غالبًا ما تستخدم المؤسسات والشركات المالية ، فضلاً عن المستثمرين الأفراد والباحثين ، بيانات السلاسل الزمنية المالية (مثل أسعار الأصول ، وأسعار الصرف ، والناتج المحلي الإجمالي ، والتضخم ، وغيرها من مؤشرات الاقتصاد الكلي) في التنبؤات الاقتصادية ، وتحليل سوق الأوراق المالية ، أو دراسات البيانات نفسها.
لكن تحسين البيانات هو مفتاح القدرة على تطبيقها على تحليل الأسهم الخاصة بك. ، سنعرض لك كيفية عزل نقاط البيانات ذات الصلة بتقارير الأسهم الخاصة بك.
مقدمة في العمليات الثابتة وغير الثابتة
طبخ البيانات الخام
غالبًا ما تكون نقاط البيانات غير ثابتة أو تحتوي على وسائل وفروق وتغيرات مشتركة تتغير بمرور الوقت. يمكن أن تكون السلوكيات غير الثابتة اتجاهات أو دورات أو مسارات عشوائية أو مجموعات من الثلاثة.
البيانات غير الثابتة ، كقاعدة عامة ، لا يمكن التنبؤ بها ولا يمكن نمذجتها أو التنبؤ بها. قد تكون النتائج التي تم الحصول عليها باستخدام سلاسل زمنية غير ثابتة زائفة من حيث أنها قد تشير إلى وجود علاقة بين متغيرين حيث لا يوجد أحد. من أجل الحصول على نتائج متسقة وموثوقة ، يجب تحويل البيانات غير الثابتة إلى بيانات ثابتة. على عكس العملية غير الثابتة التي لها تباين متغير ووسيلة لا تبقى قريبة ، أو تعود إلى المدى الطويل مع مرور الوقت ، تعود العملية الثابتة حول متوسط ثابت طويل الأجل ولها تباين ثابت مستقل من الوقت.
الشكل 1 - حقوق النشر محفوظة © 2007 Investopedia.com
أنواع العمليات غير الثابتة
قبل أن نصل إلى نقطة التحول لبيانات السلاسل الزمنية المالية غير الثابتة ، يجب أن نميز بين الأنواع المختلفة من العمليات غير الثابتة. سيوفر لنا ذلك فهمًا أفضل للعمليات ويسمح لنا بتطبيق التحول الصحيح. من الأمثلة على العمليات غير الثابتة السير العشوائي مع أو بدون انجراف (تغيير ثابت بطيء) واتجاهات حتمية (اتجاهات ثابتة أو إيجابية أو سلبية ، مستقلة عن الوقت لحياة السلسلة بأكملها).
الشكل 2 - حقوق النشر محفوظة © 2007 Investopedia.com
- المشي العشوائي النقي (Y t = Y t-1 + ε t) يتنبأ المشي العشوائي بأن القيمة في الوقت "t" ستكون مساوية لقيمة الفترة الأخيرة بالإضافة إلى مكون عشوائي (غير منتظم) يمثل ضوضاء بيضاء ، والتي يعني ε t مستقل ويتم توزيعه بشكل مماثل مع متوسط "0" والتباين "σ²". يمكن أيضًا تسمية المسيرة العشوائية بأنها عملية مدمجة لبعض الترتيب ، أو عملية ذات جذر وحدة أو عملية ذات اتجاه عشوائي. إنها عملية غير معتدلة يمكن أن تبتعد عن المتوسط سواء في اتجاه إيجابي أو سلبي. من الخصائص الأخرى للمشي العشوائي أن التباين يتطور مع مرور الوقت ويذهب إلى ما لا نهاية مع مرور الوقت إلى ما لا نهاية. لذلك ، لا يمكن التنبؤ بمسافة عشوائية. المشي العشوائي مع الانجراف (Y t = α + Y t-1 + ε t) إذا توقع نموذج المشي العشوائي أن القيمة في الوقت "t" ستساوي قيمة الفترة الأخيرة بالإضافة إلى ثابت ، أو انجراف (α) ، و مصطلح الضوضاء البيضاء (ε t) ، فإن العملية هي المشي العشوائي مع الانجراف. كما أنه لا يعود إلى المدى الطويل ولديه تباين يعتمد على الوقت. الاتجاه الحاسم (Y t = α + βt + ε t) غالبًا ما يتم خلط المشي العشوائي مع الانجراف في اتجاه حتمي. يشتمل كلاهما على عنصر الانجراف والضوضاء البيضاء ، ولكن القيمة في الوقت "t" في حالة المشي العشوائي تتراجع على قيمة الفترة الأخيرة (Y t-1) ، بينما في حالة وجود اتجاه حاسم ، فإنها تتراجع في اتجاه الوقت (βt). إن العملية غير الثابتة ذات الاتجاه الحتمية لها معنى ينمو حول اتجاه ثابت ، وهو ثابت ومستقل عن الزمن. المشي العشوائي مع الانجراف والاتجاه الحاسم (Y t = α + Y t-1 + βt + ε t) مثال آخر هو عملية غير ثابتة تجمع بين المشي العشوائي مع مكون الانجراف (α) واتجاه محدد (βt). تحدد القيمة في الوقت "t" حسب قيمة الفترة الماضية ، والانحراف ، والاتجاه ، والمكون العشوائي. (لمعرفة المزيد عن مسارات واتجاهات عشوائية ، راجع البرنامج التعليمي للمفاهيم المالية .)
الاتجاه والفرق ثابتة
يمكن تحويل المشي العشوائي مع أو بدون انجراف إلى عملية ثابتة عن طريق التفريق (طرح Y t-1 من Y t ، مع مراعاة الفرق Y t - Y t-1) المقابلة لـ Y t - Y t-1 = ε t أو Y t - Y t-1 = α + ε t وبعد ذلك تصبح العملية ثابتة. عيب الاختلاف هو أن العملية تفقد ملاحظة واحدة في كل مرة يتم فيها الاختلاف.
الشكل 3 - حقوق النشر محفوظة © 2007 Investopedia.com
تصبح العملية غير الثابتة ذات الاتجاه الحاسم ثابتة بعد إزالة الاتجاه أو الانحدار. على سبيل المثال ، يتم تحويل Yt = α + βt + transformt إلى عملية ثابتة عن طريق طرح الاتجاه βt: Yt - βt = α + εt ، كما هو مبين في الشكل 4 أدناه. لا تُفقد أي ملاحظة عند استخدام detrending لتحويل عملية غير ثابتة إلى عملية ثابتة.
الشكل 4 - حقوق النشر محفوظة © 2007 Investopedia.com
في حالة المشي العشوائي مع الاتجاه الانجراف والحتمية ، يمكن أن يزيل detrending الاتجاه الحتمية والانجراف ، ولكن الفرق سيستمر في الذهاب إلى ما لا نهاية. نتيجة لذلك ، يجب أيضًا تطبيق الفروق لإزالة الاتجاه العشوائي.
استنتاج
يؤدي استخدام بيانات السلاسل الزمنية غير الثابتة في النماذج المالية إلى نتائج غير موثوقة وزائفة ويؤدي إلى سوء الفهم والتنبؤ. يكمن حل المشكلة في تحويل بيانات السلاسل الزمنية بحيث تصبح ثابتة. إذا كانت العملية غير الثابتة عبارة عن مسار عشوائي مع أو بدون انجراف ، يتم تحويلها إلى عملية ثابتة عن طريق التمييز. من ناحية أخرى ، إذا أظهرت بيانات السلاسل الزمنية التي تم تحليلها اتجاهًا حاسمًا ، فيمكن تجنب النتائج الزائفة عن طريق الإبطال. في بعض الأحيان ، قد تجمع السلسلة غير الثابتة بين الاتجاه العشوائي والحاسم في الوقت نفسه ، ولتجنب الحصول على نتائج مضللة ، يجب تطبيق كلا من الاختلاف والتجاهل ، حيث أن الاختلاف سيؤدي إلى إزالة الاتجاه في التباين وسيؤدي الاتجاه إلى إزالة الاتجاه المحدد.
