Was bedeutet autoregressiv?
Ein statistisches Modell ist autoregressiv, wenn es zukünftige Werte auf der Grundlage vergangener Werte vorhersagt. Ein autoregressives Modell könnte zum Beispiel versuchen, die zukünftigen Kurse einer Aktie auf der Grundlage ihrer vergangenen Performance vorherzusagen.
Key Takeaways
- Autoregressive Modelle sagen zukünftige Werte auf der Grundlage vergangener Werte voraus.
- Sie werden häufig in der technischen Analyse verwendet, um künftige Wertpapierkurse vorherzusagen.
- Autoregressive Modelle gehen implizit davon aus, dass die Zukunft der Vergangenheit ähnelt. Daher können sie sich unter bestimmten Marktbedingungen als ungenau erweisen, z. B. bei Finanzkrisen oder in Zeiten schnellen technologischen Wandels.
Autoregressive Modelle verstehen
Autoregressive Modelle gehen davon aus, dass sich vergangene Werte auf aktuelle Werte auswirken, was diese statistische Technik zu einem beliebten Verfahren für die Analyse von Natur, Wirtschaft und anderen Prozessen macht, die sich im Laufe der Zeit verändern. Multiple Regressionsmodelle prognostizieren eine Variable unter Verwendung einer linearen Kombination von Prädiktoren, während autoregressive Modelle eine Kombination vergangener Werte der Variablen verwenden.
Ein autoregressiver AR(1)-Prozess ist ein Prozess, bei dem der aktuelle Wert auf dem unmittelbar vorhergehenden Wert basiert, während ein AR(2)-Prozess ein Prozess ist, bei dem der aktuelle Wert auf den beiden vorhergehenden Werten basiert. Ein AR(0)-Prozess wird für weißes Rauschen verwendet und weist keine Abhängigkeiten zwischen den Termen auf. Zusätzlich zu diesen Variationen gibt es auch viele verschiedene Möglichkeiten, die in diesen Berechnungen verwendeten Koeffizienten zu berechnen, wie z.B. die Methode der kleinsten Quadrate.
Diese Konzepte und Techniken werden von technischen Analysten zur Prognose von Wertpapierkursen verwendet. Da autoregressive Modelle ihre Vorhersagen jedoch nur auf Informationen aus der Vergangenheit stützen, gehen sie implizit davon aus, dass sich die fundamentalen Kräfte, die die vergangenen Kurse beeinflusst haben, im Laufe der Zeit nicht ändern werden. Dies kann zu überraschenden und ungenauen Vorhersagen führen, wenn sich die zugrundeliegenden Kräfte tatsächlich ändern, z.B. wenn eine Branche einen raschen und beispiellosen technologischen Wandel durchläuft.
Dessen ungeachtet verfeinern Händler weiterhin die Verwendung autoregressiver Modelle für Prognosezwecke. Ein hervorragendes Beispiel ist der Autoregressive Integrierte Gleitende Durchschnitt (ARIMA), ein ausgeklügeltes autoregressives Modell, das Trends, Zyklen, Saisonalität, Fehler und andere nicht statische Datentypen bei der Erstellung von Prognosen berücksichtigen kann.
Analytische Ansätze
Obwohl autoregressive Modelle mit der technischen Analyse in Verbindung gebracht werden, können sie auch mit anderen Ansätzen für Investitionen kombiniert werden. So können Anleger beispielsweise die Fundamentalanalyse nutzen, um eine interessante Gelegenheit zu erkennen, und dann die technische Analyse einsetzen, um Einstiegs- und Ausstiegspunkte zu bestimmen.
Real World Example of an Autoregressive Model
Autoregressive Modelle beruhen auf der Annahme, dass vergangene Werte Auswirkungen auf aktuelle Werte haben. So müsste ein Anleger, der ein autoregressives Modell zur Vorhersage von Aktienkursen verwendet, davon ausgehen, dass neue Käufer und Verkäufer dieser Aktie von den jüngsten Markttransaktionen beeinflusst werden, wenn sie entscheiden, wie viel sie für das Wertpapier anbieten oder akzeptieren wollen.
Auch wenn diese Annahme unter den meisten Umständen zutrifft, ist dies nicht immer der Fall. In den Jahren vor der Finanzkrise 2008 waren sich beispielsweise die meisten Anleger der Risiken nicht bewusst, die von den großen Portfolios hypothekenbesicherter Wertpapiere vieler Finanzunternehmen ausgingen. In dieser Zeit hätte ein Anleger, der ein autoregressives Modell zur Vorhersage der Wertentwicklung von US-Finanztiteln verwendet hätte, guten Grund gehabt, einen anhaltenden Trend zu stabilen oder steigenden Aktienkursen in diesem Sektor vorherzusagen.
Als jedoch bekannt wurde, dass vielen Finanzinstituten der Zusammenbruch drohte, kümmerten sich die Anleger plötzlich weniger um die aktuellen Kurse dieser Aktien als vielmehr um die ihnen zugrunde liegenden Risiken. Daher bewertete der Markt die Finanzaktien rasch auf ein viel niedrigeres Niveau um, was ein autoregressives Modell völlig durcheinander gebracht hätte.
Es ist wichtig zu beachten, dass in einem autoregressiven Modell ein einmaliger Schock die Werte der berechneten Variablen unendlich weit in die Zukunft hinein beeinflusst. Daher lebt das Erbe der Finanzkrise in den heutigen autoregressiven Modellen fort.