Tidsföljder

Vad är en tidsserie?

En tidsserie är en sekvens av datapunkter som inträffar i successiv ordning under en viss tidsperiod. Detta kan jämföras med tvärsnittsdata,. som fångar en tidpunkt.

Vid investeringar spårar en tidsserie rörelsen för de valda datapunkterna, såsom ett värdepappers pris, över en viss tidsperiod med datapunkter registrerade med jämna mellanrum. Det finns ingen minimi- eller maximitid som måste inkluderas, vilket gör att data kan samlas in på ett sätt som ger den information som efterfrågas av investeraren eller analytikern som undersöker aktiviteten.

Förstå tidsserier

En tidsserie kan tas på vilken variabel som helst som förändras över tiden. Vid investeringar är det vanligt att använda en tidsserie för att spåra priset på ett värdepapper över tid. Detta kan spåras på kort sikt, såsom priset på ett värdepapper per timme under loppet av en arbetsdag, eller på lång sikt, såsom priset på ett värdepapper vid stängning den sista dagen i varje månad under under fem år.

Tidsserieanalys kan vara användbar för att se hur en given tillgång, värdepapper eller ekonomisk variabel förändras över tiden. Den kan också användas för att undersöka hur förändringarna associerade med den valda datapunkten jämförs med förändringar i andra variabler under samma tidsperiod.

Tidsserier används också i flera icke-finansiella sammanhang, som att mäta förändringen i befolkningen över tid. Figuren nedan visar en sådan tidsserie för tillväxten av USA:s befolkning under århundradet från 1900-2000.

Tidsserieanalys

Anta att du ville analysera en tidsserie av dagliga stängningskurser för en given aktie under en period av ett år. Du skulle få en lista över alla stängningskurser för aktien från varje dag under det senaste året och lista dem i kronologisk ordning. Detta skulle vara en ettårig daglig stängningskurstidsserie för aktien.

Om du gräver lite djupare kan du analysera tidsseriedata med tekniska analysverktyg för att veta om aktiens tidsserie visar någon säsongsvariation. Detta kommer att hjälpa till att avgöra om beståndet går igenom toppar och dalar vid regelbundna tider varje år. Analyser på detta område skulle kräva att man tar de observerade priserna och korrelerar dem med en vald säsong. Detta kan inkludera traditionella kalendersäsonger, som sommar och vinter, eller detaljhandelssäsonger, till exempel semesterperioder.

Alternativt kan du registrera en akties aktiekursförändringar som den relaterar till en ekonomisk variabel, såsom arbetslösheten. Genom att korrelera datapunkterna med information om den valda ekonomiska variabeln kan du observera mönster i situationer som uppvisar beroende mellan datapunkterna och den valda variabeln.

Ett potentiellt problem med tidsseriedata är att eftersom varje variabel är beroende av dess tidigare tillstånd eller värde kan det finnas en hel del autokorrelation,. vilket kan påverka resultat.

Tidsserieprognoser

Tidsserieprognoser använder information om historiska värden och tillhörande mönster för att förutsäga framtida aktivitet. Oftast handlar det om trendanalys, konjunktursvängningsanalys och frågor om säsongsvariationer. Som med alla prognosmetoder är framgång inte garanterad.

Box -Jenkins-modellen är till exempel en teknik utformad för att förutsäga dataintervall baserat på indata från en specificerad tidsserie. Den prognostiserar data med hjälp av tre principer, autoregression,. differens och glidande medelvärden. Dessa tre principer är kända som p, d och q respektive. Varje princip används i Box-Jenkins analys och tillsammans visas de tillsammans som ett autoregressivt integrerat glidande medelvärde , eller ARIMA (p, d, q). ARIMA kan till exempel användas för att prognostisera aktiekurser eller vinsttillväxt.

En annan metod, känd som rescaled range analysis,. kan användas för att detektera och utvärdera mängden persistens, slumpmässighet eller medelåtergång i tidsseriedata. Det omskalade intervallet kan användas för att extrapolera ett framtida värde eller medelvärde för data för att se om en trend är stabil eller sannolikt kommer att vända.

Tvärsnitts- och tidsserieanalys

Tvärsnittsanalys är en av de två övergripande jämförelsemetoderna för beståndsanalys. Tvärsnittsanalys tittar på data som samlats in vid en enda tidpunkt, snarare än över en tidsperiod. Analysen börjar med fastställandet av forskningsmål och definitionen av de variabler som en analytiker vill mäta. Nästa steg är att identifiera tvärsnittet, till exempel en grupp jämnåriga eller en bransch, och att ställa in den specifika tidpunkt som ska bedömas. Det sista steget är att göra en analys, baserad på tvärsnittet och variablerna, och komma fram till resultatet av ett företag eller en organisation. I huvudsak visar tvärsnittsanalys en investerare vilket företag som är bäst med tanke på de mätvärden de bryr sig om.

Tidsserieanalys, känd som trendanalys när den gäller teknisk handel, fokuserar på ett enda värdepapper över tiden. I det här fallet bedöms priset mot bakgrund av dess tidigare resultat. Tidsserieanalys visar en investerare om företaget går bättre eller sämre än tidigare genom de mått de bryr sig om. Ofta kommer dessa att vara klassiker som vinst per aktie (EPS), debt-to-equity, fritt kassaflöde (FCF) och så vidare. I praktiken kommer investerare vanligtvis att använda en kombination av tidsserieanalys och tvärsnittsanalys innan de fattar ett beslut. Till exempel att titta på EPS över tid och sedan också kontrollera branschens benchmark EPS.

Höjdpunkter

– Även om tvärsnittsdata ses som motsatsen till tidsserier, används de två ofta tillsammans i praktiken.

– Prognosmetoder med tidsserier används i både fundamental och teknisk analys.

• Tidsserieanalys kan vara användbar för att se hur en given tillgång, värdepapper eller ekonomisk variabel förändras över tiden.

– En tidsserie är en datamängd som spårar ett sampel över tid.

– I synnerhet låter en tidsserie se vilka faktorer som påverkar vissa variabler från period till period.

Vanliga frågor

Hur analyserar du tidsseriedata?

Statistiska tekniker kan användas för att analysera tidsseriedata på två viktiga sätt: att generera slutsatser om hur en eller flera variabler påverkar någon variabel av intresse över tid, eller för att förutsäga framtida trender. Till skillnad från tvärsnittsdata, som i huvudsak är en del av en tidsserie, tillåter tidens pil en analytiker att göra mer rimliga kausala påståenden.

Hur används tidsserier i datautvinning?

Datautvinning är en process som förvandlar mängder av rådata till användbar information. Genom att använda programvara för att leta efter mönster i stora mängder data kan företag lära sig mer om sina kunder för att utveckla effektivare marknadsföringsstrategier, öka försäljningen och minska kostnaderna. Tidsserier, som t.ex. en historisk registrering av företagsredovisningar eller finansiella rapporter, är särskilt användbara här för att identifiera trender och mönster som kan förutses in i framtiden.

Vilka är några exempel på tidsserier?

En tidsserie kan konstrueras av vilken data som helst som mäts över tid med jämnt fördelade intervall. Historiska aktiekurser, vinster, BNP eller andra sekvenser av finansiell eller ekonomisk data kan analyseras som en tidsserie.

Vad är skillnaden mellan tvärsnittsdata och tidsseriedata?

Ett tvärsnitt tittar på en enskild tidpunkt, vilket är användbart för att jämföra och analysera effekten av olika faktorer på varandra eller för att beskriva ett prov. Tidsserier innebär upprepad sampling av samma data över tid. I praktiken är båda analysformerna vanligt förekommande; och när de är tillgängliga, används tillsammans.