¿Qué significa autorregresivo?

¿Qué significa autorregresivo?

Un modelo estadístico es autorregresivo si predice valores futuros basados ​​en valores pasados. Por ejemplo, un modelo autorregresivo podría buscar predecir los precios futuros de una acción basándose en su desempeño pasado.

Comprensión de los modelos autorregresivos

Los modelos autorregresivos operan bajo la premisa de que los valores pasados ​​tienen un efecto sobre los valores actuales, que hace que la técnica estadística sea popular para analizar la naturaleza, la economía y otros procesos que varían en tiempo. Modelos de regresión múltiple

pronostique una variable usando una combinación lineal de predictores, mientras que los modelos autorregresivos usan una combinación de valores pasados ​​de la variable.

Un proceso autorregresivo AR (1) es aquel en el que el valor actual se basa en el valor anterior, mientras que un proceso AR (2) es uno en el que el valor actual se basa en los dos anteriores valores. Se utiliza un proceso AR (0) para ruido blanco y no tiene dependencia entre los términos. Además de estas variaciones, también hay muchas formas diferentes de calcular los coeficientes utilizados en estos cálculos, como el método de mínimos cuadrados.

Los analistas técnicos utilizan estos conceptos y técnicas para pronosticar los precios de los valores. Sin embargo, dado que los modelos autorregresivos basan sus predicciones solo en información pasada, implícitamente asumen que las fuerzas fundamentales que influyeron en los precios pasados ​​no cambiarán con el tiempo. Esto puede llevar a predicciones sorprendentes e inexactas si las fuerzas subyacentes en cuestión están en hechos que cambian, como si una industria está experimentando un proceso tecnológico rápido y sin precedentes. transformación.

No obstante, los operadores continúan perfeccionando el uso de modelos autorregresivos con fines de pronóstico. Un gran ejemplo es el Media móvil integrada autorregresiva (ARIMA), un modelo autorregresivo sofisticado que puede tener en cuenta tendencias, ciclos, estacionalidad, errores y otros tipos de datos no estáticos al realizar pronósticos.

Ejemplo del mundo real de un modelo autorregresivo

Los modelos autorregresivos se basan en el supuesto de que los valores pasados ​​tienen un efecto sobre los valores actuales. Por ejemplo, un inversor que utilice un modelo autorregresivo para pronosticar los precios de las acciones debería asumir que nuevos compradores y Los vendedores de esas acciones se ven influenciados por las transacciones recientes del mercado al decidir cuánto ofrecer o aceptar por el seguridad.

Aunque esta suposición se mantendrá en la mayoría de las circunstancias, no siempre es así. Por ejemplo, en los años anteriores a la Crisis financiera de 2008, la mayoría de los inversores no eran conscientes de los riesgos que plantean las grandes carteras de valores respaldados por hipotecas en poder de muchas firmas financieras. Durante esos momentos, un inversor que utilice un modelo autorregresivo para predecir el desempeño de las Las acciones habrían tenido una buena razón para predecir una tendencia continua de precios de las acciones estables o crecientes en ese sector.

Sin embargo, una vez que se hizo público que muchas instituciones financieras estaban en riesgo de colapso inminente, los inversores repentinamente se volvió menos preocupado por los precios recientes de estas acciones y mucho más preocupado por su riesgo subyacente exposición. Por lo tanto, el mercado revaluó rápidamente las acciones financieras a un nivel mucho más bajo, un movimiento que habría confundido por completo un modelo autorregresivo.

Es importante señalar que, en un modelo autorregresivo, un choque único afectará los valores de las variables calculadas infinitamente en el futuro. Por lo tanto, el legado de la crisis financiera sigue vivo en los modelos autorregresivos actuales.