Co oznacza autoregresja?
Model statystyczny jest autoregresyjny, jeśli przewiduje przyszłe wartości na podstawie wcześniejszych wartości. Na przykład model autoregresyjny może próbować przewidzieć przyszłe ceny akcji na podstawie wyników z przeszłości.
Kluczowe dania na wynos
- Modele autoregresyjne przewidują przyszłe wartości na podstawie wartości z przeszłości. Są szeroko stosowane w analizie technicznej do prognozowania przyszłych cen bezpieczeństwa. Modele autoregresywne domyślnie zakładają, że przyszłość będzie przypominać przeszłość. Dlatego mogą okazać się niedokładne w pewnych warunkach rynkowych, takich jak kryzysy finansowe lub okresy szybkich zmian technologicznych.
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 natury, ekonomii i innych procesów, które zmieniają się w czasie. Modele regresji wielokrotnej prognozują zmienną za pomocą liniowej kombinacji predyktorów, podczas gdy modele autoregresyjne wykorzystują kombinację wcześniejszych wartości zmiennej.
Proces autoregresji AR (1) to taki, w którym bieżąca wartość oparta jest na bezpośrednio poprzedzającej wartości, podczas gdy proces AR (2) to taki, w którym bieżąca wartość oparta jest na dwóch poprzednich wartościach. Proces AR (0) jest stosowany do białego szumu i nie ma zależności między warunkami. 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 prognozy tylko na informacjach z przeszłości, domyślnie zakładają, że podstawowe siły, które wpłynęły na ceny w przeszłości, nie zmienią się z czasem. Może to prowadzić do zaskakujących i niedokładnych prognoz, jeżeli rzeczywiste siły, o których mowa, faktycznie się zmieniają, na przykład jeśli przemysł przechodzi szybką i bezprecedensową transformację technologiczną.
Niemniej jednak inwestorzy nadal udoskonalają stosowanie modeli autoregresyjnych do celów prognozowania. Świetnym przykładem jest autoregresywna zintegrowana średnia ruchoma (ARIMA), wyrafinowany model autoregresyjny, który może uwzględniać trendy, cykle, sezonowość, błędy i inne niestatyczne typy danych podczas tworzenia prognoz.
Podejścia analityczne
Chociaż modele autoregresyjne są powiązane z analizą techniczną, można je również łączyć z innymi podejściami do inwestowania. Na przykład inwestorzy mogą użyć analizy fundamentalnej, aby zidentyfikować atrakcyjną okazję, a następnie użyć analizy technicznej, aby zidentyfikować punkty wejścia i wyjścia.
Przykład modelu autoregresji w świecie rzeczywistym
Modele autoregresyjne opierają się na założeniu, że poprzednie wartości mają wpływ na wartości bieżące. Na przykład inwestor stosujący model autoregresyjny do prognozowania cen akcji musiałby założyć, że na nowych nabywców i sprzedawców tych akcji wpływają ostatnie transakcje rynkowe, podejmując decyzję, ile zaoferować lub zaakceptować dla zabezpieczenia.
Chociaż założenie to obowiązuje w większości przypadków, nie zawsze tak jest. Na przykład w latach poprzedzających kryzys finansowy w 2008 r. Większość inwestorów nie zdawała sobie sprawy z ryzyka związanego z dużymi portfelami papierów wartościowych zabezpieczonych hipoteką, będących w posiadaniu wielu firm finansowych. W tamtych czasach inwestor stosujący model autoregresyjny do przewidywania wyników amerykańskich akcji finansowych miałby dobry powód, aby przewidzieć utrzymującą się tendencję stabilnych lub rosnących cen akcji w tym sektorze.
Jednak gdy stało się publicznie wiadome, że wiele instytucji finansowych groziło rychłe załamanie, inwestorzy nagle zaczęli mniej przejmować się ostatnimi cenami tych akcji, a znacznie bardziej zaniepokojeni związaną z nimi ekspozycją na ryzyko. W związku z tym rynek gwałtownie przeszacował zapasy finansowe do znacznie niższego poziomu, co całkowicie zakłóciłoby model autoregresji.
Należy zauważyć, że w modelu autoregresyjnym jednorazowy szok wpłynie na wartości obliczanych zmiennych w nieskończoność w przyszłości. Dlatego spuścizna kryzysu finansowego przetrwała w dzisiejszych modelach autoregresji.
