Ko nozīmē autoregresīvs?
Statistiskais modelis ir autoregresīvs, ja tas paredz nākotnes vērtības, pamatojoties uz pagātnes vērtībām. Piemēram, autoregresīvs modelis var mēģināt paredzēt krājuma cenas nākotnē, pamatojoties uz tā iepriekšējiem rādītājiem.
Taustiņu izņemšana
- Autoregresīvie modeļi prognozē nākotnes vērtības, pamatojoties uz pagātnes vērtībām. Tos plaši izmanto tehniskajā analīzē, lai prognozētu nākotnes vērtspapīru cenas.Autoregresīvie modeļi netieši pieņem, ka nākotne līdzināsies pagātnei. Tādēļ tie var izrādīties kļūdaini noteiktos tirgus apstākļos, piemēram, finanšu krīzes vai strauju tehnoloģisko pārmaiņu periodos.
Autoregresīvo modeļu izpratne
Autoregresīvie modeļi darbojas ar pieņēmumu, ka pagātnes vērtības ietekmē pašreizējās vērtības, kas padara statistikas paņēmienu populāru dabas, ekonomikas un citu procesu, kas mainās laika gaitā, analīzei. Vairāki regresijas modeļi prognozē mainīgo, izmantojot lineāru prognozētāju kombināciju, turpretī autoregresīvie modeļi izmanto mainīgā pagātnes vērtību kombināciju.
AR (1) autoregresīvs process ir tāds, kurā pašreizējā vērtība ir balstīta uz tieši iepriekšējo vērtību, savukārt AR (2) ir process, kurā pašreizējā vērtība ir balstīta uz iepriekšējām divām vērtībām. Baltajam troksnim tiek izmantots AR (0) process, un tam nav atkarības starp terminiem. Papildus šīm variācijām ir arī daudz dažādu veidu, kā aprēķināt šajos aprēķinos izmantotos koeficientus, piemēram, mazāko kvadrātu metode.
Šos jēdzienus un paņēmienus tehniskie analītiķi izmanto, lai prognozētu vērtspapīru cenas. Tomēr, tā kā autoregresīvie modeļi balstās savās prognozēs tikai uz pagātnes informāciju, viņi netieši pieļauj, ka pamata spēki, kas ietekmēja iepriekšējās cenas, laika gaitā nemainīsies. Tas var izraisīt pārsteidzošas un neprecīzas prognozes, ja attiecīgie pamatā esošie spēki faktiski mainās, piemēram, ja nozarē notiek strauja un nepieredzēta tehnoloģiskā pārveidošana.
Neskatoties uz to, tirgotāji turpina pilnveidot autoregresīvu modeļu izmantošanu prognozēšanas vajadzībām. Lielisks piemērs ir Autoregressive Integrated Moving Average (ARIMA), kas ir sarežģīts autoregressīvs modelis, kas, veidojot prognozes, var ņemt vērā tendences, ciklus, sezonalitāti, kļūdas un citus nestatiskus datu veidus.
Analītiskās pieejas
Lai arī autoregresīvie modeļi ir saistīti ar tehnisko analīzi, tos var kombinēt arī ar citām investīciju pieejām. Piemēram, investori var izmantot fundamentālo analīzi, lai identificētu pārliecinošu iespēju, un pēc tam izmantot tehnisko analīzi, lai identificētu ieejas un izejas punktus.
Autoregresīva modeļa reālās pasaules piemērs
Autoregresīvie modeļi ir balstīti uz pieņēmumu, ka pagātnes vērtības ietekmē pašreizējās vērtības. Piemēram, investoram, kurš izmanto autoregresīvu modeli, lai prognozētu akciju cenas, būtu jāpieņem, ka jaunos šo akciju pircējus un pārdevējus nesenie tirgus darījumi ietekmē, izlemjot, cik piedāvāt vai pieņemt vērtspapīriem.
Lai arī vairumā gadījumu šis pieņēmums būs spēkā, tas ne vienmēr tā ir. Piemēram, gados pirms 2008. gada finanšu krīzes vairums investoru nezināja par riskiem, ko rada lielie hipotēku nodrošināto vērtspapīru portfeļi, kas ir daudzu finanšu firmu rīcībā. Tajos laikos investoram, kurš izmantoja autoregresīvu modeli, lai prognozētu ASV finanšu krājumu darbību, būtu bijis pietiekams iemesls prognozēt stabilu vai augošu akciju cenu tendenci šajā nozarē.
Tomēr, tiklīdz kļuva zināms sabiedrībai, ka daudzām finanšu institūcijām draud nenovēršams sabrukums, investori pēkšņi kļuva mazāk nobažījušies par šo akciju nesenajām cenām un daudz vairāk par to pamatā esošo risku. Tāpēc tirgus strauji pārvērtēja finanšu krājumus līdz daudz zemākam līmenim, un tas būtu pilnīgi sajaucis autoregresīvu modeli.
Ir svarīgi atzīmēt, ka autoregresīvā modelī vienreizējs šoks nākotnē bezgalīgi ietekmēs aprēķināto mainīgo lielumus. Tāpēc finanšu krīzes mantojums dzīvo mūsdienu autoregresīvajos modeļos.
