Finansielle institutioner og virksomheder samt individuelle investorer og forskere bruger ofte finansielle tidsseriedata (såsom aktivpriser, valutakurser, BNP, inflation og andre makroøkonomiske indikatorer) i økonomiske prognoser, aktiemarkedsanalyse eller undersøgelser af dataene selv.

Men raffinering af data er nøglen til at kunne anvende den på din lageranalyse. I denne artikel viser vi dig, hvordan du isolerer de datapunkter, der er relevante for dine lagerrapporter.

Cooking Raw Data
Datapunkter er ofte ikke-stationære eller har midler, afvigelser og covarians, som ændrer sig over tid. Ikke-stationære adfærd kan være tendenser, cyklusser, tilfældige gåture eller kombinationer af de tre.

Ikke-stationære data er som regel uforudsigelige og kan ikke modelleres eller forventes. Resultaterne opnået ved brug af ikke-stationære tidsserier kan være falske, idet de kan indikere et forhold mellem to variabler, hvor man ikke eksisterer. For at modtage ensartede og pålidelige resultater skal de ikke-stationære data omdannes til stationære data. I modsætning til den ikke-stationære proces, der har en variabel varians og et middel, som ikke forbliver nært eller vender tilbage til et langsigtet middel over tid, vender den stationære proces omkring et konstant langsigtet middel og har en konstant variansafhængig af tid.

Copryright © 2007 Investopedia. com

Figur 1

Typer af ikke-stationære processer
Før vi kommer til transformationspunktet for de ikke-stationære finansielle tidsseriedata, skal vi skelne mellem de forskellige typer af de ikke-stationære processer. Dette vil give os en bedre forståelse af processerne og tillade os at anvende den korrekte transformation. Eksempler på ikke-stationære processer er tilfældig gang med eller uden drift (en langsom stabil ændring) og deterministiske tendenser (tendenser, der er konstante, positive eller negative, uafhængige af tid for hele livet i serien).

Copryright © 2007 Investopedia. com

Figur 2

• Pure Random Walk (Y _t = Y _t-1 + ε _t )
  Random walk forudsiger at værdi på tidspunktet "t" vil være lig med den sidste periodeværdi plus en stokastisk (ikke-systematisk) komponent, der er en hvid støj, hvilket betyder, at ε _t er uafhængigt og identisk fordelt med middelværdien "0" og varians "σ²". Tilfældig gang kan også kaldes en proces integreret i en vis rækkefølge, en proces med en enhedsrode eller en proces med en stokastisk tendens. Det er en ikke-genskabende proces, der kan bevæge sig væk fra middelværdien enten i positiv eller negativ retning. Et andet kendetegn ved en tilfældig gåtur er, at variansen udvikler sig over tid og går til uendelig, når tiden går til uendelig; Derfor kan en tilfældig gåtur ikke forudsiges.
• Tilfældig gang med drift (Y _t = a + Y _t-1 + ε _t )
  forudsiger at værdien på tidspunktet "t" vil svare til den sidste periodes værdi plus en konstant, eller drift (α) og en hvid støjbetegnelse (ε _t ), så går processen tilfældigt med en drift . Det går heller ikke tilbage til et langtidsmiddel og har varians afhængig af tiden.
• Deterministisk Trend (Y _t = α + βt + ε _t )
  Ofte forveksles en tilfældig gåtur med en drift for en deterministisk tendens. Begge omfatter en drift og en hvid støjkomponent, men værdien på tidspunktet "t" i tilfældet af en tilfældig gåtur regresseres i den sidste periodes værdi (Y _t-1 ), mens der i tilfælde af en deterministisk tendens det regresses på en tidstrøm (βt). En ikke-stationær proces med en deterministisk tendens har et middel, som vokser omkring en fast tendens, som er konstant og uafhængig af tiden.
• Tilfældig gang med drift og deterministisk tendens (Y _t = a + Y _t-1 + βt + ε _t )
  Et andet eksempel er en ikke-stationær proces, der kombinerer en tilfældig gang med en driftskomponent (α) og en deterministisk tendens (βt). Det specificerer værdien på tidspunktet "t" med den sidste periodes værdi, en drift, en trend og en stokastisk komponent. (For at lære mere om tilfældige gåture og tendenser, se vores vejledning i Financial Concepts ).

Trend og forskel Stationær
En tilfældig gåtur med eller uden drift kan omdannes til en stationær proces ved differentiering (subtraherer Y _t-1 fra Y _t, idet forskellen Y _t - Y _t-1 ) svarer til Y > t _{- Y} t-1 _{= ε} t _{eller Y} t _{- Y} t-1 _{= a + ε < t} og så bliver processen forskellig stationær. Ulempen ved differentiering er, at processen taber en observation hver gang forskellen er taget. _{Copryright © 2007 Investopedia. com} Figur 3

En ikke-stationær proces med en deterministisk tendens bliver stationær efter fjernelse af tendensen eller afvigende. For eksempel transformeres Yt = a + βt + εt til en stationær proces ved at subtrahere tendensen βt: Yt - βt = α + εt, som vist i figur 4 nedenfor. Ingen observation går tabt, når afbrydelse bruges til at omdanne en ikke-stationær proces til en stationær.

Copryright © 2007 Investopedia. com

Figur 4

I tilfælde af en tilfældig tur med en drift og deterministisk tendens kan afvigelsen fjerne den deterministiske tendens og driften, men variansen vil fortsætte med at gå til uendelig. Som følge heraf skal forskelle også anvendes for at fjerne den stokastiske tendens.

Konklusion

Ved brug af ikke-stationære tidsseriedata i finansielle modeller produceres upålidelige og falske resultater og fører til dårlig forståelse og prognoser. Løsningen på problemet er at omdanne tidsserien data, så den bliver stationær. Hvis den ikke-stationære proces er en tilfældig gåtur med eller uden drift, bliver den omdannet til stationær proces ved differentiering.På den anden side, hvis de analyserede tidsseriedata udviser en deterministisk tendens, kan de falske resultater undgås ved afvigelse. Nogle gange kan de ikke-stationære serier kombinere en stokastisk og deterministisk tendens på samme tid, og for at undgå at opnå vildledende resultater skal både differensiering og afvigelse anvendes, da forskellighed fjerner tendensen i variansen og afvigende vil fjerne den deterministiske tendens.