Finansielle institusjoner og foretak samt individuelle investorer og forskere bruker ofte økonomiske tidsseriedata (som aktivpriser, valutakurser, BNP, inflasjon og andre makroøkonomiske indikatorer) i økonomiske prognoser, aksjemarkedsanalyse eller studier av dataene selv.

Men raffinering av data er nøkkelen til å kunne bruke den til lageranalyse. I denne artikkelen viser vi deg hvordan du isolerer datapunkter som er relevante for lagerrapporter.

Matlaging Raw Data
Datapunkter er ofte ikke-stasjonære eller har midler, avvik og covariances som endrer seg over tid. Ikke-stasjonær oppførsel kan være trender, sykluser, tilfeldige turer eller kombinasjoner av de tre.

Ikke-stasjonære data, som regel, er uforutsigbare og kan ikke modelleres eller forventes. Resultatene som er oppnådd ved bruk av ikke-stationære tidsserier, kan være falske fordi de kan indikere et forhold mellom to variabler der man ikke eksisterer. For å motta konsistente og pålitelige resultater, må de ikke-stasjonære dataene omdannes til stasjonære data. I motsetning til den ikke-stasjonære prosessen som har en variabel varians og et middel som ikke forblir nær eller går tilbake til et langsiktig gjennomsnitt over tid, går den stasjonære prosessen rundt et konstant langsiktig middel og har en konstant varians uavhengig av tiden.

Copryright © 2007 Investopedia. com

Figur 1

Typer av ikke-stationære prosesser
Før vi kommer til transformasjonspunktet for de ikke-stationære økonomiske tidsseriedataene, bør vi skille mellom de forskjellige typene av de ikke-stationære prosessene. Dette vil gi oss en bedre forståelse av prosessene og tillate oss å anvende riktig transformasjon. Eksempler på ikke-stasjonære prosesser er tilfeldig gange med eller uten drift (en langsom jevn forandring) og deterministiske trender (trender som er konstante, positive eller negative, uavhengig av tid for hele livet i serien).

Copryright © 2007 Investopedia. com

Figur 2

• Pure Random Walk (Y _t = Y _t-1 + e _t )
  Tilfeldig gange forutser at verdi på tid "t" vil være lik den siste perioden verdi pluss en stokastisk (ikke-systematisk) komponent som er en hvit støy, som betyr at ε _t er uavhengig og identisk fordelt med gjennomsnittlig "0" og varians "σ²". Tilfeldig gange kan også bli kalt en prosess integrert i noen rekkefølge, en prosess med enhetsrot eller en prosess med en stokastisk trend. Det er en ubetydelig tilbakekallingsprosess som kan bevege seg vekk fra den gjennomsnittlige, enten i positiv eller negativ retning. En annen karakteristisk for en tilfeldig spasertur er at variansen utvikler seg over tid og går til uendelig når tiden går til uendelig; Derfor kan en tilfeldig spasertur ikke forutsies.
• Tilfeldig gange med drift (Y _t = a + Y _t-1 + ε _t )
  forutsetter at verdien på tiden "t" vil tilsvare den siste periodens verdi pluss en konstant, eller drift (α) og en hvit støyperiode (ε _t ), så går prosessen tilfeldig med en drift . Det går heller ikke tilbake til et langsiktig gjennomsnitt og har avvik avhengig av tid.
• Deterministisk trend (Y _t = a + βt + ε _t )
  Ofte blir en tilfeldig tur med en drift forvirret for en deterministisk trend. Begge har en drift og en hvit støykomponent, men verdien på tidspunktet "t" i tilfelle av en tilfeldig spasertur regresseres på den siste periodens verdi (Y _t-1 ), mens i tilfelle av en deterministisk trend det regreses på en tidstrend (βt). En ikke-stationær prosess med en deterministisk trend har et middel som vokser rundt en fast trend, som er konstant og uavhengig av tiden.
• Tilfeldig gange med drift og deterministisk trend (Y _t = a + Y _t-1 + βt + ε _t )
  Et annet eksempel er en ikke-stasjonær prosess som kombinerer en tilfeldig tur med en driftskomponent (α) og en deterministisk trend (βt). Det spesifiserer verdien på tidspunktet "t" etter den siste periodens verdi, en drift, en trend og en stokastisk komponent. (For å lære mer om tilfeldige turer og trender, se vår veiledning på Financial Concepts ).

Stilling og forskjell Stasjonær
En tilfeldig tur med eller uten drift kan omdannes til en stasjonær prosess ved å differensiere (subtraherer Y _t-1 fra Y _t, idet forskjellen Y _t - Y _t-1 ) tilsvarende til Y > t _{- Y} t-1 _{= e} t _{eller Y} t _{- Y} t-1 _{= a + e < t} og så blir prosessen forskjellig stasjonær. Ulempen med differensiering er at prosessen mister en observasjon hver gang forskjellen blir tatt. _{Copryright © 2007 Investopedia. com} Figur 3

En ikke-stationær prosess med en deterministisk trend blir stasjonær etter fjerning av trenden eller avvikende. For eksempel transformeres Yt = a + βt + εt til en stasjonær prosess ved å subtrahere trenden βt: Yt - βt = α + εt, som vist i figur 4 nedenfor. Ingen observasjon går tapt når avskrekkingen brukes til å omforme en ikke-stasjonær prosess til en stasjonær.

Copryright © 2007 Investopedia. com

Figur 4

I tilfelle av en tilfeldig tur med en drift og deterministisk trend, kan detrendende fjerne den deterministiske trenden og driften, men variansen vil fortsette å gå til uendelig. Som et resultat må differensiering også brukes for å fjerne den stokastiske trenden.

Konklusjon

Bruk av ikke-stationære tidsseriedata i finansielle modeller gir upålitelige og falske resultater og fører til dårlig forståelse og prognoser. Løsningen på problemet er å transformere tidsseriedataene slik at de blir stasjonære. Hvis den ikke-stationære prosessen er en tilfeldig tur med eller uten driv, blir den omgjort til stasjonær prosess ved differensiering.På den annen side, hvis tidsseriedataene analyseres utviser en deterministisk trend, kan de falske resultatene unngås ved å avvike. Noen ganger kan den ikke-stasjonære serien kombinere en stokastisk og deterministisk trend samtidig, og for å unngå å oppnå misvisende resultater, bør både differensiering og avviking brukes, da differensiering vil fjerne trenden i variansen og avvikende vil fjerne den deterministiske trenden.