Авторегрессия
Что означает авторегрессия?
Статистическая модель является авторегрессионной, если она предсказывает будущие значения на основе прошлых значений. Например, авторегрессионная модель может стремиться предсказать будущие цены акции на основе ее прошлых результатов.
Ключевые выводы
- Модели авторегрессии предсказывают будущие значения на основе прошлых значений.
- Они широко используются в техническом анализе для прогнозирования будущих цен на ценные бумаги.
- Модели авторегрессии неявно предполагают, что будущее будет напоминать прошлое. Следовательно, они могут оказаться неточными в определенных рыночных условиях, таких как финансовые кризисы или периоды быстрых технологических изменений.
Понимание моделей авторегрессии
Модели авторегрессии основываются на предпосылке, что прошлые значения влияют на текущие значения, что делает статистический метод популярным для анализа природы, экономики и других процессов, которые меняются с течением времени. Модели множественной регрессии прогнозируют переменную, используя линейную комбинацию предикторов, тогда как модели авторегрессии используют комбинацию прошлых значений переменной.
Процесс авторегрессии AR (1) — это процесс, в котором текущее значение основывается на непосредственно предшествующем значении, а процесс AR (2) — это процесс, в котором текущее значение основано на двух предыдущих значениях. Процесс AR (0) используется для наименьших квадратов.
Эти концепции и методы используются техническими аналитиками для прогнозирования цен на ценные бумаги. Однако, поскольку модели авторегрессии основывают свои прогнозы только на прошлой информации, они неявно предполагают, что фундаментальные силы, которые повлияли на прошлые цены, не изменятся со временем. Это может привести к неожиданным и неточным прогнозам, если основные факторы, о которых идет речь, на самом деле меняются, например, если отрасль переживает быструю и беспрецедентную технологическую трансформацию.
Тем не менее, трейдеры продолжают совершенствовать использование авторегрессионных моделей для целей прогнозирования. Отличным примером является Autoregressive Integrated Moving Average (ARIMA), сложная модель авторегрессии, которая может учитывать тенденции, циклы, сезонность, ошибки и другие нестатические типы данных при составлении прогнозов.
Аналитические подходы
Хотя авторегрессионные модели связаны с техническим анализом, их также можно комбинировать с другими подходами к инвестированию. Например, инвесторы могут использовать фундаментальный анализ для выявления привлекательных возможностей, а затем использовать технический анализ для определения точек входа и выхода.
Пример модели авторегрессии из реального мира
Модели авторегрессии основаны на предположении, что прошлые значения влияют на текущие значения. Например, инвестор, использующий модель авторегрессии для прогнозирования цен на акции, должен будет предположить, что новые покупатели и продавцы этих акций находятся под влиянием недавних рыночных транзакций при принятии решения о том, сколько предложить или принять за ценную бумагу.
Хотя это предположение верно в большинстве случаев, это не всегда так. Например, в годы, предшествовавшие ценных бумаг с ипотечным покрытием, которыми владеют многие финансовые фирмы. В то время инвестор, использующий модель авторегрессии для прогнозирования динамики финансовых акций США, имел бы веские основания для прогнозирования продолжающейся тенденции стабильных или растущих цен на акции в этом секторе.
Однако, как только стало известно, что многие финансовые институты находятся под угрозой неминуемого краха, инвесторы внезапно стали меньше беспокоиться о недавних ценах на эти акции и гораздо больше беспокоиться о лежащих в их основе рисках. Таким образом, рынок быстро переоценил финансовые акции до гораздо более низкого уровня, что полностью сбило бы с толку авторегрессионную модель.
Важно отметить, что в модели авторегрессии одноразовый шок будет бесконечно влиять на значения рассчитываемых переменных в будущем. Таким образом, наследие финансового кризиса продолжает жить в современных моделях авторегрессии.