Autoregresja
Co oznacza autoregresja?
Model statystyczny jest autoregresywny, jeśli przewiduje przyszłe wartości na podstawie przeszłych wartości. Na przykład model autoregresyjny może starać się przewidzieć przyszłe ceny akcji na podstawie ich wcześniejszych wyników.
Kluczowe wnioski
- Modele autoregresyjne przewidują przyszłe wartości na podstawie przeszłych wartości.
- Są szeroko stosowane w analizie technicznej do prognozowania przyszłych cen papierów wartościowych.
- Modele autoregresyjne zakładają implicite, 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 w oparciu o założenie, że wartości przeszłe mają wpływ na wartości bieżące, co sprawia, że technika statystyczna jest popularna w analizie przyrody, ekonomii i innych procesów, które zmieniają się w czasie. Modele regresji wielorakiej 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 wartości bezpośrednio poprzedzającej, podczas gdy proces AR (2) to taki, w którym bieżąca wartość jest oparta na dwóch poprzednich wartościach. Proces AR (0) jest używany do metoda najmniejszych kwadratów.
Te koncepcje i techniki są wykorzystywane przez analityków technicznych do prognozowania cen papierów wartościowych. Ponieważ jednak modele autoregresyjne opierają swoje przewidywania tylko na informacjach z przeszłości, domyślnie zakładają, że podstawowe siły, które wpłynęły na ceny w przeszłości, nie zmienią się w czasie. Może to prowadzić do zaskakujących i niedokładnych przewidywań, jeśli podstawowe siły faktycznie się zmieniają, na przykład jeśli przemysł przechodzi szybką i bezprecedensową transformację technologiczną.
Niemniej jednak traderzy nadal udoskonalają wykorzystanie modeli autoregresyjnych do celów prognozowania. Doskonałym przykładem jest autoregresywna zintegrowana średnia ruchoma (ARIMA), wyrafinowany model autoregresyjny, który podczas tworzenia prognoz może uwzględniać trendy, cykle, sezonowość, błędy i inne niestatyczne typy danych.
Podejścia analityczne
Chociaż modele autoregresyjne są powiązane z analizą techniczną, można je również łączyć z innymi podejściami do inwestowania. Na przykład inwestorzy mogą skorzystać z analizy fundamentalnej, aby zidentyfikować atrakcyjną okazję, a następnie skorzystać z analizy technicznej w celu określenia punktów wejścia i wyjścia.
Przykład modelu autoregresyjnego w świecie rzeczywistym
Modele autoregresyjne opierają się na założeniu, że przeszłe wartości mają wpływ na wartości bieżące. Na przykład inwestor wykorzystujący model autoregresyjny do prognozowania cen akcji musiałby założyć, że nowi kupujący i sprzedający są pod wpływem ostatnich transakcji rynkowych przy podejmowaniu decyzji, ile zaoferować lub zaakceptować za papier wartościowy.
Chociaż założenie to będzie obowiązywać w większości przypadków, nie zawsze tak jest. Na przykład w latach poprzedzających papierów wartościowych zabezpieczonych hipoteką posiadane przez wiele firm finansowych. W tamtych czasach inwestor stosujący autoregresyjny model do przewidywania wyników amerykańskich akcji finansowych miałby dobry powód, aby przewidzieć trwający trend stabilnych lub rosnących cen akcji w tym sektorze.
Jednak gdy stało się powszechne, że wiele instytucji finansowych jest zagrożonych nieuchronnym upadkiem, inwestorzy nagle zaczęli mniej przejmować się ostatnimi cenami tych akcji, a znacznie bardziej zainteresować ich ekspozycją na ryzyko. W związku z tym rynek szybko przeszacował akcje finansowe do znacznie niższego poziomu, co całkowicie zniweczyłoby model autoregresyjny.
Należy zauważyć, że w modelu autoregresyjnym jednorazowy szok będzie wpływał na wartości obliczanych zmiennych w nieskończoność w przyszłości. Dlatego dziedzictwo kryzysu finansowego trwa nadal w dzisiejszych modelach autoregresyjnych.