สถาบันการเงินและ บริษัท รวมทั้งนักลงทุนรายย่อยและนักวิจัยมักใช้ชุดข้อมูลทางการเงินแบบเวลา (เช่นราคาสินทรัพย์อัตราแลกเปลี่ยน GDP อัตราเงินเฟ้อและตัวชี้วัดเศรษฐกิจมหภาคอื่น ๆ ) ในการพยากรณ์ทางเศรษฐกิจการวิเคราะห์ตลาดหุ้น หรือการศึกษาข้อมูลเอง

แต่การปรับแต่งข้อมูลเป็นกุญแจสำคัญในการนำไปใช้กับการวิเคราะห์หุ้นของคุณ ในบทความนี้เราจะแสดงวิธีแยกข้อมูลจุดที่เกี่ยวข้องกับรายงานสต็อกของคุณ

การทำข้อมูลดิบ
จุดข้อมูลมักไม่เคลื่อนที่หรือมีความแปรปรวนและความแปรปรวนที่เปลี่ยนแปลงตลอดเวลา พฤติกรรมที่ไม่เป็นนิ่งอาจเป็นแนวโน้มรอบการเดินแบบสุ่มหรือการรวมกันของทั้งสาม

ข้อมูลที่ไม่เป็นนิ่งเป็นกฎไม่สามารถคาดการณ์ได้และไม่สามารถจำลองหรือคาดการณ์ได้ ผลลัพธ์ที่ได้จากการใช้ชุดเวลาที่ไม่เป็นนิ่งอาจปลอมแปลงได้เนื่องจากอาจบ่งบอกถึงความสัมพันธ์ระหว่างสองตัวแปรที่ไม่มีอยู่ เพื่อให้ได้ผลลัพธ์ที่สม่ำเสมอและเชื่อถือได้ข้อมูลที่ไม่ใช่ stationary จะต้องถูกแปลงเป็นข้อมูล stationary ในทางตรงกันข้ามกับกระบวนการที่ไม่ใช่ stationary ที่มีตัวแปรผันแปรและค่าเฉลี่ยที่ไม่อยู่ใกล้หรือผลตอบแทนต่อระยะยาวหมายถึงช่วงเวลากระบวนการ stationary reverts รอบค่าคงที่ในระยะยาวคงที่และมีความแปรปรวนคงที่เป็นอิสระ ของเวลา

Copryright © 2007 Investopedia. com

รูปที่ 1

ประเภทของกระบวนการที่ไม่ใช่ stationary
ก่อนที่เราจะเข้าสู่จุดการแปลงข้อมูลชุดข้อมูลทางการเงินที่ไม่ใช่แบบ stationary เราควรแยกแยะความแตกต่างระหว่างกระบวนการที่ไม่ใช่ stationary ซึ่งจะช่วยให้เราเข้าใจถึงกระบวนการต่างๆและช่วยให้เราสามารถนำการแปลงที่ถูกต้องได้ ตัวอย่างของกระบวนการที่ไม่ใช่ stationary คือการเดินสุ่มโดยมีหรือไม่มี drift (การเปลี่ยนแปลงที่ช้าอย่างช้าๆ) และแนวโน้ม deterministic (แนวโน้มที่เป็นค่าคงที่เป็นบวกหรือลบไม่ขึ้นกับเวลาสำหรับทั้งชีวิตของชุด)

Copryright © 2007 Investopedia. com

รูปที่ 2

• การเดินแบบเพียวแท้ (Y _t = Y _t-1 + ε _t )
  การเดินแบบสุ่มคาดการณ์ว่า ค่าที่เวลา "t" จะเท่ากับค่าของช่วงเวลาสุดท้ายที่บวกส่วนประกอบแบบสุ่ม (ไม่ใช่ระบบ) ซึ่งเป็นสัญญาณรบกวนสีขาวซึ่งหมายความว่าε _t เป็นอิสระและมีการแจกแจงแบบเดียวกันกับค่าเฉลี่ย "0" และ ความแปรปรวน "σ²" การเดินแบบสุ่มสามารถเรียกว่ากระบวนการที่รวมกันของคำสั่งบางอย่างกระบวนการที่มีรากหรือกระบวนการที่มีแนวโน้มแบบสุ่ม เป็นกระบวนการถอยหลังที่ไม่หมายถึงซึ่งสามารถเคลื่อนที่ห่างจากค่าเฉลี่ยได้ทั้งในทิศทางบวกหรือลบ อีกลักษณะหนึ่งของการเดินแบบสุ่มคือความแปรปรวนที่วิวัฒนาการไปตามกาลเวลาและไปสู่อนันต์เมื่อเวลาผ่านไปสู่อนันต์ ดังนั้นการเดินแบบสุ่มไม่สามารถทำนายได้
• การเดินแบบสุ่มที่มีการล่องลอย (Y _t = α + Y _t-1 + ε _t )
  คาดการณ์ว่าค่าในเวลา "t" จะเท่ากับค่าของช่วงเวลาสุดท้ายบวกค่าคงที่หรือลอย (α) และระยะเสียงสีขาว (ε _t ) จากนั้นกระบวนการจะสุ่มเดินด้วยการลอย . นอกจากนี้ยังไม่ได้กลับไปเป็นค่าเฉลี่ยระยะยาวและมีความแปรปรวนขึ้นอยู่กับเวลา
• Deterministic Trend (Y _t = α + βt + t ₎ บ่อยๆการเดินแบบสุ่มกับการลอยตัวจะสับสนสำหรับแนวโน้มการกำหนด ทั้งสองแบบมีการดริฟท์และส่วนประกอบสัญญาณรบกวนสีขาว แต่ค่าในเวลา "t" ในกรณีเดินสุ่มจะถอยกลับไปที่ค่าของช่วงเวลาสุดท้าย (Y
  t-1 _{) ในขณะที่ แนวโน้มกำหนดมันเป็น regressed ในแนวโน้มเวลา (βt) กระบวนการแบบไม่คงที่ที่มีแนวโน้มกำหนดการมีค่าเฉลี่ยที่เติบโตขึ้นตามแนวโน้มคงที่ซึ่งเป็นค่าคงที่และเป็นอิสระจากเวลา} การเดินแบบสุ่มที่มีการเคลื่อนที่แบบลอยตัวและค่าความแปรปรวน (Y
• t _{= α + Y} t-1 _{+ βt + ε} t ₎ (α) และแนวโน้มการกำหนด (βt) จะระบุค่าในเวลา "t" ตามค่าของช่วงเวลาที่เป็นดริฟท์เทรนด์และองค์ประกอบแบบสแตติก
  แนวคิดเกี่ยวกับแนวคิดด้านการเงิน ) เทรนด์และความแตกต่าง

การเดินแบบสุ่มโดยมีหรือไม่มีการล่องลอยสามารถเปลี่ยนเป็นกระบวนการหยุดนิ่งได้โดยการทำให้เกิดความแตกต่างกัน (ลบ Y
t-1 _{จาก Y} t, _{ให้ความแตกต่าง Y} t _{- Y} t-1 _{) ตามลำดับ Y > t} - Y _t-1 = ε _t หรือ Y _t - Y _t-1 = α + ε < t _{แล้วกระบวนการจะกลายเป็นความแตกต่าง - stationary ข้อเสียของความแตกต่างคือกระบวนการนี้จะสูญเสียการสังเกตหนึ่งครั้งในแต่ละครั้งที่เกิดความแตกต่าง} Copryright © 2007 Investopedia. com _{รูปที่ 3} กระบวนการแบบไม่คงที่ที่มีแนวโน้มกำหนดจะกลายเป็นนิ่งหลังจากลบแนวโน้มหรือทำให้เสียหาย ยกตัวอย่างเช่น Yt = α + βt + εtกลายเป็นกระบวนการนิ่งโดยการลบแนวโน้มβt: yt - βt = α + εtดังแสดงในรูปที่ 4 ด้านล่าง การสังเกตการณ์ไม่มีการสูญเสียเมื่อ detrending ใช้ในการแปลงกระบวนการที่ไม่ใช่นิ่งไปเป็น stationary

Copryright © 2007 Investopedia. com

รูปที่ 4

ในกรณีของการเดินแบบสุ่มที่มีแนวโน้มการลอยตัวและ deterministic การ detrending สามารถลบแนวโน้ม deterministic และ drift แต่ความแปรปรวนจะยังคงไปสู่อนันต์ เป็นผลให้ความแตกต่างต้องถูกนำมาใช้เพื่อลบแนวโน้มแบบสุ่ม

บทสรุป

การใช้ข้อมูลอนุกรมเวลาแบบไม่คงที่ในโมเดลทางการเงินทำให้เกิดผลลัพธ์ที่ไม่น่าเชื่อถือและไม่เหมาะสมและนำไปสู่ความเข้าใจและการคาดการณ์ที่ไม่ดี การแก้ปัญหาคือการแปลงข้อมูลชุดเวลาเพื่อให้เป็นนิ่ง ถ้ากระบวนการที่ไม่ใช่ stationary เป็นการเดินแบบสุ่มโดยมีหรือไม่มี drift มันจะกลายเป็นกระบวนการนิ่งโดย differencingในทางตรงกันข้ามถ้าการวิเคราะห์ข้อมูลอนุกรมเวลาแสดงถึงแนวโน้มเชิง deterministic ผลลัพธ์ที่ไม่แน่นอนสามารถหลีกเลี่ยงได้โดย detrending บางครั้งชุดที่ไม่ใช่ stationary อาจรวมแนวโน้มสุ่มและ deterministic ในเวลาเดียวกันและเพื่อหลีกเลี่ยงผลที่ทำให้เข้าใจผิดทั้ง differencing และ detrending ควรใช้เป็น differencing จะลบแนวโน้มความแปรปรวนและ detrending จะลบแนวโน้ม deterministic