Autoregressivo

O que significa autorregressivo?

Um modelo estatístico é autoregressivo 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 passado.

Principais Takeaways

• Modelos autoregressivos prevêem valores futuros com base em valores passados.
• Eles são amplamente utilizados em análises técnicas para prever preços futuros de segurança.
• Modelos autoregressivos assumem implicitamente que o futuro se parecerá com o passado. Portanto, eles podem se mostrar imprecisos sob certas condições de mercado, como crises financeiras ou períodos de rápida mudança tecnológica.

Compreendendo modelos autoregressivos

Modelos autoregressivos operam sob a premissa de que valores passados ​​afetam os valores atuais, o que torna a técnica estatística popular para analisar a natureza, a economia e outros processos que variam com o tempo. Modelos de regressão múltipla preveem uma variável usando uma combinação linear de preditores, enquanto modelos autorregressivos usam uma combinação de valores passados ​​da variável.

Um processo autorregressivo de AR (1) é aquele em que o valor atual é baseado no valor imediatamente anterior, enquanto um processo de AR (2) é aquele em que o valor atual é baseado nos dois valores anteriores. Um processo AR (0) é usado para ruído branco e não tem dependência entre os termos. Além dessas variações, também existem muitas maneiras diferentes de calcular os coeficientes usados ​​nesses cálculos, como o método dos mínimos quadrados.

Esses conceitos e técnicas são usados ​​por analistas técnicos para prever preços de segurança. No entanto, como os modelos autoregressivos baseiam suas previsões apenas em informações passadas, eles assumem implicitamente 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 um setor estivesse passando por uma transformação tecnológica rápida e sem precedentes.

No entanto, os comerciantes continuam refinando o uso de modelos autoregressivos para fins de previsão. Um ótimo exemplo é a Média Móvel Integrada Autoregressiva (ARIMA), um sofisticado modelo autoregressivo que pode levar em consideração tendências, ciclos, sazonalidade, erros e outros tipos de dados não estáticos ao fazer previsões.

Abordagens Analíticas

Embora os modelos autoregressivos estejam associados à análise técnica, eles também podem ser combinados com outras abordagens de investimento. Por exemplo, os investidores podem usar análises fundamentais para identificar uma oportunidade atraente e, em seguida, usar análises técnicas para identificar pontos de entrada e saída.

Exemplo do mundo real de um modelo autoregressivo

Modelos autoregressivos são baseados no pressuposto de que valores passados ​​afetam os valores atuais. Por exemplo, um investidor que usa um modelo autoregressivo para prever os preços das ações precisaria assumir que novos compradores e vendedores dessas ações são influenciados por transações recentes do mercado ao decidir quanto oferecer ou aceitar pelo título.

Embora essa suposição se mantenha na maioria das circunstâncias, nem sempre é esse o caso. Por exemplo, nos anos anteriores à crise financeira de 2008, a maioria dos investidores não estava ciente dos riscos apresentados pelas grandes carteiras de títulos lastreados em hipotecas mantidas por muitas empresas financeiras. Durante esses tempos, um investidor que usasse um modelo autoregressivo para prever o desempenho das ações financeiras dos EUA teria bons motivos para prever uma tendência contínua de preços estáveis ​​ou crescentes das ações naquele setor.

No entanto, uma vez que se tornou público o conhecimento de que muitas instituições financeiras corriam risco de colapso iminente, os investidores repentinamente ficaram menos preocupados com os preços recentes dessas ações e muito mais preocupados com a exposição a risco subjacente. Portanto, o mercado rapidamente revalorizou as ações financeiras para um nível muito mais baixo, um movimento que teria confundido completamente um modelo autorregressivo.

É importante observar que, em um modelo autoregressivo, um choque único afetará os valores das variáveis ​​calculadas infinitamente no futuro. Portanto, o legado da crise financeira permanece nos modelos autorregressivos de hoje.

Compare contas de investimento Nome do provedor Descrição Divulgação do anunciante × As ofertas que aparecem nesta tabela são de parcerias das quais a Investopedia recebe remuneração.

Termos relacionados

Média Móvel Integrada Autoregressiva (ARIMA) Uma média móvel integrada autoregressiva é um modelo de análise estatística que utiliza dados de séries temporais para prever tendências futuras. mais Definição do modelo Box-Jenkins O modelo Box-Jenkins é um modelo matemático projetado para prever dados de uma série temporal especificada. mais Como funciona a suavização de dados A suavização de dados é feita usando um algoritmo para remover o ruído de um conjunto de dados. Isso permite que padrões importantes se destaquem. A suavização de dados pode ser usada para ajudar a prever tendências, como as encontradas nos preços dos títulos. mais Como funciona o método de critério dos mínimos quadrados O critério dos mínimos quadrados é um método de medir a precisão de uma linha na descrição dos dados que foram usados ​​para gerá-la. Ou seja, a fórmula determina a linha de melhor ajuste. mais R-quadrado R-quadrado é uma medida estatística que representa a proporção da variação de uma variável dependente que é explicada por uma variável independente. mais Como funciona a regressão linear múltipla A regressão linear múltipla (MLR) é uma técnica estatística que usa várias variáveis ​​explicativas para prever o resultado de uma variável de resposta. mais Links de parceiros