Wat betekent Autoregressief?
Een statistisch model is autoregressief als het toekomstige waarden voorspelt op basis van waarden uit het verleden. Een autoregressief model kan bijvoorbeeld proberen de toekomstige koersen van een aandeel te voorspellen op basis van zijn prestaties in het verleden.
Key Takeaways
- Autoregressieve modellen voorspellen toekomstige waarden op basis van waarden in het verleden.
- Zij worden veel gebruikt bij technische analyse om toekomstige effectenprijzen te voorspellen.
- Autoregressieve modellen gaan er impliciet van uit dat de toekomst op het verleden zal lijken. Daarom kunnen ze onnauwkeurig blijken onder bepaalde marktomstandigheden, zoals financiële crises of perioden van snelle technologische verandering.
Autoregressieve modellen begrijpen
Autoregressieve modellen werken onder de vooronderstelling dat waarden uit het verleden een effect hebben op de huidige waarden, waardoor de statistische techniek populair is voor het analyseren van de natuur, de economie, en andere processen die variëren in de tijd. Meervoudige regressiemodellen voorspellen een variabele met behulp van een lineaire combinatie van voorspellers, terwijl autoregressieve modellen een combinatie van vroegere waarden van de variabele gebruiken.
Een AR(1) autoregressief proces is er een waarin de huidige waarde gebaseerd is op de onmiddellijk voorafgaande waarde, terwijl een AR(2) proces er een is waarin de huidige waarde gebaseerd is op de twee voorafgaande waarden. Een AR(0)-proces wordt gebruikt voor witte ruis en kent geen afhankelijkheid tussen de termen. Naast deze variaties zijn er ook veel verschillende manieren om de coëfficiënten te berekenen die bij deze berekeningen worden gebruikt, zoals de kleinste kwadratenmethode.
Deze concepten en technieken worden gebruikt door technische analisten om effectenprijzen te voorspellen. Aangezien autoregressieve modellen hun voorspellingen echter uitsluitend baseren op informatie uit het verleden, gaan zij er impliciet van uit dat de fundamentele krachten die de vroegere prijzen hebben beïnvloed, in de loop van de tijd niet zullen veranderen. Dit kan leiden tot verrassende en onnauwkeurige voorspellingen indien de onderliggende krachten in feite aan het veranderen zijn, zoals wanneer een industrie een snelle en ongekende technologische transformatie ondergaat.
Niettemin blijven handelaren het gebruik van autoregressieve modellen voor prognosedoeleinden verfijnen. Een goed voorbeeld is het Autoregressive Integrated Moving Average (ARIMA), een geavanceerd autoregressief model dat bij het maken van voorspellingen rekening kan houden met trends, cycli, seizoensinvloeden, fouten en andere niet-statische soorten gegevens.
Analytische benaderingen
Hoewel autoregressieve modellen worden geassocieerd met technische analyse, kunnen ze ook worden gecombineerd met andere benaderingen van beleggen. Beleggers kunnen bijvoorbeeld fundamentele analyse gebruiken om een aantrekkelijke kans te identificeren en vervolgens technische analyse om instap- en uitstappunten te identificeren.
Reëel voorbeeld van een autoregressief model
Autoregressieve modellen zijn gebaseerd op de veronderstelling dat waarden uit het verleden een effect hebben op de huidige waarden. Een belegger die bijvoorbeeld een autoregressief model gebruikt om aandelenprijzen te voorspellen, zou moeten aannemen dat nieuwe kopers en verkopers van dat aandeel worden beïnvloed door recente markttransacties wanneer zij beslissen hoeveel zij voor het effect willen bieden of aanvaarden.
Hoewel deze veronderstelling in de meeste omstandigheden opgaat, is dit niet altijd het geval. In de jaren voorafgaand aan de financiële crisis van 2008 waren de meeste beleggers zich bijvoorbeeld niet bewust van de risico’s van de grote portefeuilles met door hypotheken gedekte waardepapieren die door veel financiële bedrijven werden aangehouden. In die tijd zou een belegger die een autoregressief model gebruikt om de prestaties van Amerikaanse financiële aandelen te voorspellen, een goede reden hebben gehad om een aanhoudende trend van stabiele of stijgende aandelenkoersen in die sector te voorspellen.
Toen echter bekend werd dat veel financiële instellingen op instorten stonden, maakten beleggers zich plotseling minder zorgen over de recente koersen van deze aandelen en veel meer over hun onderliggende risicoblootstelling. Daarom herwaardeerde de markt financiële aandelen snel tot een veel lager niveau, een beweging die een autoregressief model volledig in de war zou hebben gebracht.
Het is belangrijk op te merken dat in een autoregressief model een eenmalige schok de waarden van de berekende variabelen tot in het oneindige in de toekomst zal beïnvloeden. Daarom leeft de erfenis van de financiële crisis voort in de autoregressieve modellen van vandaag.