Autoregressiivinen

Mikä on autoregressiivinen malli?

Tilastollinen malli on autoregressiivinen, jos se ennustaa tulevia arvoja menneiden arvojen perusteella. Esimerkiksi autoregressiivinen malli saattaa pyrkiä ennustamaan osakkeen tulevia hintoja sen aiemman kehityksen perusteella.

Autoregressiivisten mallien ymmärtäminen

Autoregressiiviset mallit toimivat sillä oletuksella, että menneillä arvoilla on vaikutusta nykyisiin arvoihin, mikä tekee tilastotekniikasta suositun luonnon, talouden ja muiden ajan myötä muuttuvien prosessien analysoinnissa. Useat regressiomallit ennustavat muuttujan käyttämällä ennustajien lineaarista yhdistelmää, kun taas autoregressiiviset mallit käyttävät muuttujan aiempien arvojen yhdistelmää.

Autoregressiivinen AR(1)-prosessi on sellainen, jossa nykyinen arvo perustuu välittömästi edeltävään arvoon, kun taas AR(2)-prosessi on sellainen, jossa nykyinen arvo perustuu kahteen edelliseen arvoon. AR(0)-prosessia käytetään valkoiseen kohinaan, eikä termien välillä ole riippuvuutta. Näiden variaatioiden lisäksi on myös monia erilaisia tapoja laskea näissä laskelmissa käytettyjä kertoimia, kuten pienimmän neliösumman menetelmä.

Tekniset analyytikot käyttävät näitä käsitteitä ja tekniikoita arvopaperihintojen ennustamiseen. Koska autoregressiiviset mallit kuitenkin perustavat ennusteensa vain menneeseen tietoon, ne olettavat implisiittisesti, että menneisiin hintoihin vaikuttaneet perusvoimat eivät muutu ajan myötä. Tämä voi johtaa yllättäviin ja epätarkkoihin ennusteisiin, jos taustalla olevat voimat todellakin muuttuvat, esimerkiksi jos toimialalla on käynnissä nopea ja ennennäkemätön teknologinen muutos.

Siitä huolimatta kauppiaat jatkavat autoregressiivisten mallien käytön parantamista ennustamistarkoituksiin. Hyvä esimerkki on Autoregressive Integrated Moving Average (ARIMA), hienostunut autoregressiivinen malli, joka voi ottaa huomioon trendit, syklit, kausivaihtelun, virheet ja muun ei-staattisen datan ennusteita tehdessään.

Analyyttiset lähestymistavat

Vaikka autoregressiiviset mallit liitetään tekniseen analyysiin, niitä voidaan yhdistää myös muihin sijoitustapoihin. Sijoittajat voivat esimerkiksi käyttää perusanalyysiä houkuttelevan mahdollisuuden tunnistamiseen ja sitten teknisen analyysin avulla tunnistaa tulo- ja poistumispisteet.

Esimerkki autoregressiivisestä mallista

Autoregressiiviset mallit perustuvat olettamukseen, että menneillä arvoilla on vaikutusta nykyisiin arvoihin. Esimerkiksi sijoittajan, joka käyttää autoregressiivistä mallia osakkeiden hintojen ennustamiseen, on oletettava, että viimeaikaiset markkinatapahtumat vaikuttavat uusiin osakkeen ostajiin ja myyjiin, kun hän päättää, kuinka paljon arvopaperista tarjota tai hyväksyä.

Vaikka tämä oletus pätee useimmissa olosuhteissa, näin ei aina ole. Esimerkiksi vuoden 2008 finanssikriisiä edeltävinä vuosina useimmat sijoittajat eivät olleet tietoisia riskeistä, joita monien rahoitusyritysten hallussa olevat suuret asuntolainavakuudelliset arvopaperisalkut aiheuttavat. Noina aikoina sijoittajalla, joka käytti autoregressiivistä mallia ennustaakseen Yhdysvaltain rahoitusosakkeiden kehitystä, olisi ollut hyvä syy ennustaa jatkuvaa vakaata tai nousevaa osakekurssitrendiä kyseisellä sektorilla.

Kun kuitenkin tuli julkisuuteen, että monet rahoituslaitokset olivat vaarassa romahtaa, sijoittajat alkoivat yhtäkkiä vähemmän välittää näiden osakkeiden viimeaikaisista hinnoista ja paljon enemmän niiden taustalla olevista riskeistä. Siksi markkinat arvostetaan nopeasti uudelleen rahoitusosakkeet paljon alemmalle tasolle, mikä olisi hämmentänyt autoregressiivisen mallin täysin.

On tärkeää huomata, että autoregressiivisessä mallissa kerta-isku vaikuttaa laskettujen muuttujien arvoihin loputtomasti tulevaisuuteen. Siksi finanssikriisin perintö elää edelleen nykypäivän autoregressiivisissä malleissa.

##Kohokohdat

• Autoregressiiviset mallit ennustavat tulevaisuuden arvoja menneiden arvojen perusteella.

• Niitä käytetään laajasti teknisessä analyysissä arvioimaan arvopaperien tulevia hintoja.

• Autoregressiiviset mallit olettavat implisiittisesti, että tulevaisuus muistuttaa menneisyyttä.

• Siksi ne voivat osoittautua epätarkiksi tietyissä markkinaolosuhteissa, kuten rahoituskriisien tai nopean teknologian muutoksen aikoina.