Série Temporal
O que é uma série temporal?
Uma série temporal é uma sequência de pontos de dados que ocorrem em ordem sucessiva durante algum perÃodo de tempo. Isso pode ser contrastado com dados de corte transversal,. que capturam um ponto no tempo.
Ao investir, uma série temporal rastreia o movimento dos pontos de dados escolhidos, como o preço de um tÃtulo, durante um perÃodo de tempo especificado com pontos de dados registrados em intervalos regulares. Não há um tempo mÃnimo ou máximo que deva ser incluÃdo, permitindo que os dados sejam coletados de forma a fornecer as informações que estão sendo buscadas pelo investidor ou analista que examina a atividade.
Entendendo a Série Temporal
Uma série temporal pode ser obtida em qualquer variável que mude ao longo do tempo. Ao investir, é comum usar uma série temporal para acompanhar o preço de um tÃtulo ao longo do tempo. Isso pode ser rastreado no curto prazo, como o preço de um tÃtulo por hora ao longo de um dia útil, ou no longo prazo, como o preço de um tÃtulo no fechamento do último dia de cada mês durante o curso de cinco anos.
A análise de séries temporais pode ser útil para ver como um determinado ativo, tÃtulo ou variável econômica muda ao longo do tempo. Também pode ser usado para examinar como as mudanças associadas ao ponto de dados escolhido se comparam à s mudanças em outras variáveis no mesmo perÃodo de tempo.
A série temporal também é usada em vários contextos não financeiros, como para medir a mudança na população ao longo do tempo. A figura abaixo mostra essa série temporal para o crescimento da população dos EUA ao longo do século de 1900-2000.
Análise de Séries Temporais
Suponha que você queira analisar uma série temporal dos preços de fechamento diários das ações de uma determinada ação durante um perÃodo de um ano. Você obteria uma lista de todos os preços de fechamento da ação de cada dia do ano anterior e os listaria em ordem cronológica. Esta seria uma série temporal de preço de fechamento diário de um ano para a ação.
Aprofundando um pouco mais, você pode analisar dados de séries temporais com ferramentas de análise técnica para saber se a série temporal da ação mostra alguma sazonalidade. Isso ajudará a determinar se o estoque passa por altos e baixos em horários regulares a cada ano. A análise nesta área exigiria pegar os preços observados e correlacioná-los com uma estação escolhida. Isso pode incluir temporadas tradicionais do calendário, como verão e inverno, ou temporadas de varejo, como temporadas de férias.
Como alternativa, você pode registrar as mudanças no preço das ações de uma ação relacionadas a uma variável econômica, como a taxa de desemprego. Ao correlacionar os pontos de dados com as informações relativas à variável econômica selecionada, você pode observar padrões em situações que apresentam dependência entre os pontos de dados e a variável escolhida.
Um problema potencial com dados de séries temporais é que, como cada variável depende de seu estado ou valor anterior, pode haver muita autocorrelação,. o que pode influenciar os resultados.
Previsão de Séries Temporais
A previsão de séries temporais usa informações sobre valores históricos e padrões associados para prever atividades futuras. Na maioria das vezes, isso está relacionado à análise de tendências, análise de flutuações cÃclicas e questões de sazonalidade. Tal como acontece com todos os métodos de previsão, o sucesso não é garantido.
O Modelo Box-Jenkins,. por exemplo, é uma técnica projetada para prever intervalos de dados com base em entradas de uma série temporal especificada. Ele prevê dados usando três princÃpios, autorregressão,. diferenciação e médias móveis. Esses três princÃpios são conhecidos como p, d e q, respectivamente. Cada princÃpio é usado na análise Box-Jenkins e juntos eles são mostrados coletivamente como uma média móvel integrada autoregressiva,. ou ARIMA (p, d, q). O ARIMA pode ser usado, por exemplo, para prever preços de ações ou crescimento de lucros.
Outro método, conhecido como análise de intervalo redimensionado,. pode ser usado para detectar e avaliar a quantidade de persistência, aleatoriedade ou reversão média em dados de séries temporais. O intervalo redimensionado pode ser usado para extrapolar um valor futuro ou média para os dados para ver se uma tendência é estável ou provável de reversão.
Transversal vs. Análise de Séries Temporais
A análise transversal é um dos dois métodos de comparação abrangentes para análise de ações. A análise transversal analisa os dados coletados em um único ponto no tempo, e não em um perÃodo de tempo. A análise começa com o estabelecimento dos objetivos da pesquisa e a definição das variáveis que um analista deseja medir. O próximo passo é identificar a seção transversal, como um grupo de pares ou uma indústria, e definir o momento especÃfico que está sendo avaliado. A etapa final é realizar uma análise, com base no corte transversal e nas variáveis, e chegar a uma conclusão sobre o desempenho de uma empresa ou organização. Essencialmente, a análise transversal mostra a um investidor qual empresa é a melhor dadas as métricas com as quais ele se importa.
A análise de séries temporais, conhecida como análise de tendências quando se aplica à negociação técnica, concentra-se em um único tÃtulo ao longo do tempo. Nesse caso, o preço está sendo julgado no contexto de seu desempenho passado. A análise de séries temporais mostra a um investidor se a empresa está se saindo melhor ou pior do que antes pelas medidas com as quais ele se importa. Muitas vezes, esses serão clássicos como lucro por ação (EPS), dÃvida em capital, fluxo de caixa livre (FCF) e assim por diante. Na prática, os investidores geralmente usam uma combinação de análise de séries temporais e análise transversal antes de tomar uma decisão. Por exemplo, olhando para o EPS ao longo do tempo e, em seguida, verificando também o EPS de referência da indústria.
##Destaques
Embora os dados transversais sejam vistos como o oposto das séries temporais, os dois são frequentemente usados juntos na prática.
Métodos de previsão usando séries temporais são usados na análise fundamental e técnica.
A análise de séries temporais pode ser útil para ver como um determinado ativo, tÃtulo ou variável econômica muda ao longo do tempo.
Uma série temporal é um conjunto de dados que rastreia uma amostra ao longo do tempo.
Em particular, uma série temporal permite ver quais fatores influenciam certas variáveis de perÃodo para perÃodo.
##PERGUNTAS FREQUENTES
Como você analisa dados de séries temporais?
Técnicas estatÃsticas podem ser usadas para analisar dados de séries temporais de duas maneiras principais: gerar inferências sobre como uma ou mais variáveis afetam alguma variável de interesse ao longo do tempo ou prever tendências futuras. Ao contrário dos dados transversais, que são essencialmente uma fatia de uma série temporal, a seta do tempo permite que um analista faça afirmações causais mais plausÃveis.
Como as séries temporais são usadas na mineração de dados?
A mineração de dados é um processo que transforma resmas de dados brutos em informações úteis. Ao utilizar software para procurar padrões em grandes lotes de dados, as empresas podem aprender mais sobre seus clientes para desenvolver estratégias de marketing mais eficazes, aumentar as vendas e diminuir os custos. Séries temporais, como um registro histórico de arquivamentos corporativos ou demonstrações financeiras, são particularmente úteis aqui para identificar tendências e padrões que podem ser previstos no futuro.
Quais são alguns exemplos de séries temporais?
Uma série temporal pode ser construÃda por qualquer dado medido ao longo do tempo em intervalos uniformemente espaçados. Os preços históricos das ações, lucros, PIB ou outras sequências de dados financeiros ou econômicos podem ser analisados como uma série temporal.
Qual é a distinção entre dados transversais e de séries temporais?
Uma seção transversal analisa um único ponto no tempo, o que é útil para comparar e analisar o efeito de diferentes fatores entre si ou descrever uma amostra. A série temporal envolve a amostragem repetida dos mesmos dados ao longo do tempo. Na prática, ambas as formas de análise são comumente usadas; e quando disponÃveis, são usados em conjunto.
