Авторегресія
Що означає авторегресія?
Статистична модель є авторегресивною, якщо вона передбачає майбутні значення на основі минулих значень. Наприклад, авторегресивна модель може прагнути прогнозувати майбутні ціни акцій на основі її минулих показників.
Ключові винос
- Авторегресивні моделі передбачають майбутні цінності на основі минулих значень.
- Вони широко використовуються в технічному аналізі для прогнозування майбутніх цін на безпеку.
- Авторегресивні моделі неявно припускають, що майбутнє буде нагадувати минуле. Тому вони можуть виявитися неточними за певних ринкових умов, таких як фінансові кризи або періоди швидких технологічних змін.
Розуміння авторегресивних моделей
Авторегресивні моделі працюють за умови, що минулі значення впливають на поточні значення, що робить статистичну техніку популярною для аналізу природи, економіки та інших процесів, що змінюються з часом. Моделі множинної регресії прогнозують змінну за допомогою лінійної комбінації предикторів, тоді як авторегресивні моделі використовують комбінацію минулих значень змінної.
Авторегресивний процес AR (1) – це процес, в якому поточне значення базується на безпосередньо попередньому значенні, тоді як процес AR (2) – це процес, в якому поточне значення базується на попередніх двох значеннях. Процес AR (0) використовується для метод найменших квадратів.
Ці концепції та методи використовуються технічними аналітиками для прогнозування цін на безпеку. Однак, оскільки авторегресивні моделі базують свої прогнози лише на минулій інформації, вони неявно припускають, що основні сили, що вплинули на минулі ціни, з часом не зміняться. Це може призвести до дивовижних і неточних прогнозів, якщо основні сили, про які йде мова, насправді змінюються, наприклад, якщо галузь зазнає швидких і безпрецедентних технологічних перетворень.
Тим не менше, трейдери продовжують вдосконалювати використання авторегресивних моделей для цілей прогнозування. Чудовим прикладом є інтегрована ковзаюча середня авторегресія (ARIMA), складна авторегресивна модель, яка може враховувати тенденції, цикли, сезонність, помилки та інші нестатичні типи даних при складанні прогнозів.
Аналітичні підходи
Хоча авторегресивні моделі пов’язані з технічним аналізом, їх також можна поєднувати з іншими підходами до інвестування. Наприклад, інвестори можуть використовувати фундаментальний аналіз для виявлення вагомих можливостей, а потім використовувати технічний аналіз для визначення точок входу та виходу.
Приклад реального світу авторегресивної моделі
Авторегресивні моделі базуються на припущенні, що минулі значення впливають на поточні значення. Наприклад, інвестор, який використовує авторегресивну модель для прогнозування цін на акції, повинен буде припустити, що нові покупці та продавці цих акцій піддаються впливу останніх ринкових операцій, коли вирішують, скільки запропонувати або прийняти під цінні папери.
Хоча це припущення буде справедливим за більшості обставин, це не завжди так. Наприклад, у роки до іпотечних цінних паперів, що зберігаються багатьма фінансовими фірмами. У ті часи інвестор, який використовував авторегресивну модель для прогнозування показників фінансових запасів США, мав би вагомі підстави передбачити триваючу тенденцію стабільних або зростання цін на акції в цьому секторі.
Однак, як тільки стало відомо громадськості, що багатьом фінансовим установам загрожує неминучий колапс, інвестори раптом стали менше занепокоєні останніми цінами на ці акції та набагато більше стурбовані їх основним ризиком. Отже, ринок швидко переоцінив фінансові запаси на набагато нижчий рівень, що могло б повністю збентежити авторегресивну модель.
Важливо зазначити, що в авторегресивній моделі одноразовий шок впливатиме на значення обчислених змінних нескінченно в майбутньому. Тому спадщина фінансової кризи продовжує існувати в сучасних авторегресивних моделях.