Autoregressiv
Hvad er en autoregressiv model?
En statistisk model er autoregressiv, hvis den forudsiger fremtidige værdier baseret på tidligere værdier. For eksempel kan en autoregressiv model søge at forudsige en akties fremtidige priser baseret på dens tidligere præstationer.
Forstå autoregressive modeller
Autoregressive modeller opererer under den forudsætning, at tidligere værdier har en effekt på nuværende værdier, hvilket gør den statistiske teknik populær til at analysere natur, økonomi og andre processer, der varierer over tid. Flere regressionsmodeller forudsiger en variabel ved hjælp af en lineær kombination af prædiktorer, hvorimod autoregressive modeller bruger en kombination af tidligere værdier af variablen.
En AR(1) autoregressiv proces er en, hvor den aktuelle værdi er baseret på den umiddelbart foregående værdi, mens en AR(2) proces er en, hvor den aktuelle værdi er baseret på de to foregående værdier. En AR(0)-proces bruges til hvid støj og har ingen afhængighed mellem termerne. Ud over disse variationer er der også mange forskellige måder at beregne de koefficienter, der bruges i disse beregninger, såsom mindste kvadraters metode.
Disse koncepter og teknikker bruges af tekniske analytikere til at forudsige værdipapirpriser. Men da autoregressive modeller kun baserer deres forudsigelser på tidligere information, antager de implicit, at de fundamentale kræfter, der påvirkede de tidligere priser, ikke vil ændre sig over tid. Dette kan føre til overraskende og unøjagtige forudsigelser, hvis de underliggende kræfter i virkeligheden ændrer sig, som hvis en industri er under hurtig og hidtil uset teknologisk transformation.
Ikke desto mindre fortsætter handlende med at forfine brugen af autoregressive modeller til prognoseformål. Et godt eksempel er ARIMA ( Autoregressive Integrated Moving Average ), en sofistikeret autoregressiv model, der kan tage højde for tendenser, cyklusser, sæsonbestemte, fejl og andre ikke-statiske typer data, når der laves prognoser.
Analytiske tilgange
Selvom autoregressive modeller er forbundet med teknisk analyse, kan de også kombineres med andre tilgange til investering. For eksempel kan investorer bruge fundamental analyse til at identificere en overbevisende mulighed og derefter bruge teknisk analyse til at identificere indgangs- og udgangspunkter.
Eksempel på en autoregressiv model
Autoregressive modeller er baseret på den antagelse, at tidligere værdier har en effekt på nuværende værdier. For eksempel vil en investor, der bruger en autoregressiv model til at forudsige aktiekurser, skulle antage, at nye købere og sælgere af denne aktie er påvirket af de seneste markedstransaktioner, når de beslutter, hvor meget der skal tilbydes eller accepteres for værdipapiret.
Selvom denne antagelse vil holde under de fleste omstændigheder, er dette ikke altid tilfældet. For eksempel var de fleste investorer i årene forud for finanskrisen i 2008 ikke klar over de risici, som de store porteføljer af pantsikrede værdipapirer indeholdt af mange finansielle virksomheder. I disse tider ville en investor, der brugte en autoregressiv model til at forudsige resultaterne af amerikanske finansielle aktier, have haft god grund til at forudsige en vedvarende trend med stabile eller stigende aktiekurser i den pågældende sektor.
Men da det blev offentligt kendt, at mange finansielle institutioner var i risiko for forestående kollaps, blev investorerne pludselig mindre bekymrede over disse aktiers seneste kurser og langt mere bekymrede over deres underliggende risikoeksponering. Derfor omvurderes markedet hurtigt finansielle aktier til et meget lavere niveau, et skridt, der ville have fuldstændig forvirret en autoregressiv model.
Det er vigtigt at bemærke, at i en autoregressiv model vil et engangschok påvirke værdierne af de beregnede variable uendeligt ud i fremtiden. Derfor lever arven fra finanskrisen videre i nutidens autoregressive modeller.
##Højdepunkter
Autoregressive modeller forudsiger fremtidige værdier baseret på tidligere værdier.
De er meget brugt i teknisk analyse til at forudsige fremtidige værdipapirpriser.
Autoregressive modeller antager implicit, at fremtiden vil ligne fortiden.
Derfor kan de vise sig unøjagtige under visse markedsforhold, såsom finansielle kriser eller perioder med hurtige teknologiske forandringer.
