مدل‌های خودرگرسیون چه هستند؟

مدل‌های خودرگرسیون، مدل‌های آماری‌ای هستند که برای تحلیل سری‌های زمانی استفاده می‌شوند، جایی که مقادیر فعلی بر اساس ترکیبی خطی از مقادیر گذشته پیش‌بینی می‌شوند. این مدل‌ها فرض می‌کنند که رفتار گذشته بر نتایج آینده تأثیر می‌گذارد و آنها را برای پیش‌بینی روندها و الگوهای داده‌ها در طول زمان مفید می‌سازد.

یک مدل آماری خودرگرسیون است اگر مقادیر آینده را بر اساس مقادیر گذشته پیش‌بینی کند. برای مثال، یک مدل خودرگرسیون ممکن است قیمت‌های آینده یک سهم را بر اساس عملکرد گذشته آن پیش‌بینی کند.

نکات کلیدی

• مدل‌های خودرگرسیون مقادیر آینده را بر اساس مقادیر گذشته پیش‌بینی می‌کنند.
• آنها به طور گسترده در تحلیل تکنیکال برای پیش‌بینی قیمت‌های آتی اوراق بهادار استفاده می‌شوند.
• مدل‌های خودرگرسیون به‌طور ضمنی فرض می‌کنند که آینده شبیه گذشته خواهد بود.
• بنابراین، در شرایط خاص بازار مانند بحران‌های مالی یا دوره‌های تغییر سریع تکنولوژیکی، ممکن است نتایج نادرستی ارائه دهند.

درک مدل‌های خودرگرسیون

مدل‌های خودرگرسیون بر این فرض کار می‌کنند که مقادیر گذشته بر مقادیر فعلی تأثیر دارند، که این تکنیک آماری را برای تحلیل پدیده‌های طبیعی، اقتصادی و سایر فرآیندهایی که در طول زمان تغییر می‌کنند، محبوب می‌کند. در حالی که مدل‌های رگرسیون چندگانه یک متغیر را با استفاده از ترکیبی خطی از چند پیش‌بینی‌کننده تخمین می‌زنند، مدل‌های خودرگرسیون فقط از ترکیبی از مقادیر گذشته همان متغیر استفاده می‌کنند.

یک فرآیند خودرگرسیون AR(1) فرآیندی است که مقدار فعلی بر اساس مقدار بلافاصله قبلی است، در حالی که AR(2) مقدار فعلی را بر اساس دو مقدار قبلی مدل می‌کند. AR(0) معمولاً برای نویز سفید به کار می‌رود و نشان‌دهنده عدم وجود وابستگی بین جملات است. همچنین روش‌های مختلفی مانند کمترین مربعات برای برآورد ضرایب مدل وجود دارد.

این مفاهیم توسط تحلیلگران تکنیکال برای پیش‌بینی قیمت اوراق بهادار به کار گرفته می‌شوند. اما از آنجا که مدل‌های خودرگرسیون تنها بر اطلاعات گذشته تکیه می‌کنند، فرض می‌کنند نیروهای اساسی تأثیرگذار بر قیمت‌ها ثابت باقی می‌مانند. در شرایطی که این نیروها تغییر کنند، مانند صنایع در حال تحول سریع تکنولوژیکی، پیش‌بینی‌ها ممکن است دقیق نباشند.

با این حال، معامله‌گران همچنان از مدل‌های خودرگرسیون برای پیش‌بینی استفاده می‌کنند. مثلاً مدل میانگین متحرک خودرگرسیون یکپارچه (ARIMA)، مدلی پیچیده‌تر است که روندها، چرخه‌ها، فصلی بودن و داده‌های غیرایستا را در نظر می‌گیرد.

اگرچه مدل‌های خودرگرسیون عمدتاً با تحلیل تکنیکال مرتبط هستند، اما می‌توانند با سایر رویکردهای سرمایه‌گذاری نیز ترکیب شوند؛ به عنوان مثال، سرمایه‌گذاران می‌توانند با تحلیل بنیادی فرصت‌ها را شناسایی و سپس از تحلیل تکنیکال برای تعیین نقاط ورود و خروج استفاده کنند.

مثالی از یک مدل خودرگرسیون

مدل‌های خودرگرسیون بر این فرض‌اند که مقادیر گذشته بر مقادیر فعلی تأثیر دارند. برای مثال، سرمایه‌گذاری که از مدل خودرگرسیون برای پیش‌بینی قیمت سهام استفاده می‌کند، فرض می‌کند خریداران و فروشندگان جدید تحت تأثیر معاملات اخیر بازار تصمیم می‌گیرند.

اگرچه این فرض در بیشتر شرایط درست است، اما همیشه صدق نمی‌کند. مثلاً قبل از بحران مالی ۲۰۰۸، بیشتر سرمایه‌گذاران از خطرات پورتفوی‌های اوراق بهادار با پشتوانه وام مسکن مطلع نبودند. در آن زمان، پیش‌بینی روند مثبت قیمت سهام بخش مالی با مدل خودرگرسیون منطقی بود.

اما زمانی که مشخص شد بسیاری از مؤسسات مالی در خطر فروپاشی هستند، سرمایه‌گذاران توجه بیشتری به ریسک اساسی داشتند تا قیمت‌های اخیر سهام، و بازار به سرعت ارزش سهام را کاهش داد؛ حرکتی که مدل خودرگرسیون قادر به پیش‌بینی آن نبود.

نکته مهم این است که در مدل خودرگرسیون، یک شوک یکباره می‌تواند تأثیر خود را برای مدت نامحدود در مقادیر آینده حفظ کند. بنابراین، تأثیر بحران مالی در مدل‌های خودرگرسیون امروزی همچنان باقی است.

چرا مدل‌های خودرگرسیون در بازارهای مالی محبوبند؟

زیرا می‌توانند در پیش‌بینی قیمت‌های آتی اوراق بهادار به سرمایه‌گذاران کمک کرده و تصمیمات معاملاتی را بهبود ببخشند.

مدل‌های خودرگرسیون چه فرضی درباره داده‌ها دارند؟

فرض می‌کنند که الگوهای آینده شبیه گذشته خواهد بود و این فرض در شرایط پایدار مؤثر است.

آیا مدل‌های خودرگرسیون ممکن است نادرست باشند؟

بله، به‌ویژه در دوره‌های نوسان شدید بازار یا تغییرات سریع، چرا که داده‌های تاریخی ممکن است روندهای آینده را به‌درستی پیش‌بینی نکنند.

نتیجه‌گیری

مدل‌های خودرگرسیون برای پیش‌بینی مقادیر آینده بر اساس داده‌های گذشته طراحی شده‌اند و در تحلیل تکنیکال برای پیش‌بینی قیمت اوراق بهادار اهمیت زیادی دارند. با فرض شباهت روندهای آینده به گذشته، بینش‌های مفیدی ارائه می‌دهند، اما دقت آنها در شرایط پرنوسان مانند بحران‌های مالی یا تغییرات سریع تکنولوژیکی محدود است.