Autoregresif didefinisikan
Apa Autoregresif didefinisikan?
Model statistik bersifat autoregresif jika memprediksi nilai masa depan berdasarkan nilai masa lalu. Misalnya, model autoregresif mungkin berusaha memprediksi harga saham di masa depan berdasarkan kinerja masa lalunya.
Poin Penting
- Model autoregresif memprediksi nilai masa depan berdasarkan nilai masa lalu.
- Mereka banyak digunakan dalam analisis teknis untuk memperkirakan harga keamanan di masa depan.
- Model autoregressive secara implisit mengasumsikan bahwa masa depan akan menyerupai masa lalu. Oleh karena itu, mereka dapat terbukti tidak akurat dalam kondisi pasar tertentu, seperti krisis keuangan atau periode perubahan teknologi yang cepat.
Memahami Model Autoregressive
Model autoregresif beroperasi di bawah premis bahwa nilai masa lalu berpengaruh pada nilai saat ini, yang membuat teknik statistik populer untuk menganalisis alam, ekonomi, dan proses lain yang bervariasi dari waktu ke waktu. Model regresi berganda meramalkan variabel menggunakan kombinasi linear prediktor, sedangkan model regresi otomatis menggunakan kombinasi nilai variabel di masa lalu.
Proses autoregresif AR (1) adalah proses di mana nilai saat ini didasarkan pada nilai sebelumnya, sedangkan proses AR (2) adalah proses di mana nilai saat ini didasarkan pada dua nilai sebelumnya. Proses AR (0) digunakan untuk metode kuadrat terkecil .
Konsep dan teknik ini digunakan oleh analis teknis untuk memperkirakan harga sekuritas. Namun, karena model autoregresif mendasarkan prediksi mereka hanya pada informasi masa lalu, mereka secara implisit mengasumsikan bahwa kekuatan fundamental yang memengaruhi harga masa lalu tidak akan berubah seiring waktu. Hal ini dapat menyebabkan prediksi yang mengejutkan dan tidak akurat jika kekuatan yang mendasarinya sedang berubah, seperti jika suatu industri sedang mengalami transformasi teknologi yang cepat dan belum pernah terjadi sebelumnya.
Meski demikian, pedagang terus menyempurnakan penggunaan model autoregresif untuk tujuan peramalan. Contoh yang bagus adalah Autoregressive Integrated Moving Average (ARIMA), model autoregressive canggih yang dapat memperhitungkan tren, siklus, musim, kesalahan, dan jenis data non-statis lainnya saat membuat perkiraan.
Pendekatan Analitis
Meskipun model autoregresif dikaitkan dengan analisis teknis, mereka juga dapat dikombinasikan dengan pendekatan lain untuk berinvestasi. Misalnya, investor dapat menggunakan analisis fundamental untuk mengidentifikasi peluang yang menarik dan kemudian menggunakan analisis teknis untuk mengidentifikasi titik masuk dan keluar.
Contoh Dunia Nyata dari Model Autoregressive
Model autoregresif didasarkan pada asumsi bahwa nilai masa lalu berpengaruh pada nilai saat ini. Misalnya, seorang investor yang menggunakan model autoregressive untuk meramalkan harga saham perlu mengasumsikan bahwa pembeli dan penjual baru dari saham tersebut dipengaruhi oleh transaksi pasar baru-baru ini ketika memutuskan berapa banyak yang ditawarkan atau diterima untuk keamanan.
Meskipun asumsi ini akan berlaku di sebagian besar keadaan, tidak selalu demikian. Misalnya, pada tahun-tahun sebelum sekuritas berbasis hipotek yang dimiliki oleh banyak perusahaan keuangan. Pada masa tersebut, investor yang menggunakan model autoregressive untuk memprediksi kinerja saham keuangan AS memiliki alasan yang tepat untuk memprediksi tren stabil atau naiknya harga saham di sektor tersebut yang sedang berlangsung.
Namun, begitu menjadi pengetahuan publik bahwa banyak lembaga keuangan dalam waktu dekat berisiko runtuh, investor tiba-tiba menjadi kurang peduli dengan harga saham-saham ini baru-baru ini dan jauh lebih peduli dengan eksposur risiko yang mendasarinya. Oleh karena itu, pasar dengan cepat menilai kembali saham keuangan ke tingkat yang jauh lebih rendah, suatu langkah yang akan mengacaukan model autoregresif.
Penting untuk dicatat bahwa, dalam model autoregresif, guncangan satu kali akan memengaruhi nilai variabel yang dihitung hingga masa mendatang. Oleh karena itu, warisan krisis keuangan tetap hidup dalam model autoregresif saat ini.