Co znamená autoregresivní?
Statistický model je autoregresivní, pokud předpovídá budoucí hodnoty na základě hodnot minulých. Autoregresivní model se například může snažit předpovědět budoucí ceny akcií na základě jejich minulé výkonnosti.
Klíčové poznatky
- Autoregresivní modely předpovídají budoucí hodnoty na základě hodnot minulých.
- Široce se používají v technické analýze k předpovídání budoucích cen cenných papírů.
- Autoregresivní modely implicitně předpokládají, že budoucnost se bude podobat minulosti. Proto se za určitých tržních podmínek, jako jsou finanční krize nebo období rychlých technologických změn, mohou ukázat jako nepřesné.
Pochopení autoregresních modelů
Autoregresní modely pracují s předpokladem, že minulé hodnoty mají vliv na současné hodnoty, což činí tuto statistickou techniku oblíbenou pro analýzu přírody, ekonomiky a dalších procesů, které se mění v čase. Vícenásobné regresní modely předpovídají proměnnou pomocí lineární kombinace prediktorů, zatímco autoregresní modely využívají kombinaci minulých hodnot proměnné.
Autoregresní proces AR(1) je proces, ve kterém je aktuální hodnota založena na bezprostředně předcházející hodnotě, zatímco proces AR(2) je proces, ve kterém je aktuální hodnota založena na dvou předchozích hodnotách. Proces AR(0) se používá pro bílý šum a nemá žádnou závislost mezi členy. Kromě těchto variant existuje také mnoho různých způsobů výpočtu koeficientů používaných při těchto výpočtech, například metoda nejmenších čtverců.
Tyto pojmy a techniky používají techničtí analytici k předpovídání cen cenných papírů. Protože však autoregresní modely zakládají své předpovědi pouze na minulých informacích, implicitně předpokládají, že fundamentální síly, které ovlivnily minulé ceny, se v průběhu času nezmění. To může vést k překvapivým a nepřesným předpovědím, pokud se dané základní síly ve skutečnosti mění, například pokud odvětví prochází rychlou a bezprecedentní technologickou transformací.
Přesto obchodníci nadále zdokonalují používání autoregresních modelů pro účely prognózování. Skvělým příkladem je autoregresní integrovaný klouzavý průměr (ARIMA), sofistikovaný autoregresní model, který dokáže při tvorbě prognóz zohlednit trendy, cykly, sezónnost, chyby a další nestatické typy dat.
Analytické přístupy
Ačkoli jsou autoregresní modely spojovány s technickou analýzou, lze je kombinovat i s jinými přístupy k investování. Investoři mohou například použít fundamentální analýzu k identifikaci zajímavé příležitosti a poté použít technickou analýzu k určení vstupních a výstupních bodů.
Reálný příklad autoregresního modelu
Autoregresní modely jsou založeny na předpokladu, že minulé hodnoty mají vliv na současné hodnoty. Například investor, který používá autoregresní model k předpovědi cen akcií, by musel předpokládat, že noví kupující a prodávající těchto akcií jsou při rozhodování, kolik za cenný papír nabídnout nebo přijmout, ovlivněni nedávnými tržními transakcemi.
Ačkoli tento předpoklad bude za většiny okolností platit, není tomu tak vždy. Například v letech před finanční krizí v roce 2008 si většina investorů nebyla vědoma rizik, která představovala rozsáhlá portfolia cenných papírů krytých hypotékami v držení mnoha finančních společností. V té době by investor, který by použil autoregresní model k předpovědi výkonnosti amerických finančních akcií, měl dobrý důvod předpovídat pokračující trend stabilních nebo rostoucích cen akcií v tomto sektoru.
Jakmile se však stalo veřejně známým, že mnoha finančním institucím hrozí bezprostřední krach, investoři se náhle začali méně zajímat o nedávné ceny těchto akcií a mnohem více o jejich základní rizikovost. Proto trh rychle přecenil finanční akcie na mnohem nižší úroveň, což by autoregresní model naprosto zmátlo.
Je důležité si uvědomit, že v autoregresním modelu jednorázový šok ovlivní hodnoty vypočtených proměnných do nekonečně dlouhé budoucnosti. Proto dědictví finanční krize žije v dnešních autoregresních modelech dál.