Vad betyder auktoregressivt?
En statistisk modell är autoregressiv om den förutsäger framtida värden baserat på tidigare värden. En autoregressiv modell kan till exempel försöka förutsäga en akties framtida priser baserat på dess tidigare resultat.
Nyckelresultat
- Autoregressiva modeller förutsäger framtida värden baserat på tidigare värden.
- De används ofta inom teknisk analys för att prognostisera framtida värdepapperspriser.
- Autoregressiva modeller utgår implicit från att framtiden kommer att likna det förflutna. Därför kan de visa sig vara felaktiga under vissa marknadsförhållanden, t.ex. finansiella kriser eller perioder av snabba tekniska förändringar.
Förståelse av auktoregressiva modeller
Autoregressiva modeller arbetar utifrån premissen att tidigare värden har en effekt på nuvarande värden, vilket gör den statistiska tekniken populär för att analysera natur, ekonomi och andra processer som varierar över tid. Multipla regressionsmodeller prognostiserar en variabel med hjälp av en linjär kombination av prediktorer, medan autoregressiva modeller använder en kombination av tidigare värden för variabeln.
En AR(1)-auktoregressiv process är en process där det aktuella värdet är baserat på det omedelbart föregående värdet, medan en AR(2)-process är en process där det aktuella värdet är baserat på de två föregående värdena. En AR(0)-process används för vitt brus och har inget beroende mellan termerna. Förutom dessa variationer finns det också många olika sätt att beräkna de koefficienter som används i dessa beräkningar, till exempel minsta kvadratmetoden.
Dessa begrepp och tekniker används av tekniska analytiker för att prognostisera värdepapperspriser. Men eftersom autoregressiva modeller baserar sina förutsägelser endast på tidigare information antar de implicit att de fundamentala krafter som påverkade de tidigare priserna inte kommer att förändras med tiden. Detta kan leda till överraskande och felaktiga förutsägelser om de underliggande krafterna i fråga faktiskt förändras, t.ex. om en bransch genomgår en snabb och oöverträffad teknisk omvandling.
Näringsidkare fortsätter dock att förfina användningen av autoregressiva modeller för prognosändamål. Ett bra exempel är ARIMA (Autoregressive Integrated Moving Average), en sofistikerad autoregressiv modell som kan ta hänsyn till trender, cykler, säsongsvariationer, fel och andra icke-statiska typer av data när den gör prognoser.
Analytiska tillvägagångssätt
Och även om auktoregressiva modeller förknippas med teknisk analys, kan de också kombineras med andra tillvägagångssätt för investeringar. Till exempel kan investerare använda fundamental analys för att identifiera en övertygande möjlighet och sedan använda teknisk analys för att identifiera inträdes- och utträdespunkter.
Real World Example of an Autoregressive Model
Autoregressiva modeller bygger på antagandet att tidigare värden har en effekt på nuvarande värden. En investerare som använder en auktoregressiv modell för att prognostisera aktiekurser skulle till exempel behöva anta att nya köpare och säljare av aktien påverkas av de senaste marknadstransaktionerna när de bestämmer sig för hur mycket de ska erbjuda eller acceptera för värdepappret.
Och även om detta antagande kommer att hålla under de flesta omständigheter, är detta inte alltid fallet. Under åren före finanskrisen 2008 var de flesta investerare till exempel inte medvetna om de risker som de stora portföljerna av värdepapper med säkerhet i form av hypotekslån som innehades av många finansföretag innebar. Under denna tid skulle en investerare som använde en auktoregressiv modell för att förutsäga utvecklingen av amerikanska finansaktier ha haft goda skäl att förutsäga en pågående trend med stabila eller stigande aktiekurser i den sektorn.
När det emellertid blev allmänt känt att många finansinstitut riskerade en nära förestående kollaps blev investerarna plötsligt mindre bekymrade över dessa aktiers senaste priser och betydligt mer bekymrade över deras underliggande riskexponering. Därför omvärderade marknaden snabbt de finansiella aktierna till en mycket lägre nivå, vilket skulle ha gjort en autoregressiv modell helt förvirrad.
Det är viktigt att notera att i en autoregressiv modell kommer en engångschock att påverka de beräknade variablernas värden oändligt långt in i framtiden. Därför lever arvet från finanskrisen vidare i dagens autoregressiva modeller.