autoregressieve
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 in het verleden behaalde resultaten.
Belangrijkste leerpunten
- Autoregressieve modellen voorspellen toekomstige waarden op basis van waarden uit het verleden.
- Ze worden veel gebruikt in technische analyses om toekomstige beveiligingsprijzen te voorspellen.
- Autoregressieve modellen veronderstellen impliciet dat de toekomst zal lijken op het verleden. Daarom kunnen ze onnauwkeurig blijken te zijn onder bepaalde marktomstandigheden, zoals financiële crises of perioden van snelle technologische veranderingen.
Autoregressieve modellen begrijpen
Autoregressieve modellen gaan ervan uit dat waarden uit het verleden een effect hebben op de huidige waarden, waardoor de statistische techniek populair is voor het analyseren van aard, economie en andere processen die in de tijd variëren. Meerdere regressiemodellen voorspellen een variabele met behulp van een lineaire combinatie van voorspellers, terwijl autoregressieve modellen een combinatie van waarden uit het verleden van de variabele gebruiken.
Een AR (1) autoregressief proces is een proces waarbij de huidige waarde is gebaseerd op de onmiddellijk voorafgaande waarde, terwijl een AR (2) proces een proces is waarin de huidige waarde is gebaseerd op de vorige twee waarden. Een AR (0) -proces wordt gebruikt voor witte ruis en is niet afhankelijk van de termen. Naast deze variaties zijn er ook veel verschillende manieren om de coëfficiënten te berekenen die in deze berekeningen worden gebruikt, zoals de methode met de kleinste kwadraten.
Deze concepten en technieken worden door technische analisten gebruikt om beveiligingsprijzen te voorspellen. Omdat autoregressieve modellen hun voorspellingen alleen baseren op informatie uit het verleden, gaan ze er impliciet van uit dat de fundamentele krachten die de prijzen in het verleden hebben beïnvloed, in de loop van de tijd niet zullen veranderen. Dit kan leiden tot verrassende en onnauwkeurige voorspellingen als de onderliggende krachten in kwestie veranderen, bijvoorbeeld als een industrie een snelle en ongekende technologische transformatie ondergaat.
Desondanks blijven handelaren het gebruik van autoregressieve modellen voor voorspellingsdoeleinden verfijnen. Een goed voorbeeld is de Autoregressive Integrated Moving Average (ARIMA), een geavanceerd autoregressief model dat bij het maken van voorspellingen rekening kan houden met trends, cycli, seizoensinvloeden, fouten en andere niet-statische soorten gegevens.
Analytische benaderingen
Hoewel autoregressieve modellen worden geassocieerd met technische analyse, kunnen ze ook worden gecombineerd met andere benaderingen van beleggen. Investeerders 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 veronderstelling dat waarden uit het verleden een effect hebben op huidige waarden. Een belegger die bijvoorbeeld een autoregressief model gebruikt om aandelenkoersen te voorspellen, moet ervan uitgaan dat nieuwe kopers en verkopers van die aandelen worden beïnvloed door recente markttransacties wanneer zij beslissen hoeveel aan te bieden of te accepteren voor het effect.
Hoewel deze veronderstelling onder de meeste omstandigheden zal gelden, is dit niet altijd het geval. In de jaren voorafgaand aan de financiële crisis van 2008 waren de meeste beleggers bijvoorbeeld niet op de hoogte van de risico's van de grote portefeuilles van door hypotheken gedekte effecten die door veel financiële ondernemingen worden gehouden. Gedurende die tijd zou een belegger die een autoregressief model gebruikt om de prestaties van Amerikaanse financiële aandelen te voorspellen, goede reden hebben gehad om een voortdurende trend van stabiele of stijgende aandelenkoersen in die sector te voorspellen.
Toen echter bekend werd dat veel financiële instellingen dreigden in te storten, 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 naar een veel lager niveau, een beweging die een autoregressief model volledig in verwarring 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.
Vergelijk beleggingsrekeningen Aanbieder Naam Beschrijving Adverteerder Openbaarmaking × De aanbiedingen die in deze tabel worden weergegeven, zijn afkomstig van samenwerkingsverbanden waarvan Investopedia een vergoeding ontvangt.