Vad betyder autoregressivt?
En statistisk modell är autoregressiv om den förutsäger framtida värden baserade på tidigare värden. Till exempel kan en autoregressiv modell försöka förutsäga ett akties framtida priser baserat på dess tidigare resultat.
Key Takeaways
- Autoregressiva modeller förutsäger framtida värden baserade på tidigare värden. De används ofta i teknisk analys för att förutse framtida säkerhetspriser.Autoregressiva modeller antar implicit att framtiden kommer att likna det förflutna. Därför kan de visa sig vara felaktiga under vissa marknadsförhållanden, till exempel finansiella kriser eller perioder med snabb teknisk förändring.
Förstå autoregressiva modeller
Autoregressiva modeller fungerar under förutsättningen att tidigare värden påverkar nuvarande värden, vilket gör den statistiska tekniken populär för att analysera natur, ekonomi och andra processer som varierar över tid. Flera regressionsmodeller förutspår en variabel med en linjär kombination av prediktorer, medan autoregressiva modeller använder en kombination av tidigare värden på variabeln.
En AR (1) autoregressiv process är en i vilken det aktuella värdet baseras på det omedelbart föregående värdet, medan en AR (2) -process är en där det aktuella värdet är baserat på de två tidigare värdena. En AR (0) -process används för vitt brus och har inget beroende mellan termerna. Förutom dessa variationer finns det också många olika sätt att beräkna koefficienter som används i dessa beräkningar, till exempel metoden med minsta kvadrat.
Dessa koncept och tekniker används av tekniska analytiker för att förutse säkerhetspriser. Eftersom autoregressiva modeller baserar sina förutsägelser endast på tidigare information antar de implicit att de grundläggande krafterna som påverkade tidigare priser inte kommer att förändras över tid. Detta kan leda till överraskande och felaktiga förutsägelser om de underliggande krafterna i fråga faktiskt förändras, till exempel om en industri genomgår en snabb och aldrig tidigare skådad teknologisk omvandling.
Ändå fortsätter handlare att förfina användningen av autoregressiva modeller för prognosändamål. Ett bra exempel är Autoregressive Integrated Moving Average (ARIMA), en sofistikerad autoregressiv modell som kan ta hänsyn till trender, cykler, säsongstider, fel och andra icke-statiska typer av data när man gör prognoser.
Analytiska tillvägagångssätt
Även om autoregressiva modeller är associerade med teknisk analys, kan de också kombineras med andra sätt att investera. Till exempel kan investerare använda grundläggande analyser för att identifiera en övertygande möjlighet och sedan använda teknisk analys för att identifiera in- och utgångspunkter.
Real World Exempel på en autoregressiv modell
Autoregressiva modeller bygger på antagandet att tidigare värden påverkar nuvarande värden. Till exempel skulle en investerare som använder en autoregressiv modell för att förutse aktiekurser behöva anta att nya köpare och säljare av det aktiet påverkas av de senaste marknadstransaktionerna när de beslutar hur mycket att erbjuda eller acceptera för säkerheten.
Även om detta antagande kommer att gälla under de flesta omständigheter är detta inte alltid fallet. Till exempel, under åren före finanskrisen 2008, var de flesta investerare inte medvetna om de risker som de stora portföljerna med säkerhetsskyddade värdepapper innehade av många finansiella företag. Under dessa tider skulle en investerare som använde en autoregressiv modell för att förutsäga prestanda för amerikanska finansiella aktier ha haft goda skäl att förutse en pågående trend med stabila eller stigande aktiekurser i den sektorn.
Men när det blev allmän kännedom att många finansiella institutioner riskerade att förestående kollaps, blev investerare plötsligt mindre bekymrade över dessa aktiers senaste priser och mycket mer bekymrade över deras underliggande riskexponering. Därför omvärderade marknaden snabbt finansiella aktier till en mycket lägre nivå, ett drag som helt skulle ha förvirrat en autoregressiv modell.
Det är viktigt att notera att en engångschock i en autoregressiv modell kommer att påverka värdena på de beräknade variablerna oändligt in i framtiden. Därför lever arven från finanskrisen vidare i dagens autoregressiva modeller.
