Ano ang Kahulugan ng Autoregressive?
Ang isang modelo ng istatistika ay autoregressive kung hinuhulaan nito ang mga hinaharap na halaga batay sa mga nakaraang halaga. Halimbawa, maaaring hinahangad ng isang autoregressive model na hulaan ang mga presyo sa hinaharap ng stock batay sa nakaraang pagganap nito.
Mga Key Takeaways
- Ang mga modelo ng Autoregressive ay hinuhulaan ang mga hinaharap na halaga batay sa mga nakaraang mga halaga. Sila ay malawakang ginagamit sa pagsusuri ng teknikal upang matantya ang mga presyo ng seguridad sa hinaharap.Autoregressive mga modelo na ipinapalagay na ang hinaharap ay kahawig ng nakaraan. Samakatuwid, maaari nilang patunayan ang hindi tumpak sa ilalim ng ilang mga kondisyon sa pamilihan, tulad ng mga krisis sa pananalapi o mga panahon ng mabilis na pagbabago sa teknolohikal.
Pag-unawa sa Autoregressive Models
Ang mga modelong Autoregressive ay nagpapatakbo sa ilalim ng saligan na ang mga nakaraang halaga ay may epekto sa kasalukuyang mga halaga, na ginagawang tanyag sa istatistika ng istatistika para sa pagsusuri ng kalikasan, ekonomiya, at iba pang mga proseso na nag-iiba sa paglipas ng panahon. Maraming mga modelo ng regression ang nag-forecast ng isang variable gamit ang isang linear na kumbinasyon ng mga prediktor, samantalang ang mga modelo ng autoregressive ay gumagamit ng isang kumbinasyon ng mga nakaraang mga halaga ng variable.
Ang isang AR (1) proseso ng autoregressive ay isa kung saan ang kasalukuyang halaga ay batay sa kaagad na naunang halaga, habang ang isang AR (2) proseso ay isa kung saan ang kasalukuyang halaga ay batay sa nakaraang dalawang halaga. Ang isang proseso ng AR (0) ay ginagamit para sa puting ingay at walang pag-asa sa pagitan ng mga termino. Bilang karagdagan sa mga pagkakaiba-iba na ito, mayroon ding maraming iba't ibang mga paraan upang makalkula ang mga koepisyenteng ginamit sa mga kalkulasyong ito, tulad ng hindi bababa sa pamamaraan ng mga parisukat.
Ang mga konsepto at pamamaraan na ito ay ginagamit ng mga teknikal na analyst upang mataya ang mga presyo ng seguridad. Gayunpaman, dahil ang mga modelo ng autoregressive ay batay lamang sa mga nakaraang impormasyon, ipinapalagay nila na ang mga pangunahing puwersa na nakakaimpluwensya sa mga nakaraang presyo ay hindi magbabago sa paglipas ng panahon. Ito ay maaaring humantong sa nakakagulat at hindi tumpak na mga hula kung ang pinagbabatayan na mga puwersa na pinag-uusapan ay nagbabago, tulad ng kung ang isang industriya ay sumasailalim sa mabilis at walang uliran na pagbabagong teknolohikal.
Gayunpaman, ang mga mangangalakal ay patuloy na pinuhin ang paggamit ng mga modelo ng autoregressive para sa mga layunin ng pagtataya. Ang isang mahusay na halimbawa ay ang Autoregressive Integrated Moving Average (ARIMA), isang sopistikadong autoregressive model na maaaring isaalang-alang ang mga uso, siklo, pana-panahon, pagkakamali, at iba pang mga di-static na uri ng data kapag gumagawa ng mga pagtataya.
Mga Diskarte sa Analytical
Bagaman ang mga modelo ng autoregressive ay nauugnay sa pagsusuri sa teknikal, maaari rin silang pagsamahin sa iba pang mga diskarte sa pamumuhunan. Halimbawa, ang mga namumuhunan ay maaaring gumamit ng pangunahing pagsusuri upang makilala ang isang nakakahimok na pagkakataon at pagkatapos ay gumamit ng teknikal na pagsusuri upang matukoy ang mga punto ng pagpasok at paglabas.
Tunay na Daigdig na Halimbawa ng isang Autoregressive Model
Ang mga modelong Autoregressive ay batay sa pag-aakala na ang mga nakaraang halaga ay may epekto sa kasalukuyang mga halaga. Halimbawa, ang isang mamumuhunan na gumagamit ng isang autoregressive model upang matantya ang mga presyo ng stock ay kailangang ipalagay na ang mga bagong mamimili at nagbebenta ng stock na iyon ay naiimpluwensyahan ng mga kamakailang transaksyon sa pamilihan kapag nagpapasya kung magkano ang mag-alok o tatanggapin para sa seguridad.
Bagaman ang pagpapalagay na ito ay hahawak sa ilalim ng karamihan sa mga pangyayari, hindi ito palaging nangyayari. Halimbawa, sa mga taon bago ang Krisis sa Pinansyal na 2008, ang karamihan sa mga namumuhunan ay hindi nalalaman ang mga peligro na dulot ng malalaking portfolio ng mga security mortgage na hawak ng maraming mga pinansiyal na kumpanya. Sa mga oras na iyon, ang isang mamumuhunan na gumagamit ng isang modelo ng autoregressive upang mahulaan ang pagganap ng mga stock sa pananalapi ng US ay magkakaroon ng magandang dahilan upang mahulaan ang isang patuloy na kalakaran ng matatag o pagtaas ng mga presyo ng stock sa sektor na iyon.
Gayunpaman, sa sandaling naging kaalaman ng publiko na maraming mga institusyong pampinansyal ang nanganganib sa malapit na pagbagsak, ang mga namumuhunan ay biglang naging mas nababahala sa mga kamakailan-lamang na presyo ng mga stock at higit na nababahala sa kanilang pinagbabatayan na pagkakalantad sa panganib. Samakatuwid, ang merkado ay mabilis na nasuri ang mga stock sa pananalapi sa isang mas mababang antas, isang paglipat na kung saan ay lubos na maipagtutuya ang isang modelo ng autoregressive.
Mahalagang tandaan na, sa isang modelo ng autoregressive, ang isang isang beses na pagkabigla ay makakaapekto sa mga halaga ng kinakalkula na mga variable na walang hanggan sa hinaharap. Samakatuwid, ang pamana ng krisis sa pananalapi ay nananatili sa mga modelo ng autoregressive ngayon.
