Panimula sa nakatigil at hindi

Ang mga institusyong pampinansyal at korporasyon, pati na rin ang mga indibidwal na namumuhunan at mananaliksik, ay madalas na gumagamit ng data sa serye ng oras ng pananalapi (tulad ng mga presyo ng asset, mga rate ng palitan, GDP, inflation at iba pang mga tagapagpahiwatig ng macroeconomic) sa mga pagtataya sa ekonomiya, pagsusuri sa stock market, o pag-aaral ng data mismo.

Ngunit ang pagpipino ng data ay susi sa pag-apply nito sa iyong pagsusuri sa stock., ipapakita namin sa iyo kung paano ibukod ang mga puntos ng data na may kaugnayan sa iyong mga ulat sa stock.

Dumating sa Mga Proseso sa Stationary at Non-Stationary

Pagluluto ng Raw Data

Ang mga puntos ng data ay madalas na hindi nakatigil o may mga paraan, mga pagkakaiba-iba at covariances na nagbabago sa paglipas ng panahon. Ang mga di-nakatigil na pag-uugali ay maaaring maging mga uso, siklo, random na paglalakad o mga kumbinasyon ng tatlo.

Ang mga di-nakatigil na data, bilang panuntunan, ay hindi mahuhulaan at hindi maaaring maging modelo o pagtataya. Ang mga resulta na nakuha sa pamamagitan ng paggamit ng mga di-nakatigil na serye ng oras ay maaaring magalit dahil maaari nilang ipahiwatig ang isang relasyon sa pagitan ng dalawang variable kung saan wala ang isang tao. Upang makatanggap ng pare-pareho, maaasahang mga resulta, ang di-nakatigil na data ay kailangang mabago sa nakatigil na data. Kabaligtaran sa hindi nagpipigil na proseso na may isang pagkakaiba-iba ng pagkakaiba-iba at isang ibig sabihin na hindi mananatiling malapit, o bumalik sa isang pangmatagalang kahulugan sa paglipas ng panahon, ang nakatigil na proseso ay humuhula sa paligid ng isang palaging pangmatagalang kahulugan at may palagiang pagkakaiba-iba ng oras.

Mga Uri ng Mga Proseso na Hindi Nakatigil

Bago tayo makarating sa punto ng pagbabagong-anyo para sa mga di-nakatigil na data ng serye ng oras ng pananalapi, dapat nating makilala sa pagitan ng iba't ibang uri ng mga di-nakatigil na proseso. Magbibigay ito sa amin ng isang mas mahusay na pag-unawa sa mga proseso at payagan kaming mag-aplay ng tamang pagbabagong-anyo. Ang mga halimbawa ng mga hindi nagpipigil na proseso ay random na paglalakad na may o walang isang pag-agal (isang mabagal na matatag na pagbabago) at mga deterministikong mga uso (mga uso na palagi, positibo o negatibo, independiyenteng oras para sa buong buhay ng serye).

Pure Random Walk (Y _t = Y _t-1 + ε _t) Random na paglalakad ay hinuhulaan na ang halaga sa oras na "t" ay magiging katumbas ng huling halaga ng panahon kasama ang isang sangkap na stochastic (non-systematic) na isang puting ingay, na nangangahulugan na ang ε _t ay independyente at magkatulad na ipinamahagi na may mean na "0" at pagkakaiba-iba "σ²." Ang Random na paglalakad ay maaari ring pinangalanang isang proseso na isinama ng ilang pagkakasunud-sunod, isang proseso na may isang ugat ng yunit o isang proseso na may isang kalakaran na takbo. Ito ay isang proseso na hindi nangangahulugan na maaaring lumayo sa ibig sabihin alinman sa positibo o negatibong direksyon. Ang isa pang katangian ng isang random na paglalakad ay ang pagkakaiba-iba ay nagbabago sa paglipas ng panahon at napunta sa kawalang-hanggan habang ang oras ay dumadaan sa kawalang-hanggan; samakatuwid, ang isang random na lakad ay hindi mahuhulaan. Kung ang Random Walk na may Drift (Y _t = α + Y _t-1 + ε _t) Kung hinuhulaan ng random na modelo ng lakad na ang halaga sa oras na "t" ay katumbas ng halaga ng huling panahon kasama ang isang pare-pareho, o naaanod (α), at isang puting ingay na termino (ε _t), kung gayon ang proseso ay random na paglalakad na may isang naaanod. Hindi rin ito bumabalik sa isang pangmatagalang kahulugan at may pagkakaiba-iba depende sa oras. Deterministic Trend (Y _t = α + βt + ε _t) Kadalasan ang isang random na paglalakad na may isang naaanod ay nalilito para sa isang deterministikong takbo. Parehong kasama ang isang naaanod at isang puting sangkap ng ingay, ngunit ang halaga sa oras na "t" sa kaso ng isang random na lakad ay muling naka-rehistro sa halaga ng huling panahon (Y _t-1), habang sa kaso ng isang deterministikong trend na ito ay muling nabagayan sa takbo ng oras (βt). Ang isang di-nakapipigil na proseso na may isang deterministic na takbo ay nangangahulugang lumalaki sa paligid ng isang nakapirming kalakaran, na kung saan ay pare-pareho at independiyenteng oras. Random Walk na may Drift at Deterministic Trend (Y _t = α + Y _t-1 + βt + ε _t) Ang isa pang halimbawa ay isang hindi nakapipigil na proseso na pinagsasama ang isang random na paglalakad na may isang bahagi ng drift (α) at isang deterministikong takbo (βt). Tinukoy nito ang halaga sa oras na "t" sa pamamagitan ng halaga ng huling panahon, isang naaanod, isang kalakaran at isang sangkap na stoklasiko. (Upang malaman ang higit pa tungkol sa mga random na paglalakad at mga uso, tingnan ang aming Tutorial sa Pinansyal na Konsepto .)

Trend at Pagkakaiba ng Stationary

Ang isang random na paglalakad na may o walang pag-agos ay maaaring mabago sa isang nakatigil na proseso sa pamamagitan ng pagkakaiba (pagbabawas ng Y _t-1 mula sa Y _t, pagkuha ng pagkakaiba sa Y _t - Y _t-1) na nauugnay sa Y _t - Y _t-1 = ε _t o Y _t - Y _t-1 = α + ε _t at pagkatapos ang proseso ay nagiging pagkakaiba-galaw. Ang kawalan ng pagkakaiba ay ang proseso ay nawawala sa isang obserbasyon sa bawat oras na makuha ang pagkakaiba.

Ang isang di-nakatigil na proseso na may isang deterministic na takbo ay nagiging nakapipigil pagkatapos maalis ang takbo, o pumipigil. Halimbawa, ang Yt = α + βt + εt ay nabago sa isang nakatigil na proseso sa pamamagitan ng pagbabawas ng takbo: Yt - βt = α + εt, tulad ng ipinapakita sa Larawan 4 sa ibaba. Walang nawala na pagmamasid kapag ang pagsamsam ay ginagamit upang ibahin ang anyo ng isang hindi nakatigil na proseso sa isang nakatigil.

Sa kaso ng isang random na lakad na may isang pag-agos at deterministik na takbo, ang pag-detrending ay maaaring mag-alis ng deterministic na takbo at ang pag-drift, ngunit ang pagkakaiba-iba ay magpapatuloy na magpunta sa kawalang-hanggan. Bilang isang resulta, ang pagkakaiba-iba ay dapat ding mailapat upang maalis ang kalakhang istilo.

Konklusyon

Ang paggamit ng mga hindi nagpipigil na data ng serye ng oras sa mga modelo ng pananalapi ay gumagawa ng hindi mapagkakatiwalaan at galit na mga resulta at humantong sa mahinang pag-unawa at pagtataya. Ang solusyon sa problema ay upang baguhin ang data ng serye ng oras upang maging nakatigil ito. Kung ang proseso na hindi nakatigil ay isang random na lakad na may o walang pag-agos, ito ay nababago sa nakatigil na proseso sa pamamagitan ng pagkakaiba. Sa kabilang banda, kung pinag-aralan ng data ng serye ng oras ang isang deterministikong takbo, ang maiiwasang mga resulta ay maiiwasan sa pamamagitan ng pag-iingat. Minsan ang seryeng hindi nagpipigil ay maaaring pagsamahin ang isang stochastic at deterministic na takbo sa parehong oras at upang maiwasan ang pagkuha ng maling mga resulta ng parehong pagkakaiba at pag-detrending ay dapat mailapat, dahil ang pagkakaiba ay aalisin ang takbo sa pagkakaiba-iba at pag-aalis ay aalisin ang tinukoy na takbo.

Talaan ng mga Nilalaman: