autorregresivo

¿Qué es un modelo autorregresivo?

Un modelo estadístico es autorregresivo si predice valores futuros basados en valores pasados. Por ejemplo, un modelo autorregresivo podría tratar de predecir los precios futuros de una acción en función de su rendimiento anterior.

Comprender los modelos autorregresivos

Los modelos autorregresivos operan bajo la premisa de que los valores pasados tienen un efecto sobre los valores actuales, lo que hace que la técnica estadística sea popular para analizar la naturaleza, la economía y otros procesos que varían con el tiempo. Los modelos iónicos de regresión múltiple pronostican 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 inmediatamente anterior, mientras que un proceso AR(2) es aquel en el que el valor actual se basa en los dos valores anteriores. Se utiliza un proceso AR(0) para el 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 los 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, asumen implícitamente que las fuerzas fundamentales que influyeron en los precios pasados no cambiarán con el tiempo. Esto puede dar lugar a predicciones sorprendentes e inexactas si las fuerzas subyacentes en cuestión están cambiando, por ejemplo, si una industria está experimentando una transformación tecnológica rápida y sin precedentes.

Sin embargo, los comerciantes continúan refinando el uso de modelos autorregresivos con fines de pronóstico. Un gran ejemplo es el promedio móvil integrado autorregresivo (ARIMA), un modelo autorregresivo sofisticado que puede tener en cuenta tendencias, ciclos, estacionalidad, errores y otros tipos de datos no estáticos al hacer pronósticos.

Enfoques analíticos

Aunque los modelos autorregresivos están asociados con el análisis técnico, también se pueden combinar con otros enfoques de inversión. Por ejemplo, los inversores pueden usar el análisis fundamental para identificar una oportunidad convincente y luego usar el análisis técnico para identificar los puntos de entrada y salida.

Ejemplo de un modelo autorregresivo

Los modelos autorregresivos se basan en la suposición de que los valores pasados tienen un efecto sobre los valores actuales. Por ejemplo, un inversionista que use un modelo autorregresivo para pronosticar los precios de las acciones necesitaría asumir que los nuevos compradores y vendedores de esa acción están influenciados por transacciones recientes del mercado cuando deciden cuánto ofrecer o aceptar por el valor.

Aunque esta suposición se mantendrá en la mayoría de las circunstancias, no siempre es así. Por ejemplo, en los años previos a la crisis financiera de 2008, la mayoría de los inversionistas no eran conscientes de los riesgos que planteaban las grandes carteras de valores respaldados por hipotecas en manos de muchas empresas financieras. Durante esos tiempos, un inversionista que usara un modelo autorregresivo para predecir el desempeño de las acciones financieras de EE. UU. habría tenido buenas razones para predecir una tendencia continua de precios de acciones estables o al alza en ese sector.

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

Es importante tener en cuenta 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.

Reflejos

• Los modelos autorregresivos predicen valores futuros basados en valores pasados.

• Son ampliamente utilizados en el análisis técnico para pronosticar los precios futuros de los valores.

• Los modelos autorregresivos asumen implícitamente que el futuro se parecerá al pasado.

• Por lo tanto, pueden resultar inexactos en determinadas condiciones del mercado, como crisis financieras o períodos de rápido cambio tecnológico.