สถาบันการเงินและ บริษัท ต่างๆรวมถึงนักลงทุนและนักวิจัยรายย่อยมักจะใช้การเงินชุดเวลาข้อมูล (เช่นราคาสินทรัพย์อัตราแลกเปลี่ยน-GDP-เงินเฟ้อและตัวชี้วัดทางเศรษฐกิจมหภาคอื่น ๆ ) ในการคาดการณ์ทางเศรษฐกิจการวิเคราะห์ตลาดหุ้นหรือการศึกษาข้อมูลเอง
แต่การปรับแต่งข้อมูลเป็นกุญแจสำคัญในการใช้งานกับไฟล์การวิเคราะห์สต็อก- ในบทความนี้เราจะแสดงวิธีแยกจุดข้อมูลที่เกี่ยวข้องกับรายงานหุ้นของคุณ
ประเด็นสำคัญ
- ในสถิติการวิเคราะห์อนุกรมเวลาเกี่ยวข้องกับการวัดว่าสิ่งต่าง ๆ เปลี่ยนแปลงไปตามกาลเวลาด้วยความเคารพต่อตัวแปรที่น่าสนใจบางอย่าง
- เมื่ออนุกรมเวลาอยู่กับที่หมายความว่าคุณลักษณะบางอย่างของข้อมูลจะไม่เปลี่ยนแปลงตลอดเวลา
- อย่างไรก็ตามอนุกรมเวลาบางอย่างไม่เป็นไปได้ซึ่งค่าและการเชื่อมโยงระหว่างและระหว่างตัวแปรจะแตกต่างกันไปตามเวลา
- ในด้านการเงินกระบวนการจำนวนมากไม่เป็นไปได้และต้องจัดการอย่างเหมาะสม
ข้อมูลอนุกรมเวลาที่ไม่คงที่
จุดข้อมูลมักจะไม่เป็นไปไม่ได้หรือมีวิธีการความแปรปรวน, และความแปรปรวนร่วมการเปลี่ยนแปลงเมื่อเวลาผ่านไป พฤติกรรมที่ไม่คงที่อาจเป็นแนวโน้มวัฏจักรการเดินแบบสุ่มหรือการรวมกันของทั้งสาม
ข้อมูลที่ไม่คงที่ตามกฎนั้นไม่สามารถคาดเดาได้และไม่สามารถจำลองหรือคาดการณ์ได้ ผลลัพธ์ที่ได้จากการใช้อนุกรมเวลาที่ไม่คงที่อาจมีการปลอมแปลงในการที่พวกเขาอาจบ่งบอกถึงความสัมพันธ์ระหว่างตัวแปรสองตัวที่ไม่มีอยู่ เพื่อให้ได้ผลลัพธ์ที่สอดคล้องและเชื่อถือได้ข้อมูลที่ไม่คงที่จะต้องเปลี่ยนเป็นข้อมูลที่อยู่นิ่ง
เคล็ดลับ
ตรงกันข้ามกับกระบวนการที่ไม่คงที่ที่มีความแปรปรวนของตัวแปรและค่าเฉลี่ยที่ไม่ได้อยู่ใกล้หรือกลับสู่ค่าเฉลี่ยระยะยาวเมื่อเวลาผ่านไปกระบวนการที่อยู่กับที่จะเปลี่ยนไปรอบ ๆ ค่าเฉลี่ยระยะยาวคงที่และมีความแปรปรวนคงที่เป็นอิสระ
ประเภทของกระบวนการที่ไม่คงที่
ก่อนที่เราจะไปถึงจุดเปลี่ยนสำหรับข้อมูลอนุกรมเวลาทางการเงินที่ไม่คงที่เราควรแยกแยะความแตกต่างระหว่างกระบวนการที่ไม่คงที่ประเภทต่างๆ สิ่งนี้จะช่วยให้เราเข้าใจกระบวนการได้ดีขึ้นและช่วยให้เราสามารถใช้การเปลี่ยนแปลงที่ถูกต้อง
ตัวอย่างของกระบวนการที่ไม่คงที่คือการเดินแบบสุ่มโดยมีหรือไม่มีการดริฟท์ (การเปลี่ยนแปลงที่ช้า) และแนวโน้มที่กำหนด (แนวโน้มที่คงที่บวกหรือลบเป็นอิสระจากเวลาตลอดชีวิตของซีรีส์)
- การเดินแบบสุ่มบริสุทธิ์ (YT= yT-1+ eT-การเดินแบบสุ่มทำนายว่าค่า ณ เวลา "t" จะเท่ากับค่าช่วงเวลาสุดท้ายบวกกับส่วนประกอบสุ่ม (ไม่ใช่ระบบ) ซึ่งเป็นเสียงสีขาวซึ่งหมายถึงεTมีความเป็นอิสระและมีการแจกจ่ายเหมือนกันกับค่าเฉลี่ย "0" และความแปรปรวน "σ²" การเดินแบบสุ่มยังสามารถตั้งชื่อกระบวนการรวมของคำสั่งบางอย่างกระบวนการที่มีรูทยูนิตหรือกระบวนการที่มีแนวโน้มสุ่ม มันเป็นกระบวนการที่ไม่ได้ใช้ความหมายที่สามารถย้ายออกไปจากค่าเฉลี่ยทั้งในทิศทางบวกหรือลบ อีกลักษณะหนึ่งของการเดินแบบสุ่มคือความแปรปรวนวิวัฒนาการเมื่อเวลาผ่านไปและไปที่อินฟินิตี้เมื่อเวลาผ่านไปถึงอินฟินิตี้; ดังนั้นจึงไม่สามารถทำนายการเดินแบบสุ่มได้
- แบบสุ่มเดินด้วยการดริฟท์ (YT= a + yT-1+ eT-หากโมเดลการเดินแบบสุ่มทำนายว่าค่าในเวลา "T" จะเท่ากับค่าของช่วงเวลาสุดท้ายบวกค่าคงที่หรือดริฟท์ (α) และคำศัพท์สีขาว (εT) จากนั้นกระบวนการจะสุ่มเดินด้วยการดริฟท์ นอกจากนี้ยังไม่กลับไปเป็นค่าเฉลี่ยระยะยาวและมีความแปรปรวนขึ้นอยู่กับเวลา
- แนวโน้มที่กำหนด (yT= a + βt + eT-บ่อยครั้งที่การเดินแบบสุ่มด้วยการดริฟท์นั้นสับสนสำหรับแนวโน้มที่กำหนด ทั้งสองรวมถึงการดริฟท์และส่วนประกอบเสียงสีขาว แต่ค่าในเวลา "t" ในกรณีของการเดินแบบสุ่มจะถดถอยตามค่าของช่วงเวลาสุดท้าย (yT-1) ในขณะที่ในกรณีของแนวโน้มที่กำหนดมันจะถดถอยตามแนวโน้มเวลา (βT) กระบวนการที่ไม่คงที่ที่มีแนวโน้มที่กำหนดขึ้นมีค่าเฉลี่ยที่เติบโตขึ้นรอบ ๆ แนวโน้มคงที่ซึ่งคงที่และเป็นอิสระจากเวลา
- การเดินแบบสุ่มด้วยการดริฟท์และแนวโน้มที่กำหนด (yT= a + yT-1+ βt + eT-อีกตัวอย่างหนึ่งคือกระบวนการที่ไม่คงที่ซึ่งรวมการเดินแบบสุ่มกับองค์ประกอบดริฟท์ (α) และแนวโน้มที่กำหนด (βT) มันระบุค่า ณ เวลา "t" ตามมูลค่าของช่วงเวลาสุดท้ายการดริฟท์แนวโน้มและองค์ประกอบสุ่ม
แนวโน้มและความแตกต่างอยู่กับที่
การเดินแบบสุ่มโดยมีหรือไม่มีการดริฟท์สามารถเปลี่ยนเป็นกระบวนการที่อยู่กับที่โดยความแตกต่าง (การลบ yT-1จาก yt,รับความแตกต่าง yT- YT-1) ตามลำดับของ yT- YT-1= eTหรือ yT- YT-1= a + eTจากนั้นกระบวนการจะกลายเป็นความแตกต่างเป็นระยะ 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