ఆటోరెగ్రెసివ్ అంటే ఏమిటి?
గత విలువల ఆధారంగా భవిష్యత్ విలువలను అంచనా వేస్తే గణాంక నమూనా స్వయంప్రతిపత్తి. ఉదాహరణకు, ఒక ఆటోరెగ్రెసివ్ మోడల్ దాని గత పనితీరు ఆధారంగా స్టాక్ యొక్క భవిష్యత్తు ధరలను అంచనా వేయడానికి ప్రయత్నించవచ్చు.
కీ టేకావేస్
- ఆటోరెగ్రెసివ్ మోడల్స్ గత విలువల ఆధారంగా భవిష్యత్ విలువలను అంచనా వేస్తాయి. భవిష్యత్ భద్రతా ధరలను అంచనా వేయడానికి సాంకేతిక విశ్లేషణలో ఇవి విస్తృతంగా ఉపయోగించబడుతున్నాయి. భవిష్యత్ గతాన్ని పోలి ఉంటుందని ఆటోరెగ్రెసివ్ నమూనాలు సూటిగా ume హిస్తాయి. అందువల్ల, ఆర్థిక సంక్షోభాలు లేదా వేగవంతమైన సాంకేతిక మార్పుల కాలాలు వంటి కొన్ని మార్కెట్ పరిస్థితులలో అవి సరికాదని నిరూపించవచ్చు.
ఆటోరెగ్రెసివ్ మోడళ్లను అర్థం చేసుకోవడం
గత విలువలు ప్రస్తుత విలువలపై ప్రభావం చూపుతాయనే ఆవరణలో ఆటోరెగ్రెసివ్ నమూనాలు పనిచేస్తాయి, ఇది ప్రకృతి, ఆర్థిక శాస్త్రం మరియు కాలక్రమేణా మారుతున్న ఇతర ప్రక్రియలను విశ్లేషించడానికి గణాంక సాంకేతికతను ప్రాచుర్యం పొందింది. బహుళ రిగ్రెషన్ నమూనాలు ప్రిడిక్టర్ల సరళ కలయికను ఉపయోగించి వేరియబుల్‌ను అంచనా వేస్తాయి, అయితే ఆటోరెగ్రెసివ్ మోడల్స్ వేరియబుల్ యొక్క గత విలువల కలయికను ఉపయోగిస్తాయి.
AR (1) ఆటోరెగ్రెసివ్ ప్రాసెస్, దీనిలో ప్రస్తుత విలువ వెంటనే మునుపటి విలువపై ఆధారపడి ఉంటుంది, అయితే AR (2) ప్రాసెస్ ఒకటి, దీనిలో ప్రస్తుత విలువ మునుపటి రెండు విలువలపై ఆధారపడి ఉంటుంది. AR (0) ప్రక్రియ తెలుపు శబ్దం కోసం ఉపయోగించబడుతుంది మరియు నిబంధనల మధ్య ఆధారపడటం లేదు. ఈ వైవిధ్యాలతో పాటు, ఈ గణనలలో ఉపయోగించిన గుణకాలను లెక్కించడానికి అనేక మార్గాలు కూడా ఉన్నాయి, అంటే కనీసం చతురస్రాల పద్ధతి.
భద్రతా ధరలను అంచనా వేయడానికి సాంకేతిక విశ్లేషకులు ఈ భావనలు మరియు పద్ధతులను ఉపయోగిస్తారు. ఏదేమైనా, ఆటోరెగ్రెసివ్ మోడల్స్ వారి అంచనాలను గత సమాచారం మీద మాత్రమే ఆధారపరుస్తాయి కాబట్టి, గత ధరలను ప్రభావితం చేసిన ప్రాథమిక శక్తులు కాలక్రమేణా మారవు అని వారు సూటిగా ume హిస్తారు. ఒక పరిశ్రమ వేగంగా మరియు అపూర్వమైన సాంకేతిక పరివర్తనకు లోనవుతుంటే, వాస్తవానికి అంతర్లీన శక్తులు మారుతున్నట్లయితే ఇది ఆశ్చర్యకరమైన మరియు సరికాని అంచనాలకు దారితీస్తుంది.
ఏదేమైనా, వ్యాపారులు అంచనా ప్రయోజనాల కోసం ఆటోరెగ్రెసివ్ మోడళ్ల వాడకాన్ని మెరుగుపరుస్తూనే ఉన్నారు. ఒక గొప్ప ఉదాహరణ ఆటోరెగ్రెసివ్ ఇంటిగ్రేటెడ్ మూవింగ్ యావరేజ్ (అరిమా), ఇది అధునాతన ఆటోరెగ్రెసివ్ మోడల్, ఇది అంచనాలు చేసేటప్పుడు పోకడలు, చక్రాలు, కాలానుగుణత, లోపాలు మరియు ఇతర స్టాటిక్ కాని డేటాను పరిగణనలోకి తీసుకోవచ్చు.
విశ్లేషణాత్మక విధానాలు
ఆటోరెగ్రెసివ్ నమూనాలు సాంకేతిక విశ్లేషణతో సంబంధం కలిగి ఉన్నప్పటికీ, వాటిని పెట్టుబడికి ఇతర విధానాలతో కూడా కలపవచ్చు. ఉదాహరణకు, పెట్టుబడిదారులు బలవంతపు అవకాశాన్ని గుర్తించడానికి ప్రాథమిక విశ్లేషణను ఉపయోగించవచ్చు మరియు ఎంట్రీ మరియు ఎగ్జిట్ పాయింట్లను గుర్తించడానికి సాంకేతిక విశ్లేషణను ఉపయోగించవచ్చు.
ఆటోరెగ్రెసివ్ మోడల్ యొక్క వాస్తవ ప్రపంచ ఉదాహరణ
గత విలువలు ప్రస్తుత విలువలపై ప్రభావం చూపుతాయనే on హపై ఆటోరెగ్రెసివ్ నమూనాలు ఆధారపడి ఉంటాయి. ఉదాహరణకు, స్టాక్ ధరలను అంచనా వేయడానికి ఒక ఆటోరెగ్రెసివ్ మోడల్‌ను ఉపయోగించే పెట్టుబడిదారుడు, భద్రత కోసం ఎంత ఆఫర్ చేయాలో లేదా అంగీకరించాలో నిర్ణయించేటప్పుడు ఆ స్టాక్ యొక్క కొత్త కొనుగోలుదారులు మరియు అమ్మకందారులు ఇటీవలి మార్కెట్ లావాదేవీల ద్వారా ప్రభావితమవుతారని అనుకోవాలి.
ఈ umption హ చాలా పరిస్థితులలో ఉన్నప్పటికీ, ఇది ఎల్లప్పుడూ అలా ఉండదు. ఉదాహరణకు, 2008 ఆర్థిక సంక్షోభానికి ముందు సంవత్సరాల్లో, చాలా మంది పెట్టుబడిదారులకు తనఖా-ఆధారిత సెక్యూరిటీల యొక్క పెద్ద దస్త్రాలు అనేక ఆర్థిక సంస్థలు కలిగి ఉన్న నష్టాల గురించి తెలియదు. ఆ సమయంలో, యుఎస్ ఫైనాన్షియల్ స్టాక్స్ యొక్క పనితీరును అంచనా వేయడానికి ఒక ఆటోరెగ్రెసివ్ మోడల్‌ను ఉపయోగించే పెట్టుబడిదారుడు ఆ రంగంలో స్థిరమైన లేదా పెరుగుతున్న స్టాక్ ధరల యొక్క కొనసాగుతున్న ధోరణిని అంచనా వేయడానికి మంచి కారణం ఉండేది.
ఏదేమైనా, అనేక ఆర్థిక సంస్థలు ఆసన్నమైన పతనానికి గురవుతున్నాయని ప్రజలకు తెలియగానే, పెట్టుబడిదారులు అకస్మాత్తుగా ఈ స్టాక్స్ యొక్క ఇటీవలి ధరలపై తక్కువ శ్రద్ధ కనబరిచారు మరియు వాటి అంతర్లీన రిస్క్ ఎక్స్‌పోజర్‌తో చాలా ఆందోళన చెందారు. అందువల్ల, మార్కెట్ వేగంగా ఆర్థిక స్టాక్‌లను చాలా తక్కువ స్థాయికి మదింపు చేసింది, ఈ చర్య స్వయం ప్రతిపత్తి గల నమూనాను పూర్తిగా గందరగోళానికి గురిచేస్తుంది.
ఒక ఆటోరెగ్రెసివ్ మోడల్‌లో, వన్-టైమ్ షాక్ లెక్కించబడిన వేరియబుల్స్ యొక్క విలువలను భవిష్యత్తులో అనంతంగా ప్రభావితం చేస్తుందని గమనించడం ముఖ్యం. అందువల్ల, ఆర్థిక సంక్షోభం యొక్క వారసత్వం నేటి స్వయం ప్రతిపత్తి నమూనాలలో నివసిస్తుంది.
