Autoregressief
Wat betekent autoregressief?
Een statistisch model is autoregressief als het toekomstige waarden voorspelt op basis van waarden uit het verleden. Een autoregressief model kan bijvoorbeeld proberen de toekomstige prijzen van een aandeel te voorspellen op basis van de prestaties uit het verleden.
Belangrijkste leerpunten
- Autoregressieve modellen voorspellen toekomstige waarden op basis van waarden uit het verleden.
- Ze worden veel gebruikt in technische analyse om toekomstige veiligheidsprijzen te voorspellen.
- Autoregressieve modellen gaan er impliciet van uit dat de toekomst op het verleden zal lijken. Daarom kunnen ze onnauwkeurig blijken te zijn onder bepaalde marktomstandigheden, zoals financiële crises of periodes van snelle technologische veranderingen.
Autoregressieve modellen begrijpen
Autoregressieve modellen gaan ervan uit dat waarden uit het verleden een effect hebben op huidige waarden, wat de statistische techniek populair maakt voor het analyseren van natuur, economie en andere processen die in de loop van de tijd variëren. Meerdere regressiemodellen voorspellen een variabele met behulp van een lineaire combinatie van voorspellers, terwijl autoregressieve modellen een combinatie van eerdere waarden van de variabele gebruiken.
Een AR (1) autoregressief proces is er een waarin de huidige waarde is gebaseerd op de onmiddellijk voorafgaande waarde, terwijl een AR (2) proces er een is waarin de huidige waarde is gebaseerd op de vorige twee waarden. Een AR (0) -proces wordt gebruikt voor methode met de kleinste kwadraten.
Deze concepten en technieken worden door technische analisten gebruikt om beveiligingsprijzen te voorspellen. Aangezien autoregressieve modellen hun voorspellingen echter alleen baseren op informatie uit het verleden, gaan ze er impliciet van uit dat de fundamentele krachten die van invloed waren op de prijzen in het verleden, in de loop van de tijd niet zullen veranderen. Dit kan tot verrassende en onnauwkeurige voorspellingen leiden als de onderliggende krachten in kwestie inderdaad veranderen, bijvoorbeeld wanneer een industrie een snelle en ongekende technologische transformatie ondergaat.
Niettemin blijven handelaren het gebruik van autoregressieve modellen voor voorspellingsdoeleinden verfijnen. Een goed voorbeeld is het Autoregressive Integrated Moving Average (ARIMA), een geavanceerd autoregressief model dat rekening kan houden met trends, cycli, seizoensinvloeden, fouten en andere niet-statische soorten gegevens bij het maken van prognoses.
Analytische benaderingen
Hoewel autoregressieve modellen worden geassocieerd met technische analyse, kunnen ze ook worden gecombineerd met andere benaderingen van beleggen. Beleggers kunnen bijvoorbeeld fundamentele analyse gebruiken om een aantrekkelijke kans te identificeren en vervolgens technische analyse gebruiken om entry- en exitpunten te identificeren.
Voorbeeld uit de echte wereld van een autoregressief model
Autoregressieve modellen zijn gebaseerd op de aanname dat waarden uit het verleden een effect hebben op huidige waarden. Een belegger die een autoregressief model gebruikt om aandelenkoersen te voorspellen, zou bijvoorbeeld moeten aannemen dat nieuwe kopers en verkopers van dat aandeel worden beïnvloed door recente markttransacties bij het beslissen hoeveel hij wil aanbieden of accepteren voor het effect.
Hoewel deze aanname onder de meeste omstandigheden zal gelden, is dit niet altijd het geval. In de jaren voorafgaand aan de hypotheek gedekte effecten die door veel financiële instellingen worden aangehouden. In die tijd zou een belegger die een autoregressief model gebruikte om de prestaties van Amerikaanse financiële aandelen te voorspellen, goede redenen hebben gehad om een aanhoudende trend van stabiele of stijgende aandelenkoersen in die sector te voorspellen.
Toen echter bekend werd dat veel financiële instellingen het risico liepen op een dreigende ineenstorting, raakten beleggers plotseling minder bezorgd over de recente koersen van deze aandelen en veel meer over hun onderliggende risicoblootstelling. Daarom herwaardeerde de markt financiële aandelen snel tot een veel lager niveau, een beweging die een autoregressief model volkomen in de war zou hebben gebracht.
Het is belangrijk op te merken dat in een autoregressief model een eenmalige schok de waarden van de berekende variabelen oneindig in de toekomst zal beïnvloeden. Daarom leeft de erfenis van de financiële crisis voort in de autoregressieve modellen van vandaag.