Rahoituslaitokset ja yritykset, samoin kuin yksittäiset sijoittajat ja tutkijat käyttävät usein taloudellisia aikasarjatietoja (kuten omaisuuserien hinnat, valuuttakurssit, BKT, inflaatio ja muut makrotaloudelliset indikaattorit) talousennusteissa, osakemarkkinoiden analyysissä tai itse tietojen tutkimuksessa.
Tietojen tarkentaminen on kuitenkin avainta, jotta niitä voidaan soveltaa osakeanalyysiisi., osoitamme sinulle kuinka eristää tietopisteet, jotka ovat merkityksellisiä osakeraporteillesi.
Esittely kiinteissä ja ei-stationäärisissä prosesseissa
Raakadatan keittäminen
Tietopisteet ovat usein ei-paikallaan olevia, tai niillä on keskiarvoja, variansseja ja kovariansseja, jotka muuttuvat ajan myötä. Ei-paikallaan käyttäytyminen voi olla trendiä, sykliä, satunnaisia kävelyretkiä tai näiden yhdistelmiä.
Ei-paikallinen data on pääsääntöisesti arvaamaton, eikä sitä voida mallintaa tai ennustaa. Ei-stationäärisiä aikasarjoja käyttämällä saadut tulokset voivat olla vääriä siinä mielessä, että ne voivat osoittaa kahden muuttujan välisen suhteen, kun yhtä ei ole. Jotta saadaan johdonmukaisia, luotettavia tuloksia, ei-paikallaan oleva data on muunnettava kiinteäksi dataksi. Toisin kuin ei-paikallaan oleva prosessi, jolla on muuttuva varianssi ja keskiarvo, joka ei pysy lähellä tai palaa pitkän aikavälin keskiarvoon ajan kuluessa, paikallaan oleva prosessi kääntyy jatkuvan pitkän aikavälin keskiarvon ympäri ja sillä on vakiovarianssi riippumaton ajasta.
Kuva 1 - tekijänoikeudet © 2007 Investopedia.com
Epätyypillisten prosessien tyypit
Ennen kuin pääsemme muuttumattomaan taloudellisten aikasarjojen tietoihin, meidän on erotettava epätyypillisten prosessien erityypit. Tämä antaa meille paremman ymmärryksen prosesseista ja antaa meille mahdollisuuden soveltaa oikeaa muutosta. Esimerkkejä ei-paikallaan olevista prosesseista ovat satunnainen kulku ajon kanssa tai ilman (hidas tasainen muutos) ja deterministiset trendit (trendit, jotka ovat vakioita, positiivisia tai negatiivisia, ajasta riippumattomia sarjan koko elämän ajan).
Kuva 2 - tekijänoikeudet © 2007 Investopedia.com
- Puhdas satunnainen kävely (Y t = Y t-1 + ε t) Satunnainen kävely ennustaa, että arvo hetkellä "t" on yhtä suuri kuin viimeisen ajanjakson arvo plus stokastinen (ei-systemaattinen) komponentti, joka on valkoinen kohina, joka tarkoittaa, että t on riippumaton ja jakautunut identtisesti keskiarvon "0" ja varianssin "σ²" kanssa. Satunnaista kävelyä voidaan kutsua myös prosessiksi, joka on integroitu jonkinlaisesta järjestyksestä, prosessiksi yksikköjuurella tai prosessiksi, jolla on stokastinen suuntaus. Se on ei-keskimääräistä palauttava prosessi, joka voi siirtyä pois keskiarvosta joko positiiviseen tai negatiiviseen suuntaan. Toinen ominaisuus satunnaiselle kävelylle on, että varianssi kehittyy ajan myötä ja menee äärettömyyteen, kun aika menee äärettömyyteen; Siksi satunnaista kävelyä ei voida ennustaa. Satunnainen kävely kävelyllä (Y t = α + Y t-1 + ε t) Jos satunnainen kävelymalli ennustaa, että arvo ajankohtana "t" on yhtä suuri kuin viimeisen ajanjakson arvo plus vakio, tai ajo (α) ja a valkoisen kohinan termi (ε t), sitten prosessi on satunnainen kulku ajelemalla. Se ei myöskään palaudu pitkän aikavälin keskiarvoon, ja sen varianssi riippuu ajasta. Deterministinen suuntaus (Y t = α + βt + ε t) Usein satunnainen kävely driftin kanssa sekoitetaan deterministiseen trendiin. Molemmat sisältävät ajelehtimisen ja valkoisen kohinan komponentin, mutta satunnaisen kävelyn tapauksessa ajanhetken "t" arvo regressoidaan viimeisen ajanjakson arvoon (Y t-1), kun taas deterministisen trendin tapauksessa regressoidaan. ajan trendissä (βt). Ei-paikallaan olevalla prosessilla, jolla on deterministinen suuntaus, on keskiarvo, joka kasvaa kiinteän trendin ympärillä, joka on vakio ja ajasta riippumaton. Satunnainen kävely kävelyllä driftin ja deterministisen trendin kanssa (Y t = α + Y t-1 + βt + ε t) Toinen esimerkki on ei-paikallaan oleva prosessi, joka yhdistää satunnaisen kävelyn drift-komponentin (α) ja deterministisen trendin (βt) kanssa.. Se määrittelee arvon ajankohtana "t" viimeisen ajanjakson arvolla, siirtymisellä, trendillä ja stokastisella komponentilla. (Lisätietoja satunnaisista kävelyistä ja trendeistä on taloudellisten käsitteiden oppaassa.)
Trendi ja ero paikallaan
Satunnainen kulku ajon kanssa tai ilman sitä voidaan muuttaa kiinteäksi prosessiksi erottamalla (vähentämällä Y t-1 Yt: stä , ottamalla ero Y t - Y t-1) vastaavasti Y t - Y t-1 = ε t tai Y t - Y t-1 = α + ε t ja sitten prosessista tulee paikallaan oleva ero. Erottelun haittana on, että prosessi menettää yhden havainnon joka kerta kun ero otetaan.
Kuva 3 - tekijänoikeudet © 2007 Investopedia.com
Ei-paikallaan oleva prosessi, jolla on deterministinen trendi, tulee liikkumattomaksi trendin poistamisen tai suuntauksen jälkeen. Esimerkiksi Yt = α + βt + εt muunnetaan kiinteäksi prosessiksi vähentämällä trendi βt: Yt - βt = α + εt, kuten alla olevassa kuvassa 4 esitetään. Mitään havaintoa ei menetetä, kun trendikkäitä käytetään muuntamaan ei-paikallaan oleva prosessi kiinteäksi.
Kuva 4 - tekijänoikeudet © 2007 Investopedia.com
Jos kyseessä on satunnainen kulku ajo- ja deterministisellä trendillä, hajoaminen voi poistaa deterministisen trendin ja ajautumisen, mutta varianssi jatkaa äärettömyyteen. Seurauksena on, että erottelu on tehtävä myös stokastisen trendin poistamiseksi.
johtopäätös
Ei-paikallaan olevien aikasarjojen tietojen käyttäminen rahoitusmalleissa tuottaa epäluotettavia ja vääriä tuloksia ja johtaa huonoon ymmärrykseen ja ennustamiseen. Ratkaisu ongelmaan on muuttaa aikasarjatiedot siten, että ne pysyvät paikallaan. Jos ei-paikallaan oleva prosessi on satunnainen kulku ajon kanssa tai ilman, se muutetaan kiinteäksi prosessiin erottelemalla. Toisaalta, jos analysoidut aikasarjatiedot osoittavat deterministisen trendin, vääriä tuloksia voidaan välttää hajottamalla. Joskus ei-paikallaan oleva sarja voi yhdistää stokastisen ja deterministisen trendin samanaikaisesti ja harhaanjohtavien tulosten saamisen välttämiseksi olisi käytettävä sekä erottelua että suuntausta, koska erottelu poistaa variaation trendin ja desrendisointi poistaa deterministisen trendin.
