¿Qué significa autorregresivo?
Un modelo estadístico es autorregresivo si predice valores futuros basados en valores pasados. Por ejemplo, un modelo autorregresivo podría tratar de predecir los precios futuros de una acción en función de su rendimiento anterior.
Para llevar clave
- Los modelos autorregresivos predicen valores futuros basados en valores pasados. Son ampliamente utilizados en el análisis técnico para pronosticar los precios de seguridad futuros. Los modelos autorregresivos suponen implícitamente que el futuro se parecerá al pasado. Por lo tanto, pueden resultar inexactos en ciertas condiciones del mercado, como crisis financieras o períodos de rápido cambio tecnológico.
Comprender los modelos autorregresivos
Los modelos autorregresivos operan bajo la premisa de que los valores pasados tienen un efecto sobre los valores actuales, lo que hace que la técnica estadística sea popular para analizar la naturaleza, la economía y otros procesos que varían con el tiempo. Los modelos de regresión múltiple pronostican una variable usando una combinación lineal de predictores, mientras que los modelos autorregresivos usan una combinación de valores pasados de la variable.
Un proceso autorregresivo AR (1) es aquel en el que el valor actual se basa en el valor inmediatamente anterior, mientras que un proceso AR (2) es uno en el que el valor actual se basa en los dos valores anteriores. Se utiliza un proceso AR (0) para el ruido blanco y no tiene dependencia entre los términos. Además de estas variaciones, también hay muchas formas diferentes de calcular los coeficientes utilizados en estos cálculos, como el método de mínimos cuadrados.
Los analistas técnicos utilizan estos conceptos y técnicas para pronosticar los precios de seguridad. Sin embargo, dado que los modelos autorregresivos basan sus predicciones solo en información pasada, suponen implícitamente que las fuerzas fundamentales que influyeron en los precios pasados no cambiarán con el tiempo. Esto puede conducir a predicciones sorprendentes e inexactas si las fuerzas subyacentes en cuestión están cambiando de hecho, como si una industria está experimentando una transformación tecnológica rápida y sin precedentes.
Sin embargo, los comerciantes continúan refinando el uso de modelos autorregresivos para fines de pronóstico. Un gran ejemplo es el promedio móvil integrado autorregresivo (ARIMA), un modelo sofisticado autorregresivo que puede tener en cuenta tendencias, ciclos, estacionalidad, errores y otros tipos de datos no estáticos al hacer pronósticos.
Enfoques analíticos
Aunque los modelos autorregresivos están asociados con el análisis técnico, también se pueden combinar con otros enfoques de inversión. Por ejemplo, los inversores pueden usar el análisis fundamental para identificar una oportunidad convincente y luego usar el análisis técnico para identificar los puntos de entrada y salida.
Ejemplo del mundo real de un modelo autorregresivo
Los modelos autorregresivos se basan en el supuesto de que los valores pasados tienen un efecto sobre los valores actuales. Por ejemplo, un inversor que utiliza un modelo autorregresivo para pronosticar los precios de las acciones necesitaría suponer que los nuevos compradores y vendedores de esas acciones están influenciados por las transacciones recientes del mercado al decidir cuánto ofrecer o aceptar por la seguridad.
Aunque esta suposición se mantendrá en la mayoría de las circunstancias, este no es siempre el caso. Por ejemplo, en los años previos a la crisis financiera de 2008, la mayoría de los inversores no eran conscientes de los riesgos que representaban las grandes carteras de valores respaldados por hipotecas en poder de muchas empresas financieras. Durante esos tiempos, un inversor que usara un modelo autorregresivo para predecir el rendimiento de las acciones financieras de los Estados Unidos habría tenido buenas razones para predecir una tendencia continua de precios de acciones estables o en aumento en ese sector.
Sin embargo, una vez que se hizo público el conocimiento de que muchas instituciones financieras estaban en riesgo de un colapso inminente, los inversores de repente se preocuparon menos por los precios recientes de estas acciones y mucho más preocupados por su exposición al riesgo subyacente. Por lo tanto, el mercado revalorizó rápidamente las acciones financieras a un nivel mucho más bajo, un movimiento que habría confundido por completo un modelo autorregresivo.
Es importante tener en cuenta que, en un modelo autorregresivo, una descarga única afectará los valores de las variables calculadas infinitamente en el futuro. Por lo tanto, el legado de la crisis financiera sigue vivo en los modelos autorregresivos de hoy.
