Autokorrelation

Wichtige Erkenntnisse

• Autokorrelation misst die Beziehung zwischen einer Zeitreihe und ihren vergangenen Werten, was Einblicke in die Vorhersagbarkeit zukünftiger Bewegungen auf Basis historischer Daten geben kann.
• An den Finanzmärkten kann Autokorrelation Händlern helfen festzustellen, ob eine Momentum-Strategie sinnvoll ist, indem bewertet wird, ob vergangene Renditen zukünftige Renditen beeinflussen.
• Der Durbin-Watson-Test ist eine gängige Methode zur Erkennung von Autokorrelation in der Regressionsanalyse, wobei die Ergebnisse anzeigen, ob eine positive oder negative Autokorrelation vorliegt.
• Autokorrelation ist ein entscheidendes Konzept für die technische Analyse, das Analysten ermöglicht zu verstehen, wie vergangene Preise zukünftige Wertpapierpreise beeinflussen und Trends zu identifizieren.
• Obwohl Autokorrelation bei der Vorhersage zukünftiger Preisbewegungen hilft, ist sie am effektivsten, wenn sie zusammen mit anderen statistischen Analysewerkzeugen verwendet wird.
• Erhalten Sie personalisierte, KI-gestützte Antworten, die auf über 27 Jahren vertrauenswürdiger Expertise basieren.
• Investopedia / Jiaqi Zhou

Wie Autokorrelation in der Zeitreihenanalyse funktioniert

Autokorrelation, auch als verzögerte oder serielle Korrelation bekannt, misst die Beziehung einer Variablen zu ihren vergangenen Werten. Für ein einfaches Beispiel vergleichen Sie fünf Prozentwerte mit denen in der rechten Spalte, die um eine Zeile nach oben verschoben sind.

Bei der Berechnung der Autokorrelation kann das Ergebnis zwischen -1 und +1 liegen.

Eine Autokorrelation von +1 zeigt eine perfekte positive Korrelation an, was bedeutet, dass ein Anstieg in einer Serie zu einem ähnlichen Anstieg in einer anderen führt.

Umgekehrt bedeutet eine Autokorrelation von -1 eine perfekte negative Korrelation, bei der ein Anstieg in einer Serie einen ähnlichen Rückgang in einer anderen zur Folge hat.

Autokorrelation misst lineare Beziehungen, aber eine geringe Autokorrelation kann dennoch auf nichtlineare Beziehungen zwischen einer Serie und ihrer verzögerten Version hinweisen.

Methoden zum Testen auf Autokorrelation in Daten

Der Durbin-Watson-Test ist die beliebteste Methode zur Identifizierung von Autokorrelation in der Regressionsanalyse.

Der Durbin-Watson-Test liefert stets eine Testzahl im Bereich von 0 bis 4. Werte nahe 0 zeigen eine starke positive Korrelation, Werte nahe 4 eine starke negative Korrelation und mittlere Werte deuten auf eine schwache Korrelation hin.

Unterscheidung zwischen Korrelation und Autokorrelation

Korrelation misst die Beziehung zwischen zwei Variablen, während Autokorrelation die Beziehung einer Variablen zu verzögerten Werten ihrer selbst misst.

Warum ist Autokorrelation an den Finanzmärkten wichtig? Ganz einfach. Autokorrelation kann verwendet werden, um historische Preisbewegungen gründlich zu analysieren, die Anleger dann zur Vorhersage zukünftiger Preisbewegungen nutzen können. Insbesondere kann Autokorrelation verwendet werden, um zu bestimmen, ob eine Momentum-Strategie sinnvoll ist.

Verwendung der Autokorrelation für die technische Analyse

Autokorrelation kann für die technische Analyse nützlich sein. Das liegt daran, dass sich die technische Analyse hauptsächlich mit den Trends und Beziehungen zwischen Wertpapierpreisen unter Verwendung von Charttechniken befasst. Dies steht im Gegensatz zur Fundamentalanalyse, die sich stattdessen auf die finanzielle Gesundheit oder das Management eines Unternehmens konzentriert.

Technische Analysten können Autokorrelation nutzen, um herauszufinden, wie stark vergangene Preise eines Wertpapiers dessen zukünftigen Preis beeinflussen.

Autokorrelation kann helfen festzustellen, ob bei einer bestimmten Aktie ein Momentum-Faktor im Spiel ist. Wenn eine Aktie mit einer hohen positiven Autokorrelation zwei Tage in Folge große Gewinne verzeichnet, könnte man beispielsweise vernünftigerweise erwarten, dass die Aktie auch in den nächsten beiden Tagen steigt.

Praktisches Beispiel: Anwendung der Autokorrelation auf Aktien

Nehmen wir an, Rain möchte feststellen, ob die Renditen einer Aktie in ihrem Portfolio Autokorrelation aufweisen; das heißt, ob die Renditen der Aktie mit ihren Renditen aus früheren Handelssitzungen zusammenhängen.

Wenn die Renditen Autokorrelation aufweisen, könnte Rain sie als Momentum-Aktie charakterisieren, da vergangene Renditen zukünftige Renditen zu beeinflussen scheinen. Rain führt eine Regression mit der Rendite der vorherigen Handelssitzung als unabhängige Variable und der aktuellen Rendite als abhängige Variable durch. Sie stellt fest, dass die Renditen einen Tag zuvor eine positive Autokorrelation von 0,8 aufweisen.

Da 0,8 nahe an +1 liegt, scheinen vergangene Renditen ein sehr guter positiver Prädiktor für zukünftige Renditen dieser bestimmten Aktie zu sein.

Daher kann Rain ihr Portfolio anpassen, um die Autokorrelation oder das Momentum zu nutzen, indem sie ihre Position hält oder weitere Aktien ansammelt.

Was ist der Unterschied zwischen Autokorrelation und Multikollinearität?

Autokorrelation ist der Grad der Korrelation der Werte einer Variablen im Zeitverlauf. Multikollinearität tritt auf, wenn unabhängige Variablen korreliert sind und eine aus der anderen vorhergesagt werden kann. Ein Beispiel für Autokorrelation ist die Messung des Wetters für eine Stadt am 1. Juni und des Wetters für dieselbe Stadt am 5. Juni. Multikollinearität misst die Korrelation von zwei unabhängigen Variablen, wie z. B. der Größe und des Gewichts einer Person.

Warum ist Autokorrelation problematisch?

Die meisten statistischen Tests setzen die Unabhängigkeit der Beobachtungen voraus. Mit anderen Worten, das Eintreten eines Ereignisses sagt nichts über das Eintreten des anderen aus. Autokorrelation ist für die meisten statistischen Tests problematisch, da sie sich auf die mangelnde Unabhängigkeit zwischen Werten bezieht.

Wofür wird Autokorrelation verwendet?

Autokorrelation kann in vielen Disziplinen eingesetzt werden, wird aber häufig in der technischen Analyse verwendet. Technische Analysten bewerten Wertpapiere, um Trends zu identifizieren und Vorhersagen über ihre zukünftige Wertentwicklung auf der Grundlage dieser Trends zu treffen.