Mitä autoregressiivinen tarkoittaa?
Tilastollinen malli on autoregressiivinen, jos se ennustaa tulevaisuuden arvoja aiempien arvojen perusteella. Esimerkiksi autoregressiivinen malli saattaa pyrkiä ennustamaan osakkeen tulevaisuuden hinnat sen aiemman suorituskyvyn perusteella.
Avainsanat
- Autoregressiiviset mallit ennustavat tulevaisuuden arvot aiempien arvojen perusteella.Neitä käytetään laajalti teknisessä analyysissa ennustaakseen tulevaisuuden arvopapereiden hintoja.Autoregressiiviset mallit olettavat epäsuorasti, että tulevaisuus muistuttaa menneisyyttä. Siksi ne voivat osoittautua epätarkkoiksi tietyissä markkinaolosuhteissa, kuten finanssikriisien tai nopean teknologisen muutoksen aikana.
Autoregressiivisten mallien ymmärtäminen
Autoregressiiviset mallit toimivat sillä oletuksella, että menneillä arvoilla on vaikutusta nykyisiin arvoihin, mikä tekee tilastollisesta tekniikasta suositun luonteen, talouden ja muiden ajan myötä vaihtelevien prosessien analysoimiseksi. Useat regressiomallit ennustavat muuttujan käyttämällä ennustajien lineaarista yhdistelmää, kun taas autoregressiiviset mallit käyttävät muuttujan aikaisempien arvojen yhdistelmää.
AR (1) autoregressiivinen prosessi on prosessi, jossa nykyinen arvo perustuu välittömästi edeltävään arvoon, kun taas AR (2) -prosessi on prosessi, jossa nykyinen arvo perustuu kahteen edelliseen arvoon. Valkoiselle kohinalle käytetään AR (0) -prosessia, ja sillä ei ole riippuvuutta termien välillä. Näiden variaatioiden lisäksi on myös monia erilaisia tapoja laskea näissä laskelmissa käytettyjä kertoimia, kuten pienimmän neliösumman menetelmä.
Tekniset analyytikot käyttävät näitä käsitteitä ja tekniikoita ennustaakseen arvopaperihintoja. Koska autoregressiiviset mallit perustuvat ennusteisiinsa vain aikaisempaan tietoon, he epäilemättä olettavat, että aiempiin hintoihin vaikuttaneet perusvoimat eivät muutu ajan kuluessa. Tämä voi johtaa yllättäviin ja epätarkkoihin ennusteisiin, jos kyseiset taustalla olevat voimat todella muuttuvat, esimerkiksi jos teollisuudessa tapahtuu nopeaa ja ennennäkemätöntä teknologista muutosta.
Siitä huolimatta elinkeinonharjoittajat jatkoivat autoregressiivisten mallien käytön tarkentamista ennustetarkoituksiin. Upea esimerkki on automaattinen edistyksellinen integroitu keskiarvo (ARIMA), hienostunut autoregressiivinen malli, joka voi ottaa huomioon trendit, syklit, kausivaihtelut, virheet ja muut epästaattiset tiedot tyyppejä ennusteita tehtäessä.
Analyyttiset lähestymistavat
Vaikka autoregressiiviset mallit liittyvät tekniseen analyysiin, niitä voidaan yhdistää myös muihin sijoittamistapoihin. Sijoittajat voivat esimerkiksi käyttää perustavanlaatuista analyysiä pakottavan mahdollisuuden tunnistamiseksi ja käyttää sitten teknistä analyysiä sisääntulo- ja lähtöpisteiden tunnistamiseen.
Oikea maailma-esimerkki autoregressiivisesta mallista
Autoregressiiviset mallit perustuvat oletukseen, että aiemmilla arvoilla on vaikutusta nykyisiin arvoihin. Esimerkiksi sijoittajan, joka käyttää autoregressiivista mallia osakekurssien ennustamiseen, olisi oletettava, että viimeaikaiset markkinatiedot vaikuttavat kyseisten osakkeiden uusiin ostajiin ja myyjiin päättäessään, kuinka paljon tarjota tai hyväksyä arvopaperi.
Vaikka tämä oletus pätee useimmissa olosuhteissa, niin ei aina ole. Esimerkiksi vuoden 2008 finanssikriisiä edeltävinä vuosina suurin osa sijoittajista ei tiennyt riskeistä, joita monien rahoitusyritysten hallussa olevat suuret asuntolainavakuudelliset arvopaperisalkut aiheuttavat. Noina aikoina autoregressiivista mallia käyttävällä sijoittajalla, joka ennakoi Yhdysvaltain rahoitusvarastojen kehitystä, olisi ollut hyvä syy ennustaa jatkuvaa vakaan tai nousevan osakekurssin kehitystä tällä alalla.
Kun julkisuudeksi tuli kuitenkin tieto siitä, että monilla rahoituslaitoksilla oli välitön romahtamisen vaara, sijoittajat yhtäkkiä olivat vähemmän huolissaan näiden osakkeiden viimeaikaisista hinnoista ja paljon enemmän huolissaan niiden taustalla olevasta riskialtistuksesta. Siksi markkinat arvostivat rahoitusvarastot nopeasti uudelleen paljon alhaisemmalle tasolle, mikä olisi täysin sekoittanut autoregressiivisen mallin.
On tärkeää huomata, että autoregressiivisessa mallissa kertaluonteinen shokki vaikuttaa laskettujen muuttujien arvoihin äärettömästi tulevaisuuteen. Siksi finanssikriisin perintö elää nykypäivän autoregressiivisissa malleissa.
