Investor's wiki

Autoregressiv

Autoregressiv

Was ist ein autoregressives Modell?

Ein statistisches Modell ist autoregressiv, wenn es zuk√ľnftige Werte basierend auf vergangenen Werten vorhersagt. Beispielsweise k√∂nnte ein autoregressives Modell versuchen, die zuk√ľnftigen Kurse einer Aktie auf der Grundlage ihrer vergangenen Wertentwicklung vorherzusagen.

Autoregressive Modelle verstehen

Autoregressive Modelle arbeiten unter der Pr√§misse, dass sich vergangene Werte auf aktuelle Werte auswirken, was die statistische Technik f√ľr die Analyse von Natur, Wirtschaft und anderen Prozessen beliebt macht, die sich im Laufe der Zeit √§ndern. Mehrere Regressionsmodelle prognostizieren eine Variable unter Verwendung einer linearen Kombination von Pr√§diktoren, w√§hrend autoregressive Modelle eine Kombination fr√ľherer Werte der Variablen verwenden.

Ein autoregressiver AR(1)-Prozess ist einer, bei dem der aktuelle Wert auf dem unmittelbar vorhergehenden Wert basiert, w√§hrend ein AR(2)-Prozess einer ist, bei dem der aktuelle Wert auf den vorherigen zwei Werten basiert. Ein AR(0)-Prozess wird f√ľr wei√ües Rauschen verwendet und weist keine Abh√§ngigkeit zwischen den Termen auf. Neben diesen Variationen gibt es auch viele verschiedene M√∂glichkeiten, die in diesen Berechnungen verwendeten Koeffizienten zu berechnen, z. B. die Methode der kleinsten Quadrate.

Diese Konzepte und Techniken werden von technischen Analysten verwendet, um Wertpapierpreise zu prognostizieren. Da autoregressive Modelle ihre Vorhersagen jedoch nur auf Informationen aus der Vergangenheit st√ľtzen, gehen sie implizit davon aus, dass sich die fundamentalen Kr√§fte, die die vergangenen Preise beeinflusst haben, im Laufe der Zeit nicht √§ndern werden. Dies kann zu √ľberraschenden und ungenauen Vorhersagen f√ľhren, wenn sich die zugrunde liegenden Kr√§fte tats√§chlich √§ndern, z. B. wenn eine Branche einen schnellen und beispiellosen technologischen Wandel durchl√§uft.

Nichtsdestotrotz verfeinern H√§ndler die Verwendung von autoregressiven Modellen f√ľr Prognosezwecke weiter. Ein gutes Beispiel ist der Autoregressive Integrated Moving Average (ARIMA), ein ausgekl√ľgeltes autoregressives Modell, das Trends, Zyklen, Saisonalit√§t, Fehler und andere nicht statische Datentypen bei der Erstellung von Prognosen ber√ľcksichtigen kann.

Analytische Ansätze

Obwohl autoregressive Modelle mit der technischen Analyse verbunden sind, k√∂nnen sie auch mit anderen Anlageans√§tzen kombiniert werden. Beispielsweise k√∂nnen Anleger eine Fundamentalanalyse verwenden, um eine √ľberzeugende Gelegenheit zu identifizieren, und dann eine technische Analyse verwenden, um Ein- und Ausstiegspunkte zu identifizieren.

Beispiel eines autoregressiven Modells

Autoregressive Modelle basieren auf der Annahme, dass Vergangenheitswerte einen Einfluss auf aktuelle Werte haben. Beispielsweise m√ľsste ein Investor, der ein autoregressives Modell zur Prognose von Aktienkursen verwendet, davon ausgehen, dass neue K√§ufer und Verk√§ufer dieser Aktie von den j√ľngsten Markttransaktionen beeinflusst werden, wenn er entscheidet, wie viel er f√ľr das Wertpapier anbietet oder akzeptiert.

Obwohl diese Annahme unter den meisten Umständen gelten wird, ist dies nicht immer der Fall. Beispielsweise waren sich die meisten Anleger in den Jahren vor der Finanzkrise 2008 nicht der Risiken bewusst, die von den großen Portfolios an hypothekenbesicherten Wertpapieren ausgehen,. die von vielen Finanzunternehmen gehalten werden. Während dieser Zeit hätte ein Investor, der ein autoregressives Modell zur Vorhersage der Wertentwicklung von US-Finanzaktien verwendet, guten Grund gehabt, einen anhaltenden Trend stabiler oder steigender Aktienkurse in diesem Sektor vorherzusagen.

Als jedoch √∂ffentlich bekannt wurde, dass vielen Finanzinstituten das Risiko eines bevorstehenden Zusammenbruchs drohte, machten sich die Anleger pl√∂tzlich weniger Gedanken √ľber die j√ľngsten Kurse dieser Aktien und viel mehr √ľber das zugrunde liegende Risiko. Daher hat der Markt Finanzaktien schnell auf ein viel niedrigeres Niveau neu bewertet, eine Bewegung, die ein autoregressives Modell v√∂llig durcheinander gebracht h√§tte.

Es ist wichtig zu beachten, dass in einem autoregressiven Modell ein einmaliger Schock die Werte der berechneten Variablen unendlich in die Zukunft beeinflusst. Daher lebt das Erbe der Finanzkrise in den heutigen autoregressiven Modellen weiter.

Höhepunkte

  • Autoregressive Modelle sagen zuk√ľnftige Werte basierend auf vergangenen Werten voraus.

  • Sie werden h√§ufig in der technischen Analyse verwendet, um zuk√ľnftige Wertpapierpreise vorherzusagen.

  • Autoregressive Modelle gehen implizit davon aus, dass die Zukunft der Vergangenheit √§hneln wird.

  • Daher k√∂nnen sie sich unter bestimmten Marktbedingungen wie Finanzkrisen oder Zeiten schnellen technologischen Wandels als ungenau erweisen.