Autoregressiv
Hva er en autoregressiv modell?
En statistisk modell er autoregressiv hvis den forutsier fremtidige verdier basert på tidligere verdier. For eksempel kan en autoregressiv modell forsøke å forutsi en aksjes fremtidige priser basert på tidligere resultater.
Forstå autoregressive modeller
Autoregressive modeller opererer under forutsetningen om at tidligere verdier har en effekt på nåværende verdier, noe som gjør den statistiske teknikken populær for å analysere natur, økonomi og andre prosesser som varierer over tid. Flere regresjonsmodeller forutsier en variabel ved å bruke en lineær kombinasjon av prediktorer, mens autoregressive modeller bruker en kombinasjon av tidligere verdier av variabelen.
En AR(1) autoregressiv prosess er en der gjeldende verdi er basert på den umiddelbart foregående verdien, mens en AR(2) prosess er en der den nåværende verdien er basert på de to foregående verdiene. En AR(0)-prosess brukes for hvit støy og har ingen avhengighet mellom begrepene. I tillegg til disse variasjonene er det også mange forskjellige måter å beregne koeffisientene som brukes i disse beregningene, for eksempel minste kvadraters metode.
Disse konseptene og teknikkene brukes av tekniske analytikere til å forutsi verdipapirpriser. Men siden autoregressive modeller baserer sine spådommer kun på tidligere informasjon, antar de implisitt at de grunnleggende kreftene som påvirket tidligere priser ikke vil endre seg over tid. Dette kan føre til overraskende og unøyaktige spådommer dersom de underliggende kreftene det er snakk om faktisk endrer seg, for eksempel om en industri er i rask og enestående teknologisk transformasjon.
Ikke desto mindre fortsetter handelsmenn å avgrense bruken av autoregressive modeller for prognoseformål. Et godt eksempel er Autoregressive Integrated Moving Average (ARIMA), en sofistikert autoregressiv modell som kan ta hensyn til trender, sykluser, sesongvariasjoner, feil og andre ikke-statiske typer data når du lager prognoser.
Analytiske tilnærminger
Selv om autoregressive modeller er assosiert med teknisk analyse, kan de også kombineres med andre tilnærminger til investering. For eksempel kan investorer bruke fundamental analyse for å identifisere en overbevisende mulighet og deretter bruke teknisk analyse for å identifisere inngangs- og utgangspunkter.
Eksempel på en autoregressiv modell
Autoregressive modeller er basert på antakelsen om at tidligere verdier har en effekt på nåværende verdier. For eksempel vil en investor som bruker en autoregressiv modell for å forutsi aksjekurser måtte anta at nye kjøpere og selgere av den aksjen er påvirket av nylige markedstransaksjoner når de bestemmer hvor mye de skal tilby eller akseptere for verdipapiret.
Selv om denne antagelsen vil holde under de fleste omstendigheter, er dette ikke alltid tilfelle. For eksempel, i årene før finanskrisen i 2008, var de fleste investorer ikke klar over risikoen knyttet til de store porteføljene av pantesikrede verdipapirer som innehas av mange finansforetak. I disse tider ville en investor som bruker en autoregressiv modell for å forutsi utviklingen til amerikanske finansaksjer ha hatt god grunn til å forutsi en pågående trend med stabile eller stigende aksjekurser i den sektoren.
Men så snart det ble offentlig kjent at mange finansinstitusjoner var i fare for snarlig kollaps, ble investorene plutselig mindre opptatt av disse aksjenes siste kurs og langt mer opptatt av deres underliggende risikoeksponering. Derfor revalueres markedet raskt finansielle aksjer til et mye lavere nivå, et trekk som ville ha fullstendig forvirret en autoregressiv modell.
Det er viktig å merke seg at i en autoregressiv modell vil et engangssjokk påvirke verdiene til de beregnede variablene uendelig inn i fremtiden. Derfor lever arven fra finanskrisen videre i dagens autoregressive modeller.
##Høydepunkter
- Autoregressive modeller forutsier fremtidige verdier basert på tidligere verdier.
– De er mye brukt i teknisk analyse for å forutsi fremtidige verdipapirpriser.
– Autoregressive modeller antar implisitt at fremtiden vil ligne fortiden.
– Derfor kan de vise seg unøyaktige under visse markedsforhold, som finanskriser eller perioder med raske teknologiske endringer.
