắt này do tác nhân nghiên cứu của Stratmill biên soạn từ tài liệu gốc; đây không phải bản sao của tài liệu.