Aikasarja

Mikä on aikasarja?

Aikasarja on sarja datapisteitä, jotka esiintyvät peräkkäisessä järjestyksessä tietyn ajanjakson aikana. Tätä voidaan verrata poikkileikkaustietoihin,. jotka kuvaavat tietyn ajankohdan.

Sijoittamisessa aikasarja seuraa valittujen tietopisteiden, kuten arvopaperin hinnan, liikettä tietyn ajanjakson aikana säännöllisin väliajoin tallennetuin tietopistein. Ei ole olemassa vähimmäis- tai enimmäisaikaa, joka on otettava huomioon, mikä mahdollistaa tietojen keräämisen tavalla, joka tarjoaa toimintaa tutkivan sijoittajan tai analyytikon etsimän tiedon.

Aikasarjan ymmärtäminen

Aikasarja voidaan ottaa mistä tahansa muuttujasta, joka muuttuu ajan myötä. Sijoittamisessa on yleistä käyttää aikasarjoja arvopaperin hinnan seuraamiseen ajan kuluessa. Tätä voidaan seurata lyhyellä aikavälillä, kuten arvopaperin hinta tunnin aikana arkipäivän aikana tai pitkällä aikavälillä, kuten arvopaperin hinta jokaisen kuukauden viimeisenä päivänä. viiden vuoden aikana.

Aikasarjaanalyysi voi olla hyödyllistä nähdäksesi, kuinka tietty omaisuus, arvopaperi tai taloudellinen muuttuja muuttuu ajan myötä. Sitä voidaan myös käyttää tutkimaan, kuinka valittuun datapisteeseen liittyvät muutokset verrataan muiden muuttujien muutoksiin saman ajanjakson aikana.

Aikasarjoja käytetään myös useissa ei-taloudellisissa yhteyksissä, kuten väestön muutoksen mittaamisessa ajan kuluessa. Alla oleva kuva esittää tällaista aikasarjaa Yhdysvaltain väestön kasvulle vuosisadalla 1900-2000.

Aikasarja-analyysi

Oletetaan, että haluat analysoida tietyn osakkeen päivittäisten päätöskurssien aikasarjaa yhden vuoden ajanjaksolla. Hankit luettelon kaikista osakkeen päätöskursseista jokaiselta päivältä kuluneelta vuodelta ja luettelet ne kronologisessa järjestyksessä. Tämä olisi osakkeen yhden vuoden päivittäinen päätöskurssin aikasarja.

Hieman syvemmälle tarkasteltuna voit analysoida aikasarjatietoja teknisten analyysityökalujen avulla selvittääksesi, onko osakkeen aikasarjassa kausiluonteisuutta. Tämä auttaa määrittämään, käykö varasto läpi huippuja ja aaltoja säännöllisesti vuosittain. Tämän alueen analyysi edellyttäisi havaittujen hintojen ottamista ja niiden korreloimista valittuun vuodenaikaan. Tämä voi sisältää perinteiset kalenterikaudet, kuten kesä ja talvi, tai vähittäismyyntikaudet, kuten lomakaudet.

Vaihtoehtoisesti voit kirjata osakkeen kurssin muutokset, jotka liittyvät taloudelliseen muuttujaan, kuten työttömyysasteeseen. Korreloimalla datapisteitä valittuun taloudelliseen muuttujaan liittyviin tietoihin voit havaita kuvioita tilanteissa, joissa tietopisteiden ja valitun muuttujan välillä on riippuvuutta.

Yksi mahdollinen aikasarjatietojen ongelma on, että koska jokainen muuttuja on riippuvainen aikaisemmasta tilastaan tai arvostaan, voi esiintyä paljon autokorrelaatiota,. mikä voi vääristää tuloksia.

Aikasarjaennuste

Aikasarjaennuste käyttää historiallisia arvoja ja niihin liittyviä malleja koskevia tietoja tulevan toiminnan ennustamiseen. Useimmiten tämä liittyy trendianalyysiin, suhdannevaihteluanalyysiin ja kausivaihteluihin. Kuten kaikki ennustemenetelmät, menestystä ei voida taata.

Esimerkiksi Box-Jenkins-malli on tekniikka, joka on suunniteltu ennustamaan tietoalueita tietyn aikasarjan syötteiden perusteella. Se ennustaa tiedot käyttämällä kolmea periaatetta, autoregressiota,. erotusta ja liukuvaa keskiarvoa. Nämä kolme periaatetta tunnetaan nimellä p, d ja q. Jokaista periaatetta käytetään Box-Jenkins-analyysissä ja yhdessä ne esitetään yhdessä autoregressiivisenä integroituna liukuvana keskiarvona tai ARIMA-na (p, d, q). ARIMAa voidaan käyttää esimerkiksi osakekurssien tai tuloskasvun ennustamiseen.

Toista menetelmää, joka tunnetaan nimellä uudelleenskaalattu alueanalyysi,. voidaan käyttää aikasarjatietojen pysyvyyden, satunnaisuuden tai keskimääräisen palautumisen määrän havaitsemiseen ja arvioimiseen. Uudelleenskaalattua vaihteluväliä voidaan käyttää tulevan arvon tai keskiarvon ekstrapoloimiseen tiedoille, jotta voidaan nähdä, onko trendi vakaa vai todennäköisesti kääntyy.

Poikkileikkaus vs. aikasarja-analyysi

Poikkileikkausanalyysi on yksi kahdesta varastoanalyysin kattavasta vertailumenetelmästä. Poikkileikkausanalyysi tarkastelee tietoja, jotka on kerätty yhdestä hetkestä, eikä tietyltä ajanjaksolta. Analyysi alkaa tutkimustavoitteiden asettamisesta ja muuttujien määrittelystä, joita analyytikko haluaa mitata. Seuraava askel on tunnistaa poikkileikkaus, kuten vertaisryhmä tai toimiala, ja asettaa tietty arvioitava ajankohta. Viimeinen vaihe on tehdä analyysi poikkileikkauksen ja muuttujien perusteella ja tehdä johtopäätös yrityksen tai organisaation suorituskyvystä. Pohjimmiltaan poikkileikkausanalyysi osoittaa sijoittajalle, mikä yritys on paras heidän välittämiensä mittareiden perusteella.

Aikasarjaanalyysi, jota kutsutaan trendianalyysiksi, kun se koskee teknistä kauppaa, keskittyy yhteen arvopaperiin ajan mittaan. Tässä tapauksessa hintaa arvioidaan sen aiemman kehityksen perusteella. Aikasarja-analyysi näyttää sijoittajalle, meneekö yrityksellä paremmin vai huonommin kuin ennen niillä toimenpiteillä, joista hän välittää. Usein nämä ovat klassikoita, kuten osakekohtainen tulos (EPS), velan suhde omaan pääomaan, vapaa kassavirta (FCF) ja niin edelleen. Käytännössä sijoittajat käyttävät yleensä aikasarjaanalyysin ja poikkileikkausanalyysin yhdistelmää ennen päätöksentekoa. Esimerkiksi EPS:n tarkasteleminen ajan mittaan ja sitten myös alan vertailuindeksin EPS tarkistaminen.

Kohokohdat

• Vaikka poikkileikkaustiedot nähdään aikasarjojen vastakohtana, niitä käytetään usein käytännössä yhdessä.

• Aikasarjoja hyödyntäviä ennustemenetelmiä käytetään sekä fundamentaalisessa että teknisessä analyysissä.

• Aikasarjaanalyysi voi olla hyödyllistä nähdäksesi, kuinka tietty omaisuus, arvopaperi tai taloudellinen muuttuja muuttuu ajan myötä.

• Aikasarja on tietojoukko, joka seuraa näytettä ajan kuluessa.

• Erityisesti aikasarjan avulla voidaan nähdä, mitkä tekijät vaikuttavat tiettyihin muuttujiin jaksoittain.

UKK

Kuinka analysoit aikasarjatietoja?

Tilastotekniikoita voidaan käyttää aikasarjatietojen analysointiin kahdella keskeisellä tavalla: tehdä johtopäätöksiä siitä, kuinka yksi tai useampi muuttuja vaikuttaa johonkin kiinnostavaan muuttujaan ajan kuluessa, tai ennustaa tulevaisuuden trendejä. Toisin kuin poikkileikkausdata, joka on pohjimmiltaan yksi siivu aikasarjasta, ajan nuoli antaa analyytikolle mahdollisuuden tehdä uskottavampia kausaalisia väitteitä.

Miten aikasarjoja käytetään tiedon louhinnassa?

Tiedonlouhinta on prosessi, joka muuttaa raakadataa hyödylliseksi tiedoksi. Käyttämällä ohjelmistoja etsimään malleja suurista tietosarjoista, yritykset voivat oppia lisää asiakkaistaan kehittääkseen tehokkaampia markkinointistrategioita, lisätäkseen myyntiä ja alentaakseen kustannuksia. Aikasarjat, kuten historialliset tiedot yritysasiakirjoista tai tilinpäätöksistä, ovat erityisen hyödyllisiä tässä tunnistamaan trendejä ja malleja, joita voidaan ennustaa tulevaisuuteen.

Mitä esimerkkejä aikasarjoista?

Aikasarja voidaan muodostaa millä tahansa tiedolla, joka mitataan ajan kuluessa tasaisin välein. Historiallisia osakekursseja, tuloja, BKT:tä tai muita taloudellisia tai taloudellisia tietoja voidaan analysoida aikasarjoina.

Mikä on ero poikkileikkaus- ja aikasarjatietojen välillä?

Poikkileikkaus tarkastelee yhtä ajankohtaa, mikä on hyödyllistä vertailtaessa ja analysoitaessa eri tekijöiden vaikutusta toisiinsa tai kuvattaessa otosta. Aikasarjaan sisältyy toistuva otos samoista tiedoista ajan mittaan. Käytännössä molempia analyysimuotoja käytetään yleisesti; ja jos saatavilla, niitä käytetään yhdessä.