การแนะนำกระบวนการที่ไม่มั่นคง

สถาบันการเงินและ บริษัท ต่างๆรวมถึงนักลงทุนและนักวิจัยรายย่อยมักจะใช้การเงินชุดเวลาข้อมูล (เช่นราคาสินทรัพย์อัตราแลกเปลี่ยน-GDP-เงินเฟ้อและตัวชี้วัดทางเศรษฐกิจมหภาคอื่น ๆ ) ในการคาดการณ์ทางเศรษฐกิจการวิเคราะห์ตลาดหุ้นหรือการศึกษาข้อมูลเอง

แต่การปรับแต่งข้อมูลเป็นกุญแจสำคัญในการใช้งานกับไฟล์การวิเคราะห์สต็อก- ในบทความนี้เราจะแสดงวิธีแยกจุดข้อมูลที่เกี่ยวข้องกับรายงานหุ้นของคุณ

ข้อมูลอนุกรมเวลาที่ไม่คงที่

จุดข้อมูลมักจะไม่เป็นไปไม่ได้หรือมีวิธีการความแปรปรวน, และความแปรปรวนร่วมการเปลี่ยนแปลงเมื่อเวลาผ่านไป พฤติกรรมที่ไม่คงที่อาจเป็นแนวโน้มวัฏจักรการเดินแบบสุ่มหรือการรวมกันของทั้งสาม

ข้อมูลที่ไม่คงที่ตามกฎนั้นไม่สามารถคาดเดาได้และไม่สามารถจำลองหรือคาดการณ์ได้ ผลลัพธ์ที่ได้จากการใช้อนุกรมเวลาที่ไม่คงที่อาจมีการปลอมแปลงในการที่พวกเขาอาจบ่งบอกถึงความสัมพันธ์ระหว่างตัวแปรสองตัวที่ไม่มีอยู่ เพื่อให้ได้ผลลัพธ์ที่สอดคล้องและเชื่อถือได้ข้อมูลที่ไม่คงที่จะต้องเปลี่ยนเป็นข้อมูลที่อยู่นิ่ง

ประเภทของกระบวนการที่ไม่คงที่

ก่อนที่เราจะไปถึงจุดเปลี่ยนสำหรับข้อมูลอนุกรมเวลาทางการเงินที่ไม่คงที่เราควรแยกแยะความแตกต่างระหว่างกระบวนการที่ไม่คงที่ประเภทต่างๆ สิ่งนี้จะช่วยให้เราเข้าใจกระบวนการได้ดีขึ้นและช่วยให้เราสามารถใช้การเปลี่ยนแปลงที่ถูกต้อง

ตัวอย่างของกระบวนการที่ไม่คงที่คือการเดินแบบสุ่มโดยมีหรือไม่มีการดริฟท์ (การเปลี่ยนแปลงที่ช้า) และแนวโน้มที่กำหนด (แนวโน้มที่คงที่บวกหรือลบเป็นอิสระจากเวลาตลอดชีวิตของซีรีส์)

• การเดินแบบสุ่มบริสุทธิ์ (Y_T= y_T-1+ e_T-การเดินแบบสุ่มทำนายว่าค่า ณ เวลา "t" จะเท่ากับค่าช่วงเวลาสุดท้ายบวกกับส่วนประกอบสุ่ม (ไม่ใช่ระบบ) ซึ่งเป็นเสียงสีขาวซึ่งหมายถึงε_Tมีความเป็นอิสระและมีการแจกจ่ายเหมือนกันกับค่าเฉลี่ย "0" และความแปรปรวน "σ²" การเดินแบบสุ่มยังสามารถตั้งชื่อกระบวนการรวมของคำสั่งบางอย่างกระบวนการที่มีรูทยูนิตหรือกระบวนการที่มีแนวโน้มสุ่ม มันเป็นกระบวนการที่ไม่ได้ใช้ความหมายที่สามารถย้ายออกไปจากค่าเฉลี่ยทั้งในทิศทางบวกหรือลบ อีกลักษณะหนึ่งของการเดินแบบสุ่มคือความแปรปรวนวิวัฒนาการเมื่อเวลาผ่านไปและไปที่อินฟินิตี้เมื่อเวลาผ่านไปถึงอินฟินิตี้; ดังนั้นจึงไม่สามารถทำนายการเดินแบบสุ่มได้
• แบบสุ่มเดินด้วยการดริฟท์ (Y_T= a + y_T-1+ e_T-หากโมเดลการเดินแบบสุ่มทำนายว่าค่าในเวลา "T" จะเท่ากับค่าของช่วงเวลาสุดท้ายบวกค่าคงที่หรือดริฟท์ (α) และคำศัพท์สีขาว (ε_T) จากนั้นกระบวนการจะสุ่มเดินด้วยการดริฟท์ นอกจากนี้ยังไม่กลับไปเป็นค่าเฉลี่ยระยะยาวและมีความแปรปรวนขึ้นอยู่กับเวลา
• แนวโน้มที่กำหนด (y_T= a + βt + e_T-บ่อยครั้งที่การเดินแบบสุ่มด้วยการดริฟท์นั้นสับสนสำหรับแนวโน้มที่กำหนด ทั้งสองรวมถึงการดริฟท์และส่วนประกอบเสียงสีขาว แต่ค่าในเวลา "t" ในกรณีของการเดินแบบสุ่มจะถดถอยตามค่าของช่วงเวลาสุดท้าย (y_T-1) ในขณะที่ในกรณีของแนวโน้มที่กำหนดมันจะถดถอยตามแนวโน้มเวลา (βT) กระบวนการที่ไม่คงที่ที่มีแนวโน้มที่กำหนดขึ้นมีค่าเฉลี่ยที่เติบโตขึ้นรอบ ๆ แนวโน้มคงที่ซึ่งคงที่และเป็นอิสระจากเวลา
• การเดินแบบสุ่มด้วยการดริฟท์และแนวโน้มที่กำหนด (y_T= a + y_T-1+ βt + e_T-อีกตัวอย่างหนึ่งคือกระบวนการที่ไม่คงที่ซึ่งรวมการเดินแบบสุ่มกับองค์ประกอบดริฟท์ (α) และแนวโน้มที่กำหนด (βT) มันระบุค่า ณ เวลา "t" ตามมูลค่าของช่วงเวลาสุดท้ายการดริฟท์แนวโน้มและองค์ประกอบสุ่ม

แนวโน้มและความแตกต่างอยู่กับที่

การเดินแบบสุ่มโดยมีหรือไม่มีการดริฟท์สามารถเปลี่ยนเป็นกระบวนการที่อยู่กับที่โดยความแตกต่าง (การลบ y_T-1จาก y_t,รับความแตกต่าง y_T- Y_T-1) ตามลำดับของ y_T- Y_T-1= e_Tหรือ y_T- Y_T-1= a + e_Tจากนั้นกระบวนการจะกลายเป็นความแตกต่างเป็นระยะ ข้อเสียของความแตกต่างคือกระบวนการสูญเสียการสังเกตหนึ่งครั้งในแต่ละครั้งที่มีความแตกต่าง

กระบวนการที่ไม่คงที่ที่มีแนวโน้มที่กำหนดจะกลายเป็นเครื่องเขียนหลังจากลบแนวโน้มหรือลดลง ตัวอย่างเช่น yt = α + βt + εtถูกเปลี่ยนเป็นกระบวนการที่อยู่กับที่โดยการลบแนวโน้มβt: yt - βt = α + εtดังแสดงในรูปด้านล่าง ไม่มีการสังเกตใด ๆ หายไปเมื่อใช้ detrending เพื่อแปลงกระบวนการที่ไม่คงที่เป็นที่อยู่นิ่ง

ในกรณีของการเดินแบบสุ่มที่มีแนวโน้มล่องลอยและกำหนดค่าการยับยั้งสามารถลบแนวโน้มที่กำหนดและการดริฟท์ แต่ความแปรปรวนจะยังคงไปที่อินฟินิตี้ เป็นผลให้ต้องใช้ความแตกต่างเพื่อลบแนวโน้มสุ่ม

บรรทัดล่าง

การใช้ข้อมูลอนุกรมเวลาที่ไม่คงที่ในรูปแบบทางการเงินสร้างผลลัพธ์ที่ไม่น่าเชื่อถือและปลอมแปลงและนำไปสู่ความเข้าใจที่ไม่ดีและการพยากรณ์- วิธีการแก้ปัญหาคือการแปลงข้อมูลอนุกรมเวลาเพื่อให้มันกลายเป็นเครื่องนิ่ง หากกระบวนการที่ไม่หยุดนิ่งเป็นการเดินแบบสุ่มโดยมีหรือไม่มีดริฟท์มันจะถูกเปลี่ยนเป็นกระบวนการที่อยู่กับที่โดยการแตกต่างกัน ในทางกลับกันหากข้อมูลอนุกรมเวลาที่วิเคราะห์แสดงถึงแนวโน้มที่กำหนดได้ผลลัพธ์ปลอมสามารถหลีกเลี่ยงได้โดย detrending

บางครั้งซีรีย์ที่ไม่คงที่อาจรวมแนวโน้มสุ่มและกำหนดค่าในเวลาเดียวกันและเพื่อหลีกเลี่ยงการได้รับผลลัพธ์ที่ทำให้เข้าใจผิดทั้งความแตกต่างและการลดลงควรใช้เนื่องจากความแตกต่างจะลบแนวโน้มในความแปรปรวนและ detrending จะลบแนวโน้มที่กำหนด