BIST 100
Regresyon modelindeki hata terimlerinin birbiriyle ilişkili olması durumudur. Otokorelasyon, klasik lineer regresyon modelinden bir sapmayı gösterir.
Veri odaklı stratejik kararlar almak yatırımcılar için çok önemlidir. Karar alma sürecinde duygu ve önyargıya yer vermemek rasyonel, objektif ve bilgiye dayalı seçimler sağlar. Değişken finansal piyasaların öngörülemezliği piyasa söylentileri ve içgüdülerle daha da bulanıklaşır. Bunun yerine nesnel eğilimler, kalıplar ve istatistiksel analizlere dayalı verilen kararlar optimizasyon sağlar. Yatırımcının geçmiş verileri, teknik göstergeleri ve diğer ölçümleri analiz ederek fırsatları belirlemesi, riskleri yönetmesi açısından önemlidir. Bu yazımızda teknik analizde önemli rol oynayan otokorelasyon nedir sorusunu yanıtlayacak, hesaplamasını ve yorumlamasını detaylarıyla inceleyeceğiz.
Otokorelasyon, bir veri serisinin kendi geçmiş değerleriyle olan ilişkisinin ölçülmesi anlamına gelir. Belirli bir zaman serisi ile ardışık zaman aralıklarında aynı veri serisinin benzerlik derecesini matematiksel olarak temsil eder. Kavramsal olarak iki farklı zaman serisi arasındaki korelasyona benzese de otokorelasyon, aynı zaman serisini bir kez orijinal ve bir kez de farklı zaman periyodunda olmak üzere iki kez kullanır. Bunu şöyle açıklamak mümkün: Bugün yağmur yağıyorsa veriler, yarın yağmur yağma olasılığının bugün hava açıksa olduğundan daha yüksek olduğunu gösterir.
Otokorelasyon hesaplama için aynı değişkenin zaman içinde oluşturduğu bir serinin ölçümünün yapılması gerekir. Hesaplamada, zaman değişkeni olarak bir y serisi ele alınır. Bu serinin ilgili zaman dilimindeki ölçümlere ait olduğunu göstermek için y(t) kullanılır. Otoregresif modelde zaman serisindeki bir değerin, aynı zaman serisindeki önceki değerlere göre regresyonu alınır. Formülü:
Formül sayesinde önceki zaman periyotlarındaki yanıt değişkeni tahmin edilebilir bir hale dönüştürülür. Otoregresyonun sırası, serideki hemen önceki değerlerin sayısıdır ve şimdiki değeri tahmin etmek için kullanılır. Dolayısıyla önceki model birinci dereceden bir otoregresyondur ve AR(1) olarak yazılır. Örneğin bu yılın küresel sıcaklık ölçümleri yt olursa önceki yıllardaki ölçümler (yt−1,yt−2) olacaktır. Önceki yıllardaki ölçümleri tahmin etmek istiyorsanız bunu yapmak için otoregresif modeli şöyle kullanabilirsiniz:
Bu model, t zamanındaki değer t−1 ve t−2 zamanlarındaki değerlerden tahmin edildiğinden, AR(2) olarak yazılan ikinci dereceden bir otoregresyondur. Daha genel olarak, AR(k) olarak yazılan k'inci dereceden bir otoregresyon, serinin herhangi bir t zamanındaki değerinin t−1,t−2,…,t−k zamanlarındaki değerlerin (doğrusal) bir fonksiyonu olduğu çoklu doğrusal regresyondur.
Bir zaman serisindeki iki değer arasındaki korelasyon katsayısına otokorelasyon fonksiyonu (ACF) denir. Örneğin yt zaman serisi için ACF şu şekilde verilir:
Bu k değeri, dikkate alınan zaman aralığıdır ve “Gecikme” olarak adlandırılır. 1 gecikmeli otokorelasyon (yani, yukarıdakilerde k = 1), bir zaman periyodu ayrı olan değerler arasındaki korelasyondur. Daha genel olarak, k gecikmeli otokorelasyon, k zaman periyodu ayrı olan değerler arasındaki korelasyondur.
ACF, t zamanındaki bir gözlem ile önceki zamanlardaki gözlemler arasındaki doğrusal ilişkiyi ölçmenin bir yoludur. Bir AR(k) modeli varsayarsak, o zaman yalnızca yt ile yt−k arasındaki ilişkiyi ölçmek ve aralarında bulunan rastgele değişkenlerin doğrusal etkisini (yani, yt−1,yt−2,…,yt−(k−1)) filtrelemek isteyebiliriz. Bu da zaman serisinde bir dönüşüm gerektirir. Daha sonra dönüştürülmüş zaman serisi otokorelasyon hesabını kısmi fonksiyon olarak (PACF) elde etmek mümkündür.
Finansal analizde otokorelasyon hisse senedi fiyat hareketleri, döviz kurları ve diğer finansal zaman serilerinde trend analizi yapmak ve gelecekteki hareketleri tahmin etmek için kullanılır. Bir zaman serisinin ve zaman içindeki gecikmeli versiyonunun korelasyonu geçmiş fiyat hareketlerinin incelenmesi ve gelecektekilerin tahmini açısından oldukça yararlı bir araçtır. Otokorelasyonun işleyişini aşağıdaki adımlardan görebilirsiniz:
Her günün kapanış fiyatlarının kaydedildiği bir hisse senedi fiyat zaman serisi varsayalım. Bu bağlamda otokorelasyon, belirli bir gündeki kapanış fiyatı ile önceki veya gelecekteki günlerdeki kapanış fiyatları arasındaki ilişkiyi ölçer. Ölçümlerde iki ayrı gözlem karşınıza çıkacaktır: Pozitif ve negatif otokorelasyon.
Bugünkü kapanış fiyatı önceki günün kapanış fiyatı ile pozitif korelasyon gösteren hisse senedinin analizi pozitif otokorelasyon nedir sorusunun yanıtıdır. Pozitif otokorelasyon, bir zaman aralığında değişkendeki artışın, takip eden aralıkta da benzer şekilde oluşmasıyla görülür. Başka bir deyişle, ortalamanın üzerinde olan değere sahip hissenin sonraki değerinin de ortalama üzerinde olma olasılığı yüksektir. Hissenin değeri ortalamanın altındaysa bir sonraki değerin de ortalamanın altında olma olasılığı yüksektir. Bu kalıp değişkenin zaman içinde momentum veya kalıcılık gösterdiğini ifade eder.
Negatif otokorelasyon nedir sorusunun yanıtı da tam tersi bir hareketi ifade eder. Yani belirli zaman aralığında bir değişkendeki artışın ardından sonraki aralıkta bir azalma olması ve bunun tersinin olması durumunda meydana gelir. Bu durumda bir değer ortalamanın üzerindeyse bir sonraki değerin ortalamanın altında olma olasılığı yüksektir. Eğer bir değer ortalamanın altındaysa bir sonraki değerin ortalamanın üzerinde olma olasılığı yüksektir. Model, değişkenin ortalamaya geri dönme eğilimi gösterdiğini ve zaman içinde bir tür salınım veya dönüşüm sinyalidir.
Otokorelasyon avantajları şöyle listelenebilir:
Otokorelasyonun dezavantajları ise şu şekilde listelenebilir:
Otokorelasyon, finans, ekonomi, meteoroloji ve mühendislik gibi çeşitli alanlarda kullanılan bir analiz yöntemidir. Finans ve teknik analiz haricinde, kullanım alanlarına göre otokorelasyon örnekleri aşağıdaki şekilde listelenebilir:
Otokorelasyonun alanlarını ve biçimlerini anlayarak zamana bağlı verileri etkin bir şekilde analiz edebilir, daha doğru tahminler yapabilir ve bilinçli kararlar alabilirsiniz.
© 2023 Gedik Yatırım Menkul Değerler AŞ. Tüm Hakları Saklıdır.