Tidsserier
Hvad er en tidsserie?
En tidsserie er en sekvens af datapunkter, der forekommer i successiv rækkefølge over et vist tidsrum. Dette kan sammenlignes med tværsnitsdata,. som fanger et tidspunkt.
Ved investering sporer en tidsserie bevægelsen af de valgte datapunkter, såsom et værdipapirs pris, over en bestemt periode med datapunkter registreret med regelmæssige intervaller. Der er ingen minimums- eller maksimumsperiode, der skal medtages, hvilket gør det muligt at indsamle data på en måde, der giver den information, der søges af investoren eller analytikeren, der undersøger aktiviteten.
Forståelse af tidsserier
En tidsserie kan tages på enhver variabel, der ændrer sig over tid. Ved investering er det almindeligt at bruge en tidsserie til at spore prisen på et værdipapir over tid. Dette kan spores på kort sigt, såsom kursen på et værdipapir på timen i løbet af en arbejdsdag, eller på lang sigt, såsom kursen på et værdipapir ved lukning den sidste dag i hver måned i løbet af løbet af fem år.
Tidsserieanalyse kan være nyttig til at se, hvordan et givent aktiv, værdipapir eller økonomisk variabel ændrer sig over tid. Det kan også bruges til at undersøge, hvordan ændringerne forbundet med det valgte datapunkt sammenlignes med skift i andre variable i samme tidsperiode.
Tidsserier bruges også i flere ikke-finansielle sammenhænge, såsom måling af befolkningsændringen over tid. Nedenstående figur viser en sådan tidsserie for væksten i den amerikanske befolkning gennem århundredet fra 1900-2000.
Tidsserieanalyse
Antag, at du ville analysere en tidsserie af daglige slutaktiekurser for en given aktie over en periode på et år. Du vil få en liste over alle slutkurserne for aktien fra hver dag i det forløbne år og liste dem i kronologisk rækkefølge. Dette ville være en etårig daglig lukkekurstidsserie for aktien.
Dykker du lidt dybere, kan du analysere tidsseriedata med tekniske analyseværktøjer for at vide, om aktiens tidsserie viser nogen sæsonbestemthed. Dette vil hjælpe med at afgøre, om bestanden går gennem toppe og lavpunkter på faste tidspunkter hvert år. Analyse på dette område ville kræve at tage de observerede priser og korrelere dem til en valgt sæson. Dette kan omfatte traditionelle kalendersæsoner, såsom sommer og vinter, eller detailsæsoner, såsom feriesæsoner.
Alternativt kan du registrere en akties aktiekursændringer, da den relaterer sig til en økonomisk variabel, såsom arbejdsløshedsprocenten. Ved at korrelere datapunkterne med information relateret til den valgte økonomiske variabel, kan du observere mønstre i situationer, der udviser afhængighed mellem datapunkterne og den valgte variabel.
Et potentielt problem med tidsseriedata er, at da hver variabel er afhængig af dens tidligere tilstand eller værdi, kan der være en hel del autokorrelation,. hvilket kan påvirke resultaterne.
Tidsserieprognose
Tidsserieprognoser bruger information om historiske værdier og tilhørende mønstre til at forudsige fremtidig aktivitet. Oftest relaterer dette sig til trendanalyse, konjunkturudsvingsanalyse og spørgsmål om sæsonudsving. Som med alle prognosemetoder er succes ikke garanteret.
- Jenkins-modellen er for eksempel en teknik designet til at forudsige dataområder baseret på input fra en specificeret tidsserie. Den forudsiger data ved hjælp af tre principper, autoregression,. differentiering og glidende gennemsnit. Disse tre principper er kendt som henholdsvis p, d og q. Hvert princip bruges i Box-Jenkins-analysen og tilsammen vises de samlet som et autoregressivt integreret glidende gennemsnit eller ARIMA (p, d, q). ARIMA kan f.eks. bruges til at forudsige aktiekurser eller indtjeningsvækst.
En anden metode, kendt som rescaled range analysis,. kan bruges til at detektere og evaluere mængden af persistens, tilfældighed eller gennemsnitlig tilbagevenden i tidsseriedata. Det omskalerede område kan bruges til at ekstrapolere en fremtidig værdi eller gennemsnit for dataene for at se, om en tendens er stabil eller sandsynligvis vil vende.
Tværsnits- versus tidsserieanalyse
Tværsnitsanalyse er en af de to overordnede sammenligningsmetoder til bestandsanalyse. Tværsnitsanalyse ser på data indsamlet på et enkelt tidspunkt i stedet for over en periode. Analysen begynder med etablering af forskningsmål og definition af de variabler, som en analytiker ønsker at måle. Det næste trin er at identificere tværsnittet, såsom en gruppe af jævnaldrende eller en branche, og at indstille det specifikke tidspunkt, der vurderes. Det sidste trin er at foretage en analyse baseret på tværsnittet og variablerne og komme til en konklusion om en virksomheds eller organisations præstation. I det væsentlige viser tværsnitsanalyse en investor, hvilken virksomhed der er bedst givet de målinger, de interesserer sig for.
Tidsserieanalyse, kendt som trendanalyse , når det gælder teknisk handel, fokuserer på et enkelt værdipapir over tid. I dette tilfælde bliver prisen bedømt i sammenhæng med dens tidligere præstationer. Tidsserieanalyse viser en investor, om virksomheden klarer sig bedre eller dårligere end tidligere med de mål, de interesserer sig for. Ofte vil disse være klassikere som indtjening pr. aktie (EPS), debt-to-equity, free cash flow (FCF) og så videre. I praksis vil investorer normalt bruge en kombination af tidsserieanalyse og tværsnitsanalyse, før de træffer en beslutning. For eksempel at se på EPS over tid og så også tjekke branchens benchmark EPS.
Højdepunkter
Selvom tværsnitsdata ses som det modsatte af tidsserier, bruges de to ofte sammen i praksis.
Prognosemetoder ved hjælp af tidsserier bruges i både fundamental og teknisk analyse.
Tidsserieanalyse kan være nyttig til at se, hvordan et givent aktiv, værdipapir eller økonomisk variabel ændrer sig over tid.
En tidsserie er et datasæt, der sporer en prøve over tid.
Især giver en tidsserie mulighed for at se, hvilke faktorer der påvirker bestemte variable fra periode til periode.
Ofte stillede spørgsmål
Hvordan analyserer du tidsseriedata?
Statistiske teknikker kan bruges til at analysere tidsseriedata på to nøglemåder: at generere slutninger om, hvordan en eller flere variable påvirker en variabel af interesse over tid, eller at forudsige fremtidige tendenser. I modsætning til tværsnitsdata, som i det væsentlige er et udsnit af en tidsserie, giver tidens pil en analytiker mulighed for at fremsætte mere plausible kausale påstande.
Hvordan bruges tidsserier i datamining?
Data mining er en proces, der forvandler masser af rå data til nyttig information. Ved at bruge software til at lede efter mønstre i store partier af data, kan virksomheder lære mere om deres kunder for at udvikle mere effektive marketingstrategier, øge salget og reducere omkostningerne. Tidsserier, såsom en historisk registrering af virksomhedsarkiveringer eller regnskaber, er særligt nyttige her til at identificere tendenser og mønstre, der kan forudses i fremtiden.
Hvad er nogle eksempler på tidsserier?
En tidsserie kan konstrueres af alle data, der måles over tid med jævnt fordelte intervaller. Historiske aktiekurser, indtjening, BNP eller andre sekvenser af finansielle eller økonomiske data kan analyseres som en tidsserie.
Hvad er forskellen mellem tværsnits- og tidsseriedata?
Et tværsnit ser på et enkelt tidspunkt, hvilket er nyttigt til at sammenligne og analysere effekten af forskellige faktorer på hinanden eller til at beskrive en prøve. Tidsserier involverer gentagne stikprøver af de samme data over tid. I praksis er begge analyseformer almindeligt anvendt; og når de er tilgængelige, bruges sammen.
