สถาบันการเงินและ บริษัท เช่นเดียวกับนักลงทุนรายบุคคลและนักวิจัยมักใช้ข้อมูลอนุกรมเวลาการเงิน (เช่นราคาสินทรัพย์อัตราแลกเปลี่ยน GDP เงินเฟ้อและตัวชี้วัดทางเศรษฐกิจมหภาคอื่น ๆ) ในการคาดการณ์ทางเศรษฐกิจการวิเคราะห์ตลาดหุ้นหรือการศึกษาข้อมูลของตัวเอง.
แต่ข้อมูลการกลั่นเป็นกุญแจสำคัญในการใช้งานกับการวิเคราะห์หุ้นของคุณ เราจะแสดงวิธีแยกจุดข้อมูลที่เกี่ยวข้องกับรายงานสต็อคของคุณ
แนะนำกระบวนการที่ไม่หยุดนิ่งและไม่เคลื่อนที่
ทำอาหารข้อมูลดิบ
จุดข้อมูลมักไม่คงที่หรือมีวิธีการแปรปรวนและแปรปรวนร่วมที่เปลี่ยนแปลงตลอดเวลา พฤติกรรมที่ไม่ขยับเขยื้อนอาจเป็นแนวโน้มรอบเดินสุ่มหรือรวมกันของทั้งสาม
ตามกฎแล้วข้อมูลที่ไม่คงที่นั้นไม่สามารถคาดการณ์ได้และไม่สามารถสร้างแบบจำลองหรือพยากรณ์ได้ ผลลัพธ์ที่ได้จากการใช้อนุกรมเวลาที่ไม่อยู่กับที่อาจทำให้เกิดความรู้สึกผิดซึ่งอาจบ่งบอกถึงความสัมพันธ์ระหว่างตัวแปรสองตัวที่ไม่มีตัวตน เพื่อให้ได้ผลลัพธ์ที่สอดคล้องและเชื่อถือได้ข้อมูลที่ไม่คงที่จะต้องเปลี่ยนเป็นข้อมูลที่อยู่กับที่ ตรงกันข้ามกับกระบวนการที่ไม่หยุดนิ่งที่มีความแปรปรวนของตัวแปรและค่าเฉลี่ยที่ไม่ได้อยู่ใกล้หรือกลับสู่ค่าเฉลี่ยระยะยาวเมื่อเวลาผ่านไปกระบวนการที่อยู่กับที่จะเปลี่ยนเป็นค่าเฉลี่ยระยะยาวคงที่และมีความแปรปรวนคงที่อิสระ ของเวลา
รูปที่ 1 - Copryright © 2007 Investopedia.com
ประเภทของกระบวนการที่ไม่อยู่นิ่ง
ก่อนที่เราจะไปถึงจุดเปลี่ยนแปลงสำหรับข้อมูลอนุกรมเวลาการเงินที่ไม่คงที่เราควรแยกความแตกต่างระหว่างกระบวนการที่ไม่คงที่ประเภทต่างๆ สิ่งนี้จะช่วยให้เราเข้าใจกระบวนการได้ดีขึ้นและทำให้เราสามารถใช้การแปลงที่ถูกต้องได้ ตัวอย่างของกระบวนการที่ไม่หยุดนิ่งคือการเดินแบบสุ่มโดยมีหรือไม่มีการดริฟท์ (การเปลี่ยนแปลงอย่างช้า ๆ) และแนวโน้มที่กำหนดขึ้นมา (แนวโน้มที่คงที่เป็นบวกหรือลบเป็นอิสระจากเวลาตลอดชีวิตของซีรีส์)
รูปที่ 2 - Copryright © 2007 Investopedia.com
- การเดินสุ่มแบบสุ่ม (Y t = Y t-1 + ε t) การ เดินแบบสุ่มคาดการณ์ว่าค่าในเวลา "t" จะเท่ากับค่ารอบระยะเวลาสุดท้ายบวกกับองค์ประกอบแบบสุ่ม (ไม่มีระบบ) ซึ่งเป็นเสียงสีขาวซึ่ง หมายถึงε t มีความเป็นอิสระและมีการกระจายตัวเหมือนกันด้วยค่าเฉลี่ย "0" และความแปรปรวน "σ²" การเดินแบบสุ่มยังสามารถตั้งชื่อกระบวนการที่รวมคำสั่งบางอย่างกระบวนการที่มีรูทยูนิตหรือกระบวนการที่มีแนวโน้มสุ่ม มันเป็นกระบวนการไม่คืนค่าที่สามารถย้ายออกจากค่าเฉลี่ยทั้งในทิศทางบวกหรือลบ อีกลักษณะหนึ่งของการเดินแบบสุ่มคือความแปรปรวนวิวัฒนาการไปตามกาลเวลาและไปสู่อนันต์เมื่อเวลาผ่านไปอย่างไม่สิ้นสุด ดังนั้นจึงไม่สามารถคาดการณ์การเดินแบบสุ่มได้ การสุ่มเดินพร้อมดริฟท์ (Y t = α + Y t-1 + ε t) หากแบบจำลองการเดินแบบสุ่มทำนายว่ามูลค่า ณ เวลา "t" จะเท่ากับค่าของช่วงเวลาสุดท้ายบวกด้วยค่าคงที่หรือดริฟท์ (α) และ เสียงสีขาวคำ (ε t), จากนั้นกระบวนการคือการเดินสุ่มด้วยการดริฟท์ นอกจากนี้ยังไม่เปลี่ยนกลับเป็นค่าเฉลี่ยระยะยาวและมีความแปรปรวนขึ้นอยู่กับเวลา แนวโน้มที่กำหนดได้ (Y t = α + βt + ε t) บ่อยครั้งที่การเดินแบบสุ่มที่มีการดริฟท์สับสนสำหรับแนวโน้มที่กำหนดขึ้น ทั้งสองรวมถึงการดริฟท์และองค์ประกอบเสียงสีขาว แต่ค่าในเวลา "t" ในกรณีของการเดินแบบสุ่มจะถดถอยในมูลค่าสุดท้ายของช่วงเวลาสุดท้าย (Y t-1) ในขณะที่ในกรณีของแนวโน้มที่กำหนดขึ้น ในแนวโน้มเวลา (βt) กระบวนการไม่คงที่กับแนวโน้มที่กำหนดขึ้นมีค่าเฉลี่ยที่เพิ่มขึ้นรอบ ๆ แนวโน้มคงที่ซึ่งเป็นค่าคงที่และเป็นอิสระจากเวลา การสุ่มเดินด้วยดริฟท์และเทรนด์ที่กำหนด (Y t = α + Y t-1 + βt + ε t) อีกตัวอย่างหนึ่งคือกระบวนการที่ไม่หยุดนิ่งที่รวมการเดินแบบสุ่มกับองค์ประกอบดริฟท์ (α) และแนวโน้มที่กำหนดขึ้น (βt). มันระบุค่าในเวลา "t" โดยค่าของช่วงเวลาล่าสุดดริฟท์แนวโน้มและองค์ประกอบสุ่ม (หากต้องการเรียนรู้เพิ่มเติมเกี่ยวกับการเดินและเทรนด์แบบสุ่มดูบทแนะนำ เกี่ยวกับแนวคิดทางการเงิน ของเรา)
เทรนด์และความแตกต่างหยุดนิ่ง
การเดินแบบสุ่มที่มีหรือไม่มีการดริฟท์สามารถเปลี่ยนเป็นกระบวนการที่อยู่นิ่งได้โดยการหาอนุพันธ์ (ลบ Y t-1 จาก Y t, ทำให้ความแตกต่าง Y t - Y t-1) สอดคล้องกับ Y t - Y t-1 = ε t หรือ Y t - Y t-1 = α + ε t จากนั้นกระบวนการจะกลายเป็นความแตกต่างนิ่ง ข้อเสียของการสร้างความแตกต่างคือกระบวนการสูญเสียการสังเกตหนึ่งครั้งในแต่ละครั้งที่มีการเปลี่ยนแปลง
รูปที่ 3 - Copryright © 2007 Investopedia.com
กระบวนการที่ไม่อยู่กับที่ซึ่งมีแนวโน้มที่กำหนดขึ้นจะกลายเป็นกระบวนการนิ่งหลังจากลบแนวโน้มหรือทำให้เสียชื่อเสียง ตัวอย่างเช่น Yt = α + βt + εtถูกเปลี่ยนเป็นกระบวนการแบบคงที่โดยการลบแนวโน้มβt: Yt - βt = α + εtดังแสดงในรูปที่ 4 ด้านล่าง ไม่มีการสูญเสียการสังเกตเมื่อถูกนำมาใช้เพื่อเปลี่ยนกระบวนการที่ไม่คงที่ให้เป็นกระบวนการนิ่ง
รูปที่ 4 - Copryright © 2007 Investopedia.com
ในกรณีของการเดินแบบสุ่มที่มีการดริฟท์และเทรนด์ที่กำหนดการทำลายสามารถทำให้แนวโน้มการกำหนดและการดริฟท์ลดลง แต่ความแปรปรวนจะยังคงไม่สิ้นสุด เป็นผลให้ต้องใช้ความแตกต่างเพื่อลบแนวโน้มสุ่ม
ข้อสรุป
การใช้ข้อมูลอนุกรมเวลาที่ไม่หยุดนิ่งในแบบจำลองทางการเงินสร้างผลลัพธ์ที่ไม่น่าเชื่อถือและเป็นจริงและนำไปสู่ความเข้าใจและการพยากรณ์ที่ไม่ดี ทางออกของปัญหาคือการแปลงข้อมูลอนุกรมเวลาเพื่อให้มันกลายเป็นนิ่ง หากกระบวนการที่ไม่มีการหยุดนิ่งเป็นการเดินแบบสุ่มที่มีหรือไม่มีการดริฟท์กระบวนการนั้นจะถูกเปลี่ยนเป็นกระบวนการแบบคงที่โดยเปลี่ยนความแตกต่าง ในทางกลับกันหากข้อมูลอนุกรมเวลาที่วิเคราะห์แสดงถึงแนวโน้มที่กำหนดไว้แล้วผลลัพธ์ที่ปลอมแปลงสามารถหลีกเลี่ยงได้โดยการทำให้เสียโฉม บางครั้งชุดที่ไม่หยุดนิ่งอาจรวมแนวโน้มสุ่มและกำหนดในเวลาเดียวกันและเพื่อหลีกเลี่ยงการได้รับผลลัพธ์ที่ทำให้เข้าใจผิดทั้งความแตกต่างและ detrending ควรนำมาใช้เป็นความแตกต่างจะลบแนวโน้มในการแปรปรวนและ detrending จะลบแนวโน้มกำหนด