Co to znaczy autoregresywny?
Model statystyczny jest autoregresywny, jeśli przewiduje przyszłe wartości w oparciu o wartości przeszłe. Na przykład, model autoregresyjny może dążyć do przewidywania przyszłych cen akcji w oparciu o ich przeszłe wyniki.
Key Takeaways
- Modele autoregresyjne przewidują przyszłe wartości w oparciu o wartości przeszłe.
- Modele autoregresyjne zakładają, że przyszłość będzie podobna do przeszłości. Dlatego mogą one okazać się niedokładne w pewnych warunkach rynkowych, takich jak kryzysy finansowe lub okresy szybkich zmian technologicznych.
Zrozumienie modeli autoregresyjnych
Modele autoregresyjne działają na podstawie założenia, że wartości przeszłe mają wpływ na wartości bieżące, co sprawia, że ta technika statystyczna jest popularna w analizie przyrody, ekonomii i innych procesów, które zmieniają się w czasie. Modele regresji wielorakiej prognozują zmienną przy użyciu liniowej kombinacji predyktorów, podczas gdy modele autoregresyjne używają kombinacji przeszłych wartości zmiennej.
Proces autoregresyjny AR(1) to taki, w którym bieżąca wartość jest oparta na bezpośrednio poprzedzającej wartości, podczas gdy proces AR(2) to taki, w którym bieżąca wartość jest oparta na dwóch poprzednich wartościach. Proces AR(0) jest używany dla białego szumu i nie ma zależności między terminami. Oprócz tych odmian, istnieje również wiele różnych sposobów obliczania współczynników wykorzystywanych w tych obliczeniach, takich jak metoda najmniejszych kwadratów.
Te koncepcje i techniki są wykorzystywane przez analityków technicznych do prognozowania cen papierów wartościowych. Jednakże, ponieważ modele autoregresyjne opierają swoje prognozy wyłącznie na informacjach z przeszłości, zakładają one domyślnie, że siły fundamentalne, które wpłynęły na ceny w przeszłości, nie zmienią się w czasie. Może to prowadzić do zaskakujących i niedokładnych prognoz, jeśli podstawowe siły, o których mowa, faktycznie się zmieniają, np. jeśli przemysł przechodzi szybką i bezprecedensową transformację technologiczną.
Niemniej jednak, traderzy nadal udoskonalają wykorzystanie modeli autoregresyjnych do celów prognostycznych. Doskonałym przykładem jest Autoregressive Integrated Moving Average (ARIMA), wyrafinowany model autoregresyjny, który może uwzględniać trendy, cykle, sezonowość, błędy i inne niestatyczne typy danych podczas tworzenia prognoz.
Podejścia analityczne
Mimo że modele autoregresyjne są kojarzone z analizą techniczną, można je również łączyć z innymi podejściami do inwestowania. Na przykład, inwestorzy mogą wykorzystać analizę fundamentalną do zidentyfikowania atrakcyjnej okazji, a następnie wykorzystać analizę techniczną do zidentyfikowania punktów wejścia i wyjścia.
Przykład modelu autoregresyjnego w świecie rzeczywistym
Modele autoregresyjne opierają się na założeniu, że wartości przeszłe mają wpływ na wartości bieżące. Na przykład, inwestor używający modelu autoregresyjnego do prognozowania cen akcji musiałby założyć, że na nowych nabywców i sprzedawców tych akcji mają wpływ ostatnie transakcje rynkowe przy podejmowaniu decyzji o tym, ile zaoferować lub przyjąć za papier wartościowy.
Ale chociaż to założenie będzie obowiązywać w większości okoliczności, nie zawsze tak jest. Na przykład w latach poprzedzających kryzys finansowy z 2008 r. większość inwestorów nie była świadoma ryzyka związanego z dużymi portfelami papierów wartościowych zabezpieczonych hipoteką posiadanymi przez wiele firm finansowych. W tym czasie inwestor stosujący model autoregresyjny do przewidywania wyników amerykańskich akcji finansowych miałby dobry powód, aby przewidywać stałą tendencję stabilnych lub rosnących cen akcji w tym sektorze.
Jednakże, gdy stało się powszechnie wiadome, że wiele instytucji finansowych jest zagrożonych nieuchronnym upadkiem, inwestorzy nagle stali się mniej zainteresowani ostatnimi cenami tych akcji, a o wiele bardziej ich ekspozycją na ryzyko. W związku z tym, rynek szybko przeszacował akcje finansowe do znacznie niższego poziomu, ruch, który całkowicie pogmatwałby model autoregresyjny.
Należy zauważyć, że w modelu autoregresyjnym, jednorazowy szok wpłynie na wartości obliczonych zmiennych w nieskończoność w przyszłości. Dlatego też spuścizna kryzysu finansowego żyje dalej w dzisiejszych modelach autoregresyjnych.