Was bedeutet autoregressiv?
Ein statistisches Modell ist autoregressiv, wenn es zukünftige Werte basierend auf vergangenen Werten vorhersagt. Ein autoregressives Modell könnte beispielsweise versuchen, die zukünftigen Kurse einer Aktie auf der Grundlage ihrer früheren Performance vorherzusagen.
Die zentralen Thesen
- Autoregressive Modelle sagen zukünftige Werte auf der Grundlage vergangener Werte voraus. Sie werden häufig in der technischen Analyse zur Vorhersage zukünftiger Sicherheitspreise verwendet. Autoregressive Modelle gehen implizit davon aus, dass die Zukunft der Vergangenheit ähnelt. Daher können sie sich unter bestimmten Marktbedingungen als ungenau erweisen, z. B. in Finanzkrisen oder Zeiten schnellen technologischen Wandels.
Grundlegendes zu autoregressiven Modellen
Autoregressive Modelle basieren auf der Annahme, dass vergangene Werte einen Einfluss auf aktuelle Werte haben, was die statistische Technik zur Analyse von Natur, Wirtschaftlichkeit und anderen Prozessen, die sich im Laufe der Zeit ändern, beliebt macht. Mehrere Regressionsmodelle sagen eine Variable unter Verwendung einer linearen Kombination von Prädiktoren voraus, wohingegen autoregressive Modelle eine Kombination vergangener Werte der Variablen verwenden.
Ein autoregressiver AR (1) -Prozess ist einer, bei dem der aktuelle Wert auf dem unmittelbar vorhergehenden Wert basiert, während ein AR (2) -Prozess einer ist, bei dem der aktuelle Wert auf den vorhergehenden zwei Werten basiert. Ein AR (0) -Prozess wird für weißes Rauschen verwendet und hat keine Abhängigkeit zwischen den Begriffen. Zusätzlich zu diesen Variationen gibt es viele verschiedene Möglichkeiten, die in diesen Berechnungen verwendeten Koeffizienten zu berechnen, beispielsweise die Methode der kleinsten Quadrate.
Diese Konzepte und Techniken werden von technischen Analysten verwendet, um Sicherheitspreise vorherzusagen. Da autoregressive Modelle ihre Vorhersagen jedoch nur auf vergangenen Informationen basieren, gehen sie implizit davon aus, dass sich die fundamentalen Kräfte, die die vergangenen Preise beeinflusst haben, im Laufe der Zeit nicht ändern werden. Dies kann zu überraschenden und ungenauen Vorhersagen führen, wenn sich die zugrunde liegenden Kräfte tatsächlich ändern, z. B. wenn sich eine Branche in einem raschen und beispiellosen technologischen Wandel befindet.
Dennoch verfeinern Händler die Verwendung von autoregressiven Modellen für Prognosezwecke weiter. Ein gutes Beispiel ist der Autoregressive Integrated Moving Average (ARIMA), ein ausgeklügeltes autoregressives Modell, das Trends, Zyklen, Saisonalität, Fehler und andere nicht statische Datentypen bei der Erstellung von Prognosen berücksichtigen kann.
Analytische Ansätze
Obwohl autoregressive Modelle mit technischen Analysen verbunden sind, können sie auch mit anderen Investitionsansätzen kombiniert werden. Beispielsweise können Anleger mithilfe der Fundamentalanalyse eine überzeugende Gelegenheit identifizieren und anschließend mithilfe der technischen Analyse die Einstiegs- und Ausstiegspunkte ermitteln.
Reales Beispiel eines autoregressiven Modells
Autoregressive Modelle basieren auf der Annahme, dass sich vergangene Werte auf aktuelle Werte auswirken. Beispielsweise müsste ein Anleger, der ein autoregressives Modell zur Vorhersage der Aktienkurse verwendet, davon ausgehen, dass neue Käufer und Verkäufer dieser Aktie von den jüngsten Markttransaktionen beeinflusst werden, wenn er entscheidet, wie viel für das Wertpapier angeboten oder angenommen wird.
Obwohl diese Annahme unter den meisten Umständen zutrifft, ist dies nicht immer der Fall. Beispielsweise waren sich die meisten Anleger in den Jahren vor der Finanzkrise 2008 der Risiken nicht bewusst, die die großen Portfolios hypothekarisch besicherter Wertpapiere vieler Finanzunternehmen mit sich bringen. In dieser Zeit hätte ein Anleger, der ein autoregressives Modell zur Vorhersage der Wertentwicklung von US-Finanztiteln verwendet, gute Gründe gehabt, einen anhaltenden Trend stabiler oder steigender Aktienkurse in diesem Sektor vorherzusagen.
Als jedoch öffentlich bekannt wurde, dass viele Finanzinstitute einem drohenden Zusammenbruch ausgesetzt waren, machten sich Anleger plötzlich weniger Gedanken über die jüngsten Kurse dieser Aktien als vielmehr über das zugrunde liegende Risiko. Daher wertete der Markt Finanztitel rasch auf ein viel niedrigeres Niveau um, was ein autoregressives Modell völlig durcheinander gebracht hätte.
Es ist wichtig zu beachten, dass in einem autoregressiven Modell ein einmaliger Schock die Werte der berechneten Variablen unendlich in die Zukunft beeinflusst. Daher lebt das Erbe der Finanzkrise in den heutigen autoregressiven Modellen weiter.
