Tổ chức tài chính, tổng công ty cũng như các nhà đầu tư cá nhân và các nhà nghiên cứu thường sử dụng dữ liệu chuỗi thời gian tài chính (như giá tài sản, tỷ giá, GDP, lạm phát và các chỉ tiêu kinh tế vĩ mô khác) trong dự báo kinh tế, hoặc nghiên cứu chính các dữ liệu.

Nhưng tinh chế dữ liệu là chìa khóa để có thể áp dụng nó để phân tích chứng khoán của bạn. Trong bài này, chúng tôi sẽ chỉ cho bạn cách cô lập các điểm dữ liệu có liên quan đến báo cáo cổ phiếu của bạn.

Dữ liệu thô nấu chín Điểm dữ liệu thường không ổn định hoặc có các phương tiện, biến thiên và hiệp phương sai thay đổi theo thời gian. Hành vi không ổn định có thể là xu hướng, chu kỳ, đi bộ ngẫu nhiên hoặc sự kết hợp của ba.

Dữ liệu không cố định, theo nguyên tắc, là không thể dự đoán được và không thể mô phỏng hoặc dự báo được. Các kết quả thu được bằng cách sử dụng các chuỗi thời gian không cố định có thể là giả mạo vì chúng có thể chỉ ra mối quan hệ giữa hai biến không tồn tại. Để nhận được các kết quả nhất quán, đáng tin cậy, dữ liệu không cố định cần được chuyển thành dữ liệu tĩnh. Ngược lại với quá trình không cố định có biến số thay đổi và một giá trị không gần hoặc trở về thời gian dài có ý nghĩa theo thời gian, quá trình tĩnh dừng lại xung quanh một giá trị trung bình không đổi và có biến số không đổi độc lập thời gian.

AD:

Copryright © 2007 Investopedia. com

Hình 1

Các loại quy trình không cố định

Trước khi chúng ta chuyển sang các dữ liệu chuỗi thời gian không cố định, chúng ta cần phân biệt giữa các loại quy trình không cố định khác nhau. Điều này sẽ cung cấp cho chúng tôi một sự hiểu biết tốt hơn về các quy trình và cho phép chúng tôi áp dụng sự chuyển đổi chính xác. Ví dụ về các quy trình không cố định là đi bộ ngẫu nhiên có hoặc không có trôi dạt (thay đổi chậm ổn định) và xu hướng xác định (xu hướng liên tục, tích cực hoặc tiêu cực, độc lập với thời gian cho toàn bộ cuộc đời của bộ truyện).

AD:

Copryright © 2007 Investopedia. com

Hình 2

Chạy hoàn toàn ngẫu nhiên (Y

t

• = Y _t-1 + _t ) _{Ngẫu nhiên bước đi dự đoán rằng giá trị tại thời điểm "t" sẽ bằng với giá trị thời gian cuối cùng cộng với một thành phần ngẫu nhiên (phi hệ thống) là tiếng ồn trắng, có nghĩa là ε} t
  là độc lập và được phân bố đồng nhất với "0" phương sai "σ ²". Đi bộ ngẫu nhiên cũng có thể được đặt tên là một quá trình tích hợp của một số thứ tự, một quá trình với một đơn vị gốc hoặc một quá trình với xu hướng ngẫu nhiên. Đó là một quá trình hoàn nguyên không có nghĩa là có thể di chuyển ra khỏi trung bình hoặc là theo chiều dương hoặc âm. Một đặc điểm khác của một cuộc đi bộ ngẫu nhiên là sự thay đổi tiến hóa theo thời gian và đi đến vô cùng khi thời gian đi đến vô cùng; do đó, một cuộc đi bộ ngẫu nhiên không thể dự đoán được. _{Ngẫu nhiên Đi bộ với Drift} (Y
• t = α + Y _t-1 + _t ) _{dự đoán rằng giá trị tại thời điểm "t" sẽ bằng giá trị của khoảng thời gian cuối cùng cộng với một hằng số, hoặc trôi dạt (α) và một thuật ngữ nhiễu trắng (ε} t
  ), thì quá trình này ngẫu nhiên đi cùng với trôi . Nó cũng không trở lại với một giá trị dài hạn và có sự khác biệt phụ thuộc vào thời gian. _{Xu hướng xác định (Y} t
• = α + βt + t ₎ Thường thì đi bộ ngẫu nhiên với trôi dạt bị nhầm lẫn cho một xu hướng xác định. Cả hai đều có trôi dạt và một thành phần tiếng ồn trắng, nhưng giá trị tại thời điểm "t" trong trường hợp đi bộ ngẫu nhiên được hồi quy về giá trị của kỳ trước (Y _t-1 ), trong khi trong trường hợp một xu hướng xác định nó được hồi quy trên một xu hướng thời gian (βt). Một quá trình không cố định với xu hướng xác định có ý nghĩa phát triển theo xu hướng cố định, liên tục và không phụ thuộc vào thời gian.
  Sự di chuyển ngẫu nhiên với trôi và xu hướng xác định (Y _t = α + Y
• t-1 _{+ βt + ε} t ₎ một quá trình không cố định kết hợp một bước đi ngẫu nhiên với một thành phần trôi dạt (α) và một xu hướng xác định (βt). Nó chỉ định giá trị tại thời điểm "t" theo giá trị của kỳ trước, sự trôi dạt, xu hướng và một thành phần ngẫu nhiên. _{Xu hướng và sự khác biệt Văn phòng phẩm} Một cuộc đi bộ ngẫu nhiên có hoặc không có trôi dạt có thể được biến đổi thành một quá trình văn phòng do differencing (trừ Y
  t-1 từ Y t,

có sự khác biệt Y
t _{- Y} t-1 _{tương ứng với Y > t} - Y _t-1 = ε _t hoặc Y _t - Y _t-1 = α + ε < t _{và sau đó quá trình trở nên khác biệt-stationary. Những bất lợi của differencing là quá trình mất một quan sát mỗi khi sự khác biệt được thực hiện.} Copryright © 2007 Investopedia. com _{Hình 3} Một quy trình không cố định có xu hướng xác định sẽ trở nên không đổi sau khi loại bỏ xu hướng hoặc phát hiện ra. Ví dụ, Yt = α + βt + εt được biến đổi thành một quá trình tĩnh bằng cách trừ đi xu hướng βt: Yt - βt = α + εt, như thể hiện trong hình 4 bên dưới. Không có quan sát nào bị mất khi phát hiện ra được sử dụng để biến đổi một quá trình không cố định sang một mô hình tĩnh. _{Copryright © 2007 Investopedia. com} Hình 4 _{Trong trường hợp đi bộ ngẫu nhiên với xu hướng trôi dạt và xác định, detrending có thể loại bỏ xu hướng xác định và trôi dạt, nhưng phương sai sẽ tiếp tục đi đến vô cùng. Do đó, sự khác biệt cũng phải được áp dụng để loại bỏ xu hướng ngẫu nhiên.} Kết luận

Sử dụng số liệu thời gian không cố định trong các mô hình tài chính cho kết quả không đáng tin cậy và giả mạo và dẫn đến sự hiểu biết và dự báo kém. Giải pháp cho vấn đề này là chuyển đổi dữ liệu chuỗi thời gian để nó trở nên tĩnh. Nếu quá trình không cố định là đi bộ ngẫu nhiên có hoặc không có trôi, nó sẽ được biến đổi thành quy trình tĩnh bằng cách phân biệt.Mặt khác, nếu dữ liệu chuỗi thời gian phân tích thể hiện xu hướng xác định, thì các kết quả giả mạo có thể tránh được bằng cách phát hiện ra. Đôi khi chuỗi không cố định có thể kết hợp một xu hướng ngẫu nhiên và xác định cùng một lúc và để tránh gây ra các kết quả gây hiểu nhầm, cần phải áp dụng cả sự khác biệt và khử tạp chất, vì sự khác biệt sẽ loại bỏ xu hướng biến thể và xu hướng giảm xu hướng xác định.