Mitä autoregressiivinen tarkoittaa?
Tilastollinen malli on autoregressiivinen, jos se ennustaa tulevia arvoja menneiden arvojen perusteella. Esimerkiksi autoregressiivinen malli voi pyrkiä ennustamaan osakkeen tulevia hintoja sen menneen kehityksen perusteella.
Key Takeaways
- Autoregressiiviset mallit ennustavat tulevia arvoja menneiden arvojen perusteella.
- Malleja käytetään laajalti teknisessä analyysissä ennustamaan arvopapereiden tulevia hintoja.
- Autoregressiiviset mallit olettavat implisiittisesti, että tulevaisuus muistuttaa menneisyyttä. Siksi ne voivat osoittautua epätarkoiksi tietyissä markkinaolosuhteissa, kuten rahoituskriiseissä tai nopeiden teknologisten muutosten aikana.
Autoregressiivisten mallien ymmärtäminen
Autoregressiiviset mallit toimivat sillä lähtökohdalla, että menneillä arvoilla on vaikutusta nykyisiin arvoihin, mikä tekee tilastollisesta tekniikasta suositun luonto- ja taloustieteiden ja muiden ajassa vaihtelevien prosessien analysoimiseksi. Moninkertaiset regressiomallit ennustavat muuttujaa käyttämällä ennusteiden lineaarista yhdistelmää, kun taas autoregressiiviset mallit käyttävät muuttujan aiempien arvojen yhdistelmää.
AR(1)-autoregressiivinen prosessi on prosessi, jossa nykyinen arvo perustuu välittömästi edeltävään arvoon, kun taas AR(2)-prosessi on prosessi, jossa nykyinen arvo perustuu kahteen aiempaan arvoon. AR(0)-prosessia käytetään valkoiseen kohinaan, eikä termien välillä ole riippuvuutta. Näiden variaatioiden lisäksi on myös monia eri tapoja laskea näissä laskelmissa käytettävät kertoimet, kuten pienimmän neliösumman menetelmä.
Tekniset analyytikot käyttävät näitä käsitteitä ja tekniikoita arvopaperien hintojen ennustamiseen. Koska autoregressiiviset mallit kuitenkin perustavat ennusteensa vain menneisiin tietoihin, ne olettavat implisiittisesti, että menneisiin hintoihin vaikuttaneet fundamentaaliset voimat eivät muutu ajan myötä. Tämä voi johtaa yllättäviin ja epätarkkoihin ennusteisiin, jos kyseiset taustavoimat todellisuudessa muuttuvat, esimerkiksi jos toimialalla on meneillään nopea ja ennennäkemätön teknologinen muutos.
Kaupankäyttäjät jatkavat kuitenkin autoregressiivisten mallien käytön jalostamista ennustamistarkoituksiin. Hyvä esimerkki on autoregressiivinen integroitu liukuva keskiarvo (ARIMA, Autoregressive Integrated Moving Average), kehittynyt autoregressiivinen malli, joka voi ottaa huomioon trendejä, syklejä, kausivaihteluita, virheitä ja muita ei-staattisia datatyyppejä ennusteita tehdessään.
Analyyttisiä lähestymistapoja
Niinkin kuin autoregressiiviset malleihin liitetäänkin teknisen analyysin piiriin, niitä voidaan yhdistellä muihinkin lähestymistapoihin, joita käytetään sijoittamisessa. Sijoittajat voivat esimerkiksi käyttää fundamenttianalyysia tunnistamaan kiinnostavan tilaisuuden ja sen jälkeen käyttää teknistä analyysia sisään- ja uloskirjautumispisteiden tunnistamiseen.
Reaalimaailman esimerkki autoregressiivisestä mallista
Autoregressiiviset mallit perustuvat olettamukseen, että menneisyydessä vallinneilla arvoilla on vaikutusta nykyisiin arvoihin. Esimerkiksi sijoittajan, joka käyttää autoregressiivistä mallia osakkeiden hintojen ennustamiseen, olisi oletettava, että viimeaikaiset markkinatapahtumat vaikuttavat kyseisen osakkeen uusiin ostajiin ja myyjiin, kun hän päättää, kuinka paljon hän tarjoaa tai hyväksyy arvopaperista.
Vaikka tämä oletus pitää paikkansa useimmissa olosuhteissa, näin ei aina ole. Esimerkiksi vuoden 2008 finanssikriisiä edeltävinä vuosina useimmat sijoittajat eivät olleet tietoisia riskeistä, joita monien rahoitusyhtiöiden hallussa olevat suuret asuntovakuudellisten arvopaperien salkut aiheuttivat. Tuona aikana sijoittajalla, joka käytti autoregressiivistä mallia ennustamaan yhdysvaltalaisten rahoitusosakkeiden kehitystä, olisi ollut hyvä syy ennustaa, että kyseisen sektorin osakekurssit olisivat pysyneet vakaina tai nousseet.
Kun kuitenkin tuli julkisuuteen, että monia rahoituslaitoksia uhkasi välitön romahdus, sijoittajat alkoivat yhtäkkiä olla vähemmän huolissaan näiden osakkeiden viimeaikaisista hinnoista ja paljon enemmän niiden taustalla olevasta riskialttiudesta. Siksi markkinat arvostivat rahoitusosakkeet nopeasti paljon alhaisemmalle tasolle, mikä olisi täysin hämmentänyt autoregressiivisen mallin.
On tärkeää huomata, että autoregressiivisessä mallissa kertaluonteinen shokki vaikuttaa laskettujen muuttujien arvoihin äärettömän pitkälle tulevaisuuteen. Siksi finanssikriisin perintö elää nykyisissä autoregressiivisissä malleissa.