Autoregressiv
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 vergangenen Wertentwicklung vorherzusagen.
Die zentralen Thesen
- Autoregressive Modelle sagen zukünftige Werte basierend auf vergangenen Werten voraus.
- Sie werden häufig in der technischen Analyse verwendet, um zukünftige Wertpapierkurse vorherzusagen.
- Autoregressive Modelle gehen implizit davon aus, dass die Zukunft der Vergangenheit ähnelt. Daher können sie sich unter bestimmten Marktbedingungen wie Finanzkrisen oder Zeiten des schnellen technologischen Wandels als ungenau erweisen.
Verständnis von autoregressiven Modellen
Autoregressive Modelle arbeiten unter der Prämisse, dass sich vergangene Werte auf aktuelle Werte auswirken, was die statistische Technik für die Analyse von Natur, Wirtschaft und anderen Prozessen, die sich im Laufe der Zeit ändern, beliebt macht. Multiple Regressionsmodelle prognostizieren eine Variable unter Verwendung einer linearen Kombination von Prädiktoren, während 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 beiden vorherigen Werten basiert. Ein AR (0) -Prozess wird für Methode der kleinsten Quadrate.
Diese Konzepte und Techniken werden von technischen Analysten verwendet, um Wertpapierkurse vorherzusagen. Da autoregressive Modelle ihre Vorhersagen jedoch nur auf Informationen aus der Vergangenheit stützen, 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, beispielsweise wenn eine Branche einen schnellen und beispiellosen technologischen Wandel durchläuft.
Dennoch verfeinern Händler die Verwendung autoregressiver Modelle 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 der technischen Analyse in Verbindung gebracht werden, können sie auch mit anderen Anlageansätzen kombiniert werden. Anleger können beispielsweise die Fundamentalanalyse verwenden, um eine überzeugende Gelegenheit zu identifizieren, und dann die technische Analyse verwenden, um Ein- und Ausstiegspunkte zu identifizieren.
Praxisbeispiel 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 Prognose von Aktienkursen verwendet, davon ausgehen, dass neue Käufer und Verkäufer dieser Aktie von den jüngsten Markttransaktionen beeinflusst werden, wenn er entscheidet, wie viel er für das Wertpapier anbieten oder annehmen soll.
Obwohl diese Annahme unter den meisten Umständen zutrifft, ist dies nicht immer der Fall. In den Jahren vor der hypothekenbesicherter Wertpapiere vieler Finanzunternehmen ausgingen. In diesen Zeiten hätte ein Anleger, der ein autoregressives Modell verwendet, um die Wertentwicklung von US-Finanzwerten vorherzusagen, guten Grund gehabt, einen anhaltenden Trend stabiler oder steigender Aktienkurse in diesem Sektor vorherzusagen.
Als jedoch öffentlich bekannt wurde, dass vielen Finanzinstituten ein drohender Zusammenbruch drohte, machten sich die Anleger plötzlich weniger Sorgen um die jüngsten Kurse dieser Aktien und viel mehr um das zugrunde liegende Risiko. Daher bewertete der Markt Finanzwerte schnell auf ein viel niedrigeres Niveau, ein Schritt, der 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.