Autocorrelatie
Wat is autocorrelatie?
Autocorrelatie is een wiskundige weergave van de mate van overeenkomst tussen een bepaalde tijdreeks en een vertraagde versie van zichzelf over opeenvolgende tijdsintervallen. Het is conceptueel vergelijkbaar met de correlatie tussen twee verschillende tijdreeksen, maar autocorrelatie gebruikt twee keer dezelfde tijdreeks: een keer in de oorspronkelijke vorm en een keer achter een of meer tijdsperioden.
Als het bijvoorbeeld vandaag regent, suggereren de gegevens dat het morgen waarschijnlijker gaat regenen dan wanneer het vandaag helder is. Als het op beleggen aankomt, kan een aandeel een sterk positieve autocorrelatie van het rendement hebben, wat suggereert dat als het vandaag “up” is, het waarschijnlijk ook morgen zal zijn.
Autocorrelatie kan natuurlijk een handig hulpmiddel zijn voor handelaren om te gebruiken; met name voor technische analisten.
Belangrijkste leerpunten
- Autocorrelatie vertegenwoordigt de mate van overeenkomst tussen een bepaalde tijdreeks en een vertraagde versie van zichzelf over opeenvolgende tijdsintervallen.
- Autocorrelatie meet de relatie tussen de huidige waarde van een variabele en de waarden uit het verleden.
- Een autocorrelatie van +1 vertegenwoordigt een perfecte positieve correlatie, terwijl een autocorrelatie van min 1 een perfecte negatieve correlatie vertegenwoordigt.
- Technische analisten kunnen autocorrelatie gebruiken om te meten hoeveel invloed eerdere prijzen voor een effect hebben op de toekomstige prijs.
Autocorrelatie begrijpen
Autocorrelatie kan ook vertraagde correlatie of seriële correlatie worden genoemd, omdat het de relatie meet tussen de huidige waarde van een variabele en de waarden uit het verleden.
Kijk als een heel eenvoudig voorbeeld eens naar de vijf procentuele waarden in de onderstaande grafiek. We vergelijken ze met de kolom aan de rechterkant, die dezelfde reeks waarden bevat, maar één rij omhoog is verplaatst.
Bij het berekenen van autocorrelatie kan het resultaat variëren van -1 tot +1.
Een autocorrelatie van +1 vertegenwoordigt een perfecte positieve correlatie (een toename in de ene tijdreeks leidt tot een evenredige toename in de andere tijdreeks).
Aan de andere kant vertegenwoordigt een autocorrelatie van -1 een perfecte negatieve correlatie (een toename in de ene tijdreeks resulteert in een evenredige afname in de andere tijdreeks).
Autocorrelatie meet lineaire relaties. Zelfs als de autocorrelatie minuscuul is, kan er nog steeds een niet-lineaire relatie zijn tussen een tijdreeks en een vertraagde versie van zichzelf.
Testen op autocorrelatie
De meest gebruikelijke methode om autocorrelatie te testen is de Durbin-Watson-test. Zonder al te technisch te worden, is de Durbin-Watson een statistiek die autocorrelatie detecteert op basis van een regressieanalyse.
De Durbin-Watson produceert altijd een testgetalbereik van 0 tot 4. Waarden dichter bij 0 duiden op een grotere mate van positieve correlatie, waarden dichter bij 4 duiden op een grotere mate van negatieve autocorrelatie, terwijl waarden dichter bij het midden minder autocorrelatie suggereren.
Dus waarom is autocorrelatie belangrijk op financiële markten? Gemakkelijk. Autocorrelatie kan worden toegepast om historische prijsbewegingen grondig te analyseren, die beleggers vervolgens kunnen gebruiken om toekomstige prijsbewegingen te voorspellen. Specifiek kan autocorrelatie worden gebruikt om te bepalen of een momentum-handelsstrategie zinvol is.
Autocorrelatie in technische analyse
Autocorrelatie kan nuttig zijn voor technische analyse. Dat komt omdat technische analyse zich het meest bezighoudt met de trends van en relaties tussen beveiligingsprijzen met behulp van kaarttechnieken. Dit in tegenstelling tot fundamentele analyse, die zich in plaats daarvan richt op de financiële gezondheid of het beheer van een bedrijf.
Technische analisten kunnen autocorrelatie gebruiken om erachter te komen hoeveel invloed prijzen uit het verleden voor een effect hebben op de toekomstige prijs.
Autocorrelatie kan helpen bepalen of er een momentumfactor in het spel is bij een bepaald aandeel. Als een aandeel met een hoge positieve autocorrelatie bijvoorbeeld twee opeenvolgende dagen met grote winsten boekt, kan het redelijk zijn om te verwachten dat het aandeel ook de komende twee dagen zal stijgen.
Voorbeeld van autocorrelatie
Laten we aannemen dat Emma probeert te bepalen of de rendementen van een aandeel in haar portefeuille autocorrelatie vertonen; dat wil zeggen, het rendement van het aandeel heeft betrekking op het rendement in eerdere handelssessies.
Als de rendementen autocorrelatie vertonen, zou Emma het kunnen karakteriseren als een momentumaandeel, omdat rendementen uit het verleden toekomstige rendementen lijken te beïnvloeden. Emma voert een regressie uit met het rendement van de vorige handelssessie als de onafhankelijke variabele en het huidige rendement als de afhankelijke variabele. Ze constateert dat de rendementen een dag eerder een positieve autocorrelatie hebben van 0,8.
Aangezien 0,8 dicht bij +1 ligt, lijken rendementen uit het verleden een zeer goede positieve voorspeller te zijn van toekomstige rendementen voor dit specifieke aandeel.
Daarom kan Emma haar portfolio aan te passen om te profiteren van de autocorrelatie of momentum, door te blijven aan haar positie te houden of accumuleren meer aandelen.