• forextimes
  • trader@forextimes.ru
  • +48 506-586-281
  • +375 29 91-045-91
|

autoregression / авторегрессия

Авторегрессия (аutoregression) – это статистический метод определения потенциальной потери капитала или его дохода. В данном способе для предположения последующих значений используются предыдущие значения временных рядов.

Прогнозы, сделанные по методам авторегрессии, считаются одними из наиболее точных статистических прогнозов, именно поэтому они нашли широкое распространение, включая рынок Форекс. Это объясняется тем, что моделями авторегрессии великолепно описывается большое количество самых разных экономических показателей.

Метод авторегрессии работает четко, однако трейдер должен учитывать некоторые тонкости. Одна из них указывает на то, что любая модель прогнозирования обладает высокими шансами на точный прогноз лишь в случае совпадения распределения исходного ряда с распределением прогнозного ряда. На таком принципе строятся самые эффективные подходы к осуществлению идентификации модели. Однако на практике распределение исходного ряда значительно отличается от распределения ВР.

По большому счету формулу автокорреляционной функции, которая применяется в авторегрессивных моделях, использовать нельзя – она применима исключительно к стационарным рядам (см. рис. 1). Кроме этого, ее крайне сложно получить, а математическое ожидание, которое используется при расчете АКФ найти попросту невозможно. Существует огромное количество различных хитростей и тонкостей, когда суперпозицию аналитических функций называют «моделью локального процесса» – на ее основании получают достаточно сомнительную оценку автокорреляционной функции.

 

авторегрессия

(рис. 1 – авторегрессивная модель энного порядка)

где сигма – это случайная величина, Х – вектор имеющихся отсчётов первых разностей прогнозируемого ВР, а Y(i)- коэффициенты авторегрессии, на вид которых имеются ограничения. Для вычисления коэффициентов авторегрессии необходимо решить систему линейных удобрений энного порядка, состоящую из значений автокорреляционной функции для ряда первых разностей. После нахождения разности Х(i+1) не сложно составить прогноз для исходного ВР, а именно: Y(i+1)=Y(i)+X(i+1).

comments powered by HyperComments