Autokorelasi merujuk kepada tahap korelasi pemboleh ubah yang sama antara dua selang waktu berturut-turut. Ini mengukur bagaimana versi ketinggian dari pemboleh ubah berkaitan dengan versi asalnya dalam siri masa.
Autokorelasi, sebagai konsep statistik, juga dikenal sebagai korelasi bersiri. Ia sering digunakan dengan model autoregressive-moving-moving-average (ARMA) dan autoregressive-integrated-moving-average model (ARIMA). Analisis autokorelasi membantu mencari corak berkala yang berulang, yang dapat digunakan sebagai alat analisis teknikal di pasar modal Pasar Modal Pasar modal adalah sistem pertukaran yang memindahkan modal dari pelabur yang saat ini tidak memerlukan dana mereka kepada individu dan.
Ringkasan
- Autokorelasi, juga dikenal sebagai korelasi bersiri, merujuk kepada tahap korelasi pemboleh ubah yang sama antara dua selang waktu berturut-turut.
- Nilai autokorelasi berkisar antara -1 hingga 1. Nilai antara -1 dan 0 mewakili autokorelasi negatif. Nilai antara 0 dan 1 mewakili autokorelasi positif.
- Autokorelasi memberikan maklumat mengenai kecenderungan sekumpulan data sejarah, sehingga dapat berguna dalam analisis teknikal untuk pasaran ekuiti.
Bagaimana ia berfungsi
Dalam banyak kes, nilai pemboleh ubah pada satu titik waktu berkaitan dengan nilai pada suatu titik waktu sebelumnya. Analisis autokorelasi mengukur hubungan pemerhatian antara titik-titik masa yang berlainan, dan dengan demikian mencari corak atau trend sepanjang siri masa. Sebagai contoh, suhu pada hari yang berbeza dalam sebulan secara automatik berkorelasi.
Sama dengan korelasi Korelasi Korelasi adalah ukuran statistik hubungan antara dua pemboleh ubah. Ukuran paling baik digunakan dalam pemboleh ubah yang menunjukkan hubungan linear antara satu sama lain. Kesesuaian data dapat ditunjukkan secara visual dalam petak penyebaran. , autokorelasi boleh menjadi positif atau negatif. Ia berkisar antara -1 (autokorelasi negatif sepenuhnya) hingga 1 (autokorelasi positif sangat baik). Autokorelasi positif bermaksud bahawa peningkatan yang diperhatikan dalam selang waktu membawa kepada peningkatan yang proporsional dalam selang waktu yang tertinggal.
Contoh suhu yang dibincangkan di atas menunjukkan autokorelasi positif. Suhu pada keesokan harinya cenderung meningkat ketika ia meningkat dan cenderung turun ketika menurun pada hari-hari sebelumnya.
Pemerhatian dengan autokorelasi positif dapat digambarkan menjadi lekuk halus. Dengan menambahkan garis regresi, dapat diperhatikan bahawa kesalahan positif diikuti oleh positif lain, dan kesalahan negatif diikuti oleh kesalahan negatif yang lain.
Sebaliknya, autokorelasi negatif menunjukkan bahawa peningkatan yang diperhatikan dalam selang waktu menyebabkan penurunan yang proporsional dalam selang waktu yang tertinggal. Dengan memplot pemerhatian dengan garis regresi, ini menunjukkan bahawa kesalahan positif akan diikuti dengan yang negatif dan sebaliknya.
Autokorelasi dapat diterapkan pada jurang masa yang berlainan, yang dikenali sebagai lag. Autokorelasi lag 1 mengukur korelasi antara pemerhatian yang jaraknya satu kali. Sebagai contoh, untuk mengetahui hubungan antara suhu satu hari dengan hari yang sesuai pada bulan berikutnya, perlu dilakukan autokorelasi lag 30 (dengan anggapan 30 hari pada bulan tersebut).
Uji Autokorelasi
Statistik Durbin-Watson biasanya digunakan untuk menguji autokorelasi. Ini dapat diterapkan pada set data oleh perisian statistik. Hasil ujian Durbin-Watson berkisar antara 0 hingga 4. Hasil hampir 2 bermaksud tahap autokorelasi yang sangat rendah. Hasil yang mendekati 0 menunjukkan autokorelasi positif yang lebih kuat, dan hasil yang mendekati 4 menunjukkan autokorelasi negatif yang lebih kuat.
Perlu menguji autokorelasi ketika menganalisis sekumpulan data sejarah. Sebagai contoh, dalam pasaran ekuiti, harga saham dalam satu hari dapat sangat berkaitan dengan harga pada hari yang lain. Walau bagaimanapun, ia memberikan sedikit maklumat untuk analisis data statistik dan tidak memberitahu prestasi sebenar stok.
Oleh itu, adalah perlu untuk menguji autokorelasi harga sejarah untuk mengenal pasti sejauh mana perubahan harga hanyalah corak atau disebabkan oleh faktor lain. Dalam kewangan, cara biasa untuk menghilangkan kesan autokorelasi adalah dengan menggunakan peratusan perubahan harga aset dan bukannya harga bersejarah.
Autokorelasi dan Analisis Teknikal
Walaupun autokorelasi harus dielakkan agar dapat menerapkan analisis data lebih jauh dengan lebih tepat, ia tetap berguna dalam analisis teknikal Analisis Teknikal - Panduan Pemula Analisis teknikal adalah bentuk penilaian pelaburan yang menganalisis harga masa lalu untuk meramalkan tindakan harga masa depan. Penganalisis teknikal percaya bahawa tindakan kolektif semua peserta di pasaran dengan tepat menggambarkan semua maklumat yang relevan, dan oleh itu, secara berterusan memberikan nilai pasaran yang adil kepada sekuriti. , kerana mencari corak dari data sejarah. Analisis autokorelasi dapat diterapkan bersama dengan analisis faktor momentum.
Penganalisis teknikal dapat mengetahui bagaimana harga saham pada hari tertentu dipengaruhi oleh harga hari sebelumnya melalui autokorelasi. Oleh itu, dia dapat menganggarkan bagaimana harganya akan bergerak di masa depan.
Sekiranya harga saham dengan autokorelasi positif yang kuat telah meningkat selama beberapa hari, penganalisis dapat dengan tepat menganggarkan harga masa depan akan terus bergerak naik dalam beberapa hari terakhir. Penganalisis mungkin membeli dan menahan stok untuk jangka masa pendek untuk mendapat keuntungan dari pergerakan harga yang naik.
Analisis autokorelasi hanya memberikan maklumat mengenai tren jangka pendek dan tidak banyak menceritakan asas-asas syarikat. Oleh itu, hanya dapat diterapkan untuk mendukung perdagangan dengan jangka pendek.
Bacaan Berkaitan
Kewangan menawarkan perakuan Certified Banking & Credit Analyst (CBCA) ™ CBCA ™ The Certified Banking & Credit Analyst (CBCA) ™ akreditasi adalah standard global untuk penganalisis kredit yang merangkumi kewangan, perakaunan, analisis kredit, analisis aliran tunai, pemodelan perjanjian, pinjaman pembayaran balik, dan lain-lain. program pensijilan bagi mereka yang ingin mengambil kerjaya ke peringkat seterusnya. Untuk terus belajar dan memajukan kerjaya anda, sumber berikut akan sangat berguna:
- Model Struktur Istilah Bebas Arbitrage Model Struktur Istilah Bebas Arbitrage Model Struktur Istilah Bebas Arbitrage (juga dikenali sebagai Model Tanpa Arbitraj) digunakan untuk menghasilkan proses menjana kadar stokastik yang sebenarnya dengan
- Analisis Regresi Analisis Regresi Analisis regresi adalah satu set kaedah statistik yang digunakan untuk pengiraan hubungan antara pemboleh ubah bersandar dan satu atau lebih pemboleh ubah bebas. Ia dapat digunakan untuk menilai kekuatan hubungan antara pemboleh ubah dan untuk memodelkan hubungan masa depan di antara mereka.
- Purata Pergerakan Sederhana Purata Pergerakan Sederhana (SMA) Purata Pergerakan Sederhana (SMA) merujuk kepada harga tutup purata saham dalam jangka masa yang ditentukan. Sebab rata-rata disebut "bergerak" adalah bahawa stok
- Analisis Teknikal - Analisis Teknikal Panduan Pemula - Panduan Pemula Analisis teknikal adalah bentuk penilaian pelaburan yang menganalisis harga masa lalu untuk meramalkan tindakan harga masa depan. Penganalisis teknikal percaya bahawa tindakan kolektif semua peserta di pasaran dengan tepat menggambarkan semua maklumat yang relevan, dan oleh itu, secara berterusan memberikan nilai pasaran yang adil kepada sekuriti.
