Hva betyr autoregressive?
En statistisk modell er autoregressiv hvis den spår fremtidige verdier basert på tidligere verdier. For eksempel kan en autoregressiv modell forsøke å forutsi en aksjes fremtidige priser basert på tidligere resultat.
Viktige takeaways
- Autoregressive modeller forutsier fremtidige verdier basert på tidligere verdier.De er mye brukt i teknisk analyse for å forutsi fremtidige sikkerhetspriser.Autoregressive modeller antar implisitt at fremtiden vil ligne fortiden. Derfor kan de vise seg å være unøyaktige under visse markedsforhold, for eksempel finanskriser eller perioder med rask teknologisk endring.
Forstå autoregressive modeller
Autoregressive modeller opererer under forutsetning om at tidligere verdier har effekt på nåværende verdier, noe som gjør den statistiske teknikken populær for å analysere natur, økonomi og andre prosesser som varierer over tid. Flere regresjonsmodeller spår en variabel ved å bruke en lineær kombinasjon av prediktorer, mens autoregressive modeller bruker en kombinasjon av tidligere verdier av variabelen.
En AR (1) autoregressiv prosess er en der den nåværende verdien er basert på den umiddelbart forutgående verdien, mens en AR (2) prosess er en der den nåværende verdien er basert på de to foregående verdiene. En AR (0) -prosess brukes for hvit støy og har ingen avhengighet mellom begrepene. I tillegg til disse variasjonene, er det også mange forskjellige måter å beregne koeffisientene som brukes i disse beregningene, for eksempel metoden for minste kvadrat.
Disse konseptene og teknikkene brukes av tekniske analytikere til å forutsi sikkerhetspriser. Siden autoregressive modeller baserer sine spådommer bare på tidligere informasjon, antar de implisitt at de grunnleggende kreftene som påvirket prisene i fortiden ikke vil endre seg over tid. Dette kan føre til overraskende og unøyaktige spådommer hvis de underliggende kreftene det gjelder faktisk endrer seg, for eksempel hvis en næring gjennomgår en rask og enestående teknologisk transformasjon.
Likevel fortsetter handelsmenn å avgrense bruken av autoregressive modeller for prognoser. Et flott eksempel er Autoregressive Integrated Moving Average (ARIMA), en sofistikert autoregressiv modell som kan ta hensyn til trender, sykluser, sesongmessighet, feil og andre ikke-statiske typer data når du lager prognoser.
Analytiske tilnærminger
Selv om autoregressive modeller er assosiert med teknisk analyse, kan de også kombineres med andre tilnærminger til investering. For eksempel kan investorer bruke grunnleggende analyser for å identifisere en overbevisende mulighet og deretter bruke teknisk analyse for å identifisere inngangs- og utgangspunkter.
Ekte verdenseksempel på en autoregressiv modell
Autoregressive modeller er basert på antagelsen om at tidligere verdier har effekt på nåværende verdier. For eksempel vil en investor som bruker en autoregressiv modell for å forutsi aksjekurser, måtte anta at nye kjøpere og selgere av denne aksjen blir påvirket av nylige markedstransaksjoner når de bestemmer hvor mye de skal tilby eller akseptere for sikkerheten.
Selv om denne antakelsen vil gjelde under de fleste omstendigheter, er dette ikke alltid tilfelle. I årene før finanskrisen i 2008 var for eksempel de fleste investorer ikke klar over risikoen som de store porteføljene med pantesikrede verdipapirer inneholdt av mange finansfirmaer. I løpet av disse tider ville en investor som bruker en autoregressiv modell for å forutsi resultatene til amerikanske finansielle aksjer ha hatt god grunn til å forutsi en pågående trend med stabile eller stigende aksjekurser i den sektoren.
Når det imidlertid ble offentlig kjent at mange finansinstitusjoner var i fare for forestående kollaps, ble investorene plutselig mindre opptatt av disse aksjene sine nylige priser og langt mer opptatt av deres underliggende risikoeksponering. Derfor revurderte markedet raskt finansielle aksjer til et mye lavere nivå, et trekk som ville ha forvirret en autoregressiv modell.
Det er viktig å merke seg at i en autoregressiv modell vil et engangssjokk påvirke verdiene på de beregnede variablene uendelig inn i fremtiden. Derfor lever arven fra finanskrisen videre i dagens autoregressive modeller.
