Kaj pomeni avtoregresija?
Kaj pomeni avtoregresija?
Statistični model je avtoregresiven, če na podlagi preteklih vrednosti napoveduje prihodnje vrednosti. Na primer, avtoregresivni model lahko poskuša napovedati prihodnje cene delnic glede na njihovo preteklo uspešnost.
Ključni odlomki
- Avtoregresivni modeli napovedujejo prihodnje vrednosti na podlagi preteklih vrednosti.
- Veliko se uporabljajo v tehnična analiza napovedati prihodnje cene vrednostnih papirjev.
- Avtoregresivni modeli implicitno predvidevajo, da bo prihodnost podobna preteklosti. Zato se lahko pod določenimi tržnimi pogoji, kot so finančne krize ali obdobja hitrih tehnoloških sprememb, izkažejo za netočne.
Razumevanje avtoregresivnih modelov
Avtoregresivni modeli delujejo pod predpostavko, da pretekle vrednosti vplivajo na trenutne vrednosti, kar naredi statistično tehniko priljubljeno za analizo narave, ekonomije in drugih procesov, ki se med seboj razlikujejo čas. Več regresijskih modelov napovedati spremenljivko z linearno kombinacijo napovedovalcev, medtem ko avtoregresivni modeli uporabljajo kombinacijo preteklih vrednosti spremenljivke.
AR (1) avtoregresivni proces je tisti, pri katerem trenutna vrednost temelji na trenutnem predhodno vrednostjo, medtem ko je postopek AR (2) tisti, pri katerem trenutna vrednost temelji na prejšnjih dveh vrednote. Za (AR) se uporablja postopek (0) beli šum in ni odvisen od izrazov. Poleg teh variacij obstaja tudi veliko različnih načinov za izračun koeficientov, uporabljenih v teh izračunih, na primer metoda najmanjših kvadratov.
Te koncepte in tehnike uporabljajo tehnični analitiki za napovedovanje cen vrednostnih papirjev. Ker pa avtoregresivni modeli svoje napovedi temeljijo le na preteklih informacijah, implicitno domnevajo, da se temeljne sile, ki so vplivale na pretekle cene, sčasoma ne bodo spremenile. To lahko privede do presenetljivih in netočnih napovedi, če delujejo zadevne sile spreminjajoča se dejstva, na primer, če se v industriji dogaja hitra in tehnološka tehnologija brez primere preobrazba.
Kljub temu trgovci še naprej izboljšujejo uporabo avtoregresivnih modelov za namene napovedovanja. Odličen primer je Avtoregresivno integrirano drseče povprečje (ARIMA), izpopolnjen avtoregresivni model, ki lahko pri napovedovanju upošteva trende, cikle, sezonskost, napake in druge nestatične vrste podatkov.
Analitični pristopi
Čeprav so avtoregresivni modeli povezani s tehnično analizo, jih je mogoče kombinirati tudi z drugimi pristopi k vlaganju. Na primer, vlagatelji lahko s temeljno analizo prepoznajo prepričljivo priložnost, nato pa s tehnično analizo prepoznajo vstopne in izstopne točke.
Primer avtoregresivnega modela v resničnem svetu
Avtoregresivni modeli temeljijo na predpostavki, da pretekle vrednosti vplivajo na trenutne vrednosti. Na primer, vlagatelj, ki uporablja avtoregresivni model za napovedovanje cen delnic, bi moral predpostaviti, da bodo novi kupci in na prodajalce teh delnic vplivajo nedavne tržne transakcije pri odločanju, koliko ponuditi ali sprejeti za varnost.
Čeprav ta predpostavka v večini primerov drži, ni vedno tako. Na primer, v letih pred Finančna kriza 2008, večina vlagateljev se ni zavedala tveganj, ki jih predstavljajo veliki portfelji hipotekarni vrednostni papirji v lasti številnih finančnih podjetij. V teh časih je vlagatelj uporabil avtoregresivni model za napovedovanje uspešnosti ameriških financ delnice bi imele dober razlog za napoved stalnega trenda stabilnih ali naraščajočih tečajev delnic sektor.
Ko pa je javnosti postalo znano, da so številne finančne institucije v nevarnosti skorajšnjega propada, so vlagatelji nenadoma so postali manj zaskrbljeni zaradi zadnjih cen teh delnic in veliko bolj zaradi njihovega osnovnega tveganja izpostavljenost. Zato je trg hitro prevrednotil finančne zaloge na veliko nižjo raven, kar bi popolnoma zmedlo avtoregresivni model.
Pomembno je omeniti, da bo v avtoregresivnem modelu enkratni šok vplival na vrednosti izračunanih spremenljivk neskončno v prihodnost. Zato zapuščina finančne krize živi v današnjih avtoregresivnih modelih.
