Finanšu iestādes un korporācijas, kā arī atsevišķi investori un pētnieki bieži izmanto finanšu laika rindu datus (piemēram, aktīvu cenas, valūtas kursus, IKP, inflāciju un citus makroekonomiskos rādītājus) ekonomikas prognozēs, akciju tirgus analīzē vai pašu datu izpētē..
Bet datu precizēšana ir atslēga, lai varētu tos izmantot krājumu analīzē., mēs jums parādīsim, kā izolēt datu punktus, kas attiecas uz jūsu krājumu pārskatiem.
Ievads stacionāriem un nestacionāriem procesiem
Neapstrādātu datu gatavošana
Datu punkti bieži ir nestacionāri vai tajos ir līdzekļi, dispersijas un kovariācijas, kas laika gaitā mainās. Nestacionāra uzvedība var būt tendences, cikli, izlases pastaigas vai visu triju kombinācija.
Nestacionārie dati, kā likums, nav prognozējami, un tos nevar ne modelēt, ne paredzēt. Rezultāti, kas iegūti, izmantojot nestacionāras laika rindas, var būt nepatiesi, jo tie var norādīt uz saistību starp diviem mainīgajiem, ja viens tāds neeksistē. Lai iegūtu konsekventus, ticamus rezultātus, nestacionārie dati jāpārveido stacionāros datos. Pretstatā nestacionāram procesam, kam ir mainīga dispersija un vidējais lielums, kas nepaliek tuvu vai laika gaitā atgriežas pie ilgtermiņa vidējā līmeņa, stacionārais process atgriežas ap nemainīgu ilgtermiņa vidējo rādītāju un ar pastāvīgu dispersiju, kas ir neatkarīgs no laika.
1. attēls. Autortiesības © 2007 Investopedia.com
Nestacionāru procesu veidi
Pirms nonākam pie nestacionāru finanšu laika rindu datu pārveidošanas vietas, mums jānošķir dažādi nestacionāru procesu veidi. Tas mums ļaus labāk izprast procesus un ļaus piemērot pareizu pārveidošanu. Nestacionāru procesu piemēri ir nejauša staigāšana ar dreifu vai bez tā (lēna vienmērīga izmaiņa) un deterministiskas tendences (tendences, kas ir nemainīgas, pozitīvas vai negatīvas, neatkarīgi no laika visā sērijas pastāvēšanas laikā).
2. attēls. Autortiesības © 2007 Investopedia.com
- Tīra nejauša pastaiga (Y t = Y t-1 + ε t) Nejauša soļošana paredz, ka vērtība laikā "t" būs vienāda ar pēdējā perioda vērtību plus stohastiska (nesistemātiska) sastāvdaļa, kas ir baltais troksnis, kas nozīmē ε t ir neatkarīgs un identiski sadalīts ar vidējo "0" un dispersiju "σ²". Nejaušu staigāšanu var nosaukt arī par dažu kārtību integrētu procesu, procesu ar vienības sakni vai procesu ar stohastisku tendenci. Tas ir process, kas nemaina vidējo, un tas var novirzīties no vidējā gan pozitīvā, gan negatīvā virzienā. Vēl viena nejaušas pastaigas iezīme ir tā, ka dispersija laika gaitā mainās un iet uz bezgalību, jo laiks iet uz bezgalību; tāpēc izlases gājienu nevar paredzēt. Nejauša pastaiga ar dreifu (Y t = α + Y t-1 + ε t) Ja izlases veida gājiena modelis paredz, ka vērtība laikā "t" būs vienāda ar pēdējā perioda vērtību plus konstante vai dreifs (α), un a baltā trokšņa apzīmējums (ε t), tad process ir nejauša staigāšana ar dreifu. Tas arī neatgriežas pie ilgtermiņa vidējā līmeņa, un tā dispersija ir atkarīga no laika. Deterministiskā tendence (Y t = α + βt + ε t) Bieži vien izlases veida gājiens ar dreifu tiek sajaukts par deterministisko tendenci. Abos komponentos ietilpst dreifa un baltā trokšņa komponents, bet izlases veida gājiena laikā vērtība "t" tiek regresēta par pēdējā perioda vērtību (Y t-1), savukārt deterministiskas tendences gadījumā tā tiek regresēta laika tendencē (βt). Nestacionāram procesam ar determinētu tendenci ir vidējā vērtība, kas aug ap fiksētu tendenci, kas ir nemainīga un neatkarīga no laika. Nejauša pastaiga ar dreifu un determinētu tendenci (Y t = α + Y t-1 + βt + ε t) Vēl viens piemērs ir nestacionārs process, kurā izlases gājiens tiek apvienots ar dreifēšanas komponentu (α) un deterministisko tendenci (βt).. Tas norāda vērtību laikā "t" ar pēdējā perioda vērtību, novirzi, tendenci un stohastisko komponentu. (Lai uzzinātu vairāk par izlases pastaigām un tendencēm, skatiet mūsu apmācību par finanšu koncepcijām .)
Stacionārā tendence un atšķirība
Nejaušu gājienu ar dreifu vai bez tā var pārveidot par stacionāru procesu, diferencējot (atņemot Y t-1 no Y t, ņemot starpību Y t - Y t-1) attiecīgi Y t - Y t-1 = ε t vai Y t - Y t-1 = α + ε t, un pēc tam process kļūst stacionārs. Atšķirības trūkums ir tas, ka process zaudē vienu novērojumu katru reizi, kad tiek ņemta vērā atšķirība.
3. attēls. Autortiesības © 2007 Investopedia.com
Nestacionārs process ar determinētu tendenci pēc tendences noņemšanas vai detrendēšanas kļūst nekustīgs. Piemēram, Yt = α + βt + εt tiek pārveidots stacionārā procesā, atņemot tendenci βt: Yt - βt = α + εt, kā parādīts 4. attēlā. Neviens novērojums netiek zaudēts, ja izmanto nestacionāru procesu pārveidošanai par stacionāru detektora metodi.
4. attēls - Autortiesības © 2007 Investopedia.com
Ja izlases veida gājiens notiek ar dreifējošu un deterministisku tendenci, dendrējoša var noņemt deterministisko tendenci un dreifu, bet dispersija turpinās nonākt līdz bezgalībai. Tā rezultātā diferenciācija ir jāpiemēro arī, lai noņemtu stohastisko tendenci.
Secinājums
Nestacionāru laikrindu datu izmantošana finanšu modeļos rada neuzticamus un nepatiesus rezultātus un noved pie sliktas izpratnes un prognozēšanas. Problēmas risinājums ir pārveidot laika rindu datus tā, lai tie nekustētos. Ja nestacionārs process ir izlases veida gājiens ar dreifu vai bez tā, tas tiek pārveidots par stacionāru procesu, diferencējot. No otras puses, ja analizētajos laikrindu datos ir deterministiska tendence, no nepatiesiem rezultātiem var izvairīties, dendmenējot. Dažreiz nestacionārās sērijās vienlaikus var apvienot stohastisku un determinētu tendenci, un, lai izvairītos no maldinošu rezultātu iegūšanas, būtu jāpiemēro gan diferencēšana, gan dendrēšana, jo diferencēšana noņems dispersijas tendenci, un dendientēšana noņem deterministisko tendenci.
