自回归模型_Autoregressive

统计模型被称为自回归模型（autoregressive model），因其根据过去的数值预测未来的数值。例如，一个自回归模型可能会试图根据某只股票的历史表现预测其未来价格。

理解自回归模型

自回归模型的运作基础是过去的数值会影响当前的数值，这使得该统计技术在分析自然现象、经济学以及其他随时间变化的过程时颇受欢迎。多重回归模型使用预测变量的线性组合来预测一个变量，而自回归模型则利用该变量的过去值组合。

AR(1)自回归过程是指当前值基于直接之前的值，而AR(2)过程是指当前值基于前两个值。AR(0)过程用于白噪声，且各项之间没有依赖关系。除了这些变体，还有许多不同的方法可以用来计算在这些计算中使用的系数，如最小二乘法。

技术分析师使用这些概念和技术来预测证券价格。然而，由于自回归模型仅基于过去信息进行预测，它们隐含假设影响过去价格的基本力量不会随时间改变。如果相关的潜在力量实际上正在变化，比如某个行业正经历快速且前所未有的技术变革，这可能导致出人意料且不准确的预测。

然而，交易者们仍在不断完善自回归模型的预测应用。一个很好的例子是自回归积分滑动平均（ARIMA）模型，这是一种复杂的自回归模型，在进行预测时可以考虑趋势、周期、季节性、误差以及其他非静态类型的数据。

**重要提示：**尽管自回归模型与技术分析有关，但它们也可以与其他投资方法结合使用。例如，投资者可以使用基本面分析识别吸引人的机会，然后运用技术分析来确定进出场时机。

自回归模型基于过去的数值影响当前数值的假设。例如，使用自回归模型预测股价的投资者需要假设，近期市场交易将影响该股票的新买家和卖家在决定报价时的行为。

虽然这一假设在大多数情况下成立，但并非总是如此。例如，在2008年金融危机之前的几年中，大多数投资者并未意识到许多金融公司持有的大量次级抵押贷款证券组合所带来的风险。在那些时期，使用自回归模型预测美国金融股表现的投资者可能会合理地预测该领域股票价格将持续稳定或上升的趋势。

然而，随着许多金融机构面临迫在眉睫的倒闭风险的消息传出，投资者突然对这些股票的近期价格关注度下降，而更关心它们的基本风险敞口。因此，市场迅速将金融股重新估值至更低的水平，这一变动令自回归模型大为困惑。

需要注意的是，在自回归模型中，单次冲击将无限期影响计算变量的值。因此，金融危机的遗产在今天的自回归模型中仍然存在。

自回归模型受到欢迎，因为它们能够帮助预测未来证券价格，从而辅助投资和交易决策。

自回归模型假设未来值将类似于过往模式，使其在稳定条件下有效。

是的，尤其在市场波动剧烈或快速变化时期，它们可能不准确，因为历史数据可能无法准确预测未来趋势。

自回归模型旨在根据过去的数据预测未来的值，因此在技术分析中对于证券价格的预测至关重要。通过假设未来模式将反映过去趋势，这些模型为市场预测提供了有价值的见解。然而，在如金融危机或快速技术变革等波动条件下，其准确性可能受到限制，历史模式可能不再成立。