Investor's wiki

Autoregressiv

Autoregressiv

Was ist ein autoregressives Modell?

Ein statistisches Modell ist autoregressiv, wenn es zukünftige Werte basierend auf vergangenen Werten vorhersagt. Beispielsweise könnte ein autoregressives Modell versuchen, die zukünftigen Kurse einer Aktie auf der Grundlage ihrer vergangenen Wertentwicklung vorherzusagen.

Autoregressive Modelle verstehen

Autoregressive Modelle arbeiten unter der Prämisse, dass sich vergangene Werte auf aktuelle Werte auswirken, was die statistische Technik für die Analyse von Natur, Wirtschaft und anderen Prozessen beliebt macht, die sich im Laufe der Zeit ändern. Mehrere Regressionsmodelle prognostizieren eine Variable unter Verwendung einer linearen Kombination von Prädiktoren, während autoregressive Modelle eine Kombination früherer Werte der Variablen verwenden.

Ein autoregressiver AR(1)-Prozess ist einer, bei dem der aktuelle Wert auf dem unmittelbar vorhergehenden Wert basiert, während ein AR(2)-Prozess einer ist, bei dem der aktuelle Wert auf den vorherigen zwei Werten basiert. Ein AR(0)-Prozess wird für weißes Rauschen verwendet und weist keine Abhängigkeit zwischen den Termen auf. Neben diesen Variationen gibt es auch viele verschiedene Möglichkeiten, 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 stützen, gehen sie implizit davon aus, dass sich die fundamentalen Kräfte, die die vergangenen Preise beeinflusst haben, im Laufe der Zeit nicht ändern werden. Dies kann zu überraschenden und ungenauen Vorhersagen führen, wenn sich die zugrunde liegenden Kräfte tatsächlich ändern, z. B. wenn eine Branche einen schnellen und beispiellosen technologischen Wandel durchläuft.

Nichtsdestotrotz verfeinern Händler die Verwendung von autoregressiven Modellen für Prognosezwecke weiter. Ein gutes Beispiel ist der Autoregressive Integrated Moving Average (ARIMA), ein ausgeklügeltes autoregressives Modell, das Trends, Zyklen, Saisonalität, Fehler und andere nicht statische Datentypen bei der Erstellung von Prognosen berücksichtigen kann.

Analytische Ansätze

Obwohl autoregressive Modelle mit der technischen Analyse verbunden sind, können sie auch mit anderen Anlageansätzen kombiniert werden. Beispielsweise können Anleger eine Fundamentalanalyse verwenden, um eine überzeugende 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 müsste ein Investor, der ein autoregressives Modell zur Prognose von Aktienkursen verwendet, davon ausgehen, dass neue Käufer und Verkäufer dieser Aktie von den jüngsten Markttransaktionen beeinflusst werden, wenn er entscheidet, wie viel er für 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 öffentlich bekannt wurde, dass vielen Finanzinstituten das Risiko eines bevorstehenden Zusammenbruchs drohte, machten sich die Anleger plötzlich weniger Gedanken über die jüngsten Kurse dieser Aktien und viel mehr über das zugrunde liegende Risiko. Daher hat der Markt Finanzaktien schnell auf ein viel niedrigeres Niveau neu bewertet, eine Bewegung, die ein autoregressives Modell völlig durcheinander gebracht hätte.

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 zukünftige Werte basierend auf vergangenen Werten voraus.

  • Sie werden häufig in der technischen Analyse verwendet, um zukünftige Wertpapierpreise vorherzusagen.

  • Autoregressive Modelle gehen implizit davon aus, dass die Zukunft der Vergangenheit ähneln wird.

  • Daher können sie sich unter bestimmten Marktbedingungen wie Finanzkrisen oder Zeiten schnellen technologischen Wandels als ungenau erweisen.