Autoregressivo
O que significa autoregressivo?
Um modelo estatístico é autorregressivo se predizer valores futuros com base em valores passados. Por exemplo, um modelo autoregressivo pode procurar prever os preços futuros de uma ação com base em seu desempenho anterior.
Principais vantagens
- Os modelos autorregressivos preveem valores futuros com base em valores anteriores.
- Eles são amplamente usados em análises técnicas para prever preços futuros de títulos.
- Modelos autoregressivos implicitamente assumem que o futuro se parecerá com o passado. Portanto, eles podem se mostrar imprecisos em certas condições de mercado, como crises financeiras ou períodos de rápida mudança tecnológica.
Compreendendo os modelos autorregressivos
Os modelos autorregressivos operam sob a premissa de que os valores passados têm efeito sobre os valores atuais, o que torna a técnica estatística popular para analisar a natureza, a economia e outros processos que variam ao longo do tempo. Os modelos de regressão múltipla prevêem uma variável usando uma combinação linear de preditores, enquanto os modelos autoregressivos usam uma combinação de valores passados da variável.
Um processo autoregressivo AR (1) é aquele em que o valor atual é baseado no valor imediatamente anterior, enquanto um processo AR (2) é aquele em que o valor atual é baseado nos dois valores anteriores. Um processo AR (0) é usado para método dos mínimos quadrados.
Esses conceitos e técnicas são usados por analistas técnicos para prever os preços dos títulos. No entanto, como os modelos autorregressivos baseiam suas previsões apenas em informações passadas, eles implicitamente assumem que as forças fundamentais que influenciaram os preços passados não mudarão com o tempo. Isso pode levar a previsões surpreendentes e imprecisas se as forças subjacentes em questão estiverem de fato mudando, como se uma indústria estivesse passando por uma transformação tecnológica rápida e sem precedentes.
No entanto, os comerciantes continuam a refinar o uso de modelos autorregressivos para fins de previsão. Um ótimo exemplo é o Autoregressive Integrated Moving Average (ARIMA), um modelo autoregressivo sofisticado que pode levar em consideração tendências, ciclos, sazonalidade, erros e outros tipos de dados não estáticos ao fazer previsões.
Abordagens Analíticas
Embora os modelos autorregressivos estejam associados à análise técnica, eles também podem ser combinados com outras abordagens de investimento. Por exemplo, os investidores podem usar a análise fundamental para identificar uma oportunidade atraente e, em seguida, usar a análise técnica para identificar os pontos de entrada e saída.
Exemplo do mundo real de um modelo autorregressivo
Os modelos autorregressivos baseiam-se no pressuposto de que os valores anteriores afetam os valores atuais. Por exemplo, um investidor usando um modelo autoregressivo para prever os preços das ações precisaria presumir que os novos compradores e vendedores dessas ações são influenciados por transações recentes de mercado ao decidir quanto oferecer ou aceitar pelo título.
Embora essa suposição seja válida na maioria das circunstâncias, nem sempre é esse o caso. Por exemplo, nos anos anteriores à títulos lastreados em hipotecas detidos por muitas empresas financeiras. Durante esse período, um investidor que utilizasse um modelo autorregressivo para prever o desempenho das ações do setor financeiro dos Estados Unidos teria um bom motivo para prever uma tendência contínua de estabilidade ou alta dos preços das ações nesse setor.
No entanto, uma vez que se tornou de conhecimento público que muitas instituições financeiras estavam em risco de colapso iminente, os investidores repentinamente ficaram menos preocupados com os preços recentes dessas ações e muito mais preocupados com sua exposição ao risco subjacente. Portanto, o mercado reavaliou rapidamente as ações financeiras para um nível muito mais baixo, um movimento que teria confundido totalmente um modelo autorregressivo.
É importante notar que, em um modelo autoregressivo, um choque único afetará os valores das variáveis calculadas infinitamente no futuro. Portanto, o legado da crise financeira continua vivo nos modelos autorregressivos de hoje.