Autoregresywny

Co to jest model autoregresyjny?

Model statystyczny jest autoregresyjny, jeśli przewiduje przyszłe wartości na podstawie wartości przeszłych. Na przykład model autoregresyjny może dążyć do przewidywania przyszłych cen akcji na podstawie ich przeszłych wyników.

Zrozumienie modeli autoregresyjnych

Modele autoregresyjne działają przy założeniu, że przeszłe wartości mają wpływ na wartości bieżące, co sprawia, że technika statystyczna jest popularna do analizy przyrody, ekonomii i innych procesów, które zmieniają się w czasie. Modele regresji wielokrotnej prognozują zmienną przy użyciu liniowej kombinacji predyktorów, podczas gdy modele autoregresyjne wykorzystują kombinację przeszłych wartości zmiennej.

Proces autoregresyjny AR(1) to taki, w którym bieżąca wartość jest oparta na bezpośrednio poprzedzającej wartości, podczas gdy proces AR(2) to taki, w którym bieżąca wartość jest oparta na dwóch poprzednich wartościach. Proces AR(0) jest używany do białego szumu i nie ma zależności między terminami. Oprócz tych odmian istnieje również wiele różnych sposobów obliczania współczynników stosowanych w tych obliczeniach, takich jak metoda najmniejszych kwadratów.

Te koncepcje i techniki są wykorzystywane przez analityków technicznych do prognozowania cen zabezpieczeń. Ponieważ jednak modele autoregresyjne opierają swoje przewidywania wyłącznie na informacjach z przeszłości, domyślnie zakładają, że fundamentalne siły, które wpłynęły na przeszłe ceny, nie zmienią się w czasie. Może to prowadzić do zaskakujących i niedokładnych przewidywań, jeśli podstawowe siły, o których mowa, faktycznie się zmieniają, na przykład jeśli branża przechodzi szybką i bezprecedensową transformację technologiczną.

Niemniej jednak handlowcy nadal udoskonalają wykorzystanie modeli autoregresyjnych do celów prognostycznych. Doskonałym przykładem jest autoregresyjna zintegrowana średnia krocząca (ARIMA), zaawansowany model autoregresyjny, który podczas tworzenia prognoz może uwzględniać trendy, cykle, sezonowość, błędy i inne niestatyczne typy danych.

Podejścia analityczne

Chociaż modele autoregresyjne są związane z analizą techniczną, można je również łączyć z innymi podejściami do inwestowania. Na przykład inwestorzy mogą wykorzystać analizę fundamentalną, aby zidentyfikować atrakcyjną okazję, a następnie wykorzystać analizę techniczną do zidentyfikowania punktów wejścia i wyjścia.

Przykład modelu autoregresywnego

Modele autoregresyjne opierają się na założeniu, że przeszłe wartości mają wpływ na bieżące wartości. Na przykład inwestor stosujący model autoregresyjny do prognozowania cen akcji musiałby założyć, że nowi kupujący i sprzedający te akcje są pod wpływem ostatnich transakcji rynkowych przy podejmowaniu decyzji o tym, ile zaoferować lub przyjąć za papier wartościowy.

Chociaż to założenie utrzyma się w większości przypadków, nie zawsze tak jest. Na przykład w latach poprzedzających kryzys finansowy w 2008 r. większość inwestorów nie była świadoma zagrożeń, jakie niosą ze sobą duże portfele papierów wartościowych zabezpieczonych hipoteką posiadane przez wiele firm finansowych. W tamtych czasach inwestor stosujący model autoregresyjny do przewidywania wyników amerykańskich akcji finansowych miałby dobry powód, by przewidywać trwający trend stabilnych lub rosnących cen akcji w tym sektorze.

Jednak, gdy do wiadomości publicznej dotarło, że wiele instytucji finansowych jest zagrożonych nieuchronnym upadkiem, inwestorzy nagle mniej przejmowali się ostatnimi cenami tych akcji, a znacznie bardziej ich ekspozycją na ryzyko bazowe. W związku z tym rynek szybko przeszacowuje akcje finansowe do znacznie niższego poziomu, co całkowicie pomieszałoby model autoregresyjny.

Należy zauważyć, że w modelu autoregresyjnym szok jednorazowy będzie wpływał na wartości obliczonych zmiennych w nieskończoność w przyszłości. Dlatego w dzisiejszych modelach autoregresyjnych spuścizna kryzysu finansowego jest żywa.

##Przegląd najważniejszych wydarzeń

• Modele autoregresyjne przewidują przyszłe wartości na podstawie wartości przeszłych.

• Są szeroko stosowane w analizie technicznej do prognozowania przyszłych cen papierów wartościowych.

• Modele autoregresyjne zakładają domyślnie, że przyszłość będzie przypominać przeszłość.

• Dlatego mogą okazać się niedokładne w pewnych warunkach rynkowych, takich jak kryzysy finansowe czy okresy szybkich zmian technologicznych.