Hvad betyder autoregressivitet?
En statistisk model er autoregressiv, hvis den forudsiger fremtidige værdier på baggrund af tidligere værdier. En autoregressiv model kan f.eks. søge at forudsige en akties fremtidige priser på baggrund af dens tidligere resultater.
Nøglepunkter
- Autoregressive modeller forudsiger fremtidige værdier på baggrund af tidligere værdier.
- De anvendes i vid udstrækning i teknisk analyse til at forudsige fremtidige værdipapirkurser.
- Autoregressive modeller antager implicit, at fremtiden vil ligne fortiden. Derfor kan de vise sig at være unøjagtige under visse markedsforhold, såsom finansielle kriser eller perioder med hurtige teknologiske forandringer.
Forståelse af autoregressive modeller
Autoregressive modeller opererer ud fra den forudsætning, at tidligere værdier har en effekt på nuværende værdier, hvilket gør den statistiske teknik populær til analyse af natur, økonomi og andre processer, der varierer over tid. Multiple regressionsmodeller forudsiger en variabel ved hjælp af en lineær kombination af prædiktorer, mens autoregressive modeller anvender en kombination af tidligere værdier af variablen.
En AR(1)-autoregressiv proces er en proces, hvor den aktuelle værdi er baseret på den umiddelbart foregående værdi, mens en AR(2)-proces er en proces, hvor den aktuelle værdi er baseret på de to foregående værdier. En AR(0)-proces anvendes til hvid støj og har ingen afhængighed mellem termerne. Ud over disse variationer er der også mange forskellige måder at beregne de koefficienter, der anvendes i disse beregninger, som f.eks. mindste kvadraters metode.
Disse begreber og teknikker anvendes af tekniske analytikere til at forudsige værdipapirpriser. Da autoregressive modeller imidlertid kun baserer deres forudsigelser på tidligere oplysninger, antager de implicit, at de fundamentale kræfter, der påvirkede de tidligere priser, ikke vil ændre sig over tid. Dette kan føre til overraskende og upræcise forudsigelser, hvis de pågældende underliggende kræfter faktisk ændrer sig, f.eks. hvis en branche gennemgår en hurtig og hidtil uset teknologisk transformation.
Nuvel, erhvervsdrivende fortsætter med at forfine brugen af autoregressive modeller til prognoseformål. Et godt eksempel er ARIMA (Autoregressive Integrated Moving Average), en sofistikeret autoregressiv model, der kan tage højde for tendenser, cyklusser, sæsonudsving, fejl og andre ikke-statiske typer af data, når der laves prognoser.
Analytiske tilgange
Selv om autoregressive modeller er forbundet med teknisk analyse, kan de også kombineres med andre tilgange til investering. For eksempel kan investorer bruge fundamental analyse til at identificere en overbevisende mulighed og derefter bruge teknisk analyse til at identificere indgangs- og udgangspunkter.
Eksempel på en autoregressiv model i den virkelige verden
Autoregressive modeller er baseret på den antagelse, at tidligere værdier har en effekt på nuværende værdier. For eksempel vil en investor, der anvender en autoregressiv model til at forudsige aktiekurser, være nødt til at antage, at nye købere og sælgere af den pågældende aktie er påvirket af de seneste markedstransaktioner, når de beslutter, hvor meget de vil byde eller acceptere for værdipapiret.
Selv om denne antagelse vil holde under de fleste omstændigheder, er dette ikke altid tilfældet. I årene forud for finanskrisen i 2008 var de fleste investorer f.eks. ikke klar over de risici, som de store porteføljer af realkreditobligationer, som mange finansielle virksomheder havde, indebar. I den periode ville en investor, der anvendte en autoregressiv model til at forudsige udviklingen i amerikanske finansaktier, have haft god grund til at forudsige en vedvarende tendens med stabile eller stigende aktiekurser i denne sektor.
Men da det blev offentligt kendt, at mange finansielle institutioner var i fare for et nært forestående sammenbrud, blev investorerne pludselig mindre bekymrede over disse aktiers seneste priser og langt mere bekymrede over deres underliggende risikoeksponering. Derfor revaluerede markedet hurtigt de finansielle aktier til et meget lavere niveau, hvilket ville have forvirret en autoregressiv model fuldstændigt.
Det er vigtigt at bemærke, at i en autoregressiv model vil et engangsstød påvirke værdierne af de beregnede variabler uendeligt langt ud i fremtiden. Derfor lever arven fra finanskrisen videre i de autoregressive modeller i dag.