时间序列
什么是时间序列？
时间序列是在一段时间内以连续顺序出现的一系列数据点。这可以与捕获时间点的横截面数据进行对比。
在投资中，时间序列跟踪所选数据点（例如证券价格）在指定时间段内的移动，并定期记录数据点。没有必须包含的最短或最长时间量，允许以提供投资者或分析师检查活动所需信息的方式收集数据。
理解时间序列
可以对随时间变化的任何变量进行时间序列。在投资中，通常使用时间序列来跟踪证券随时间的价格。这可以在短期内跟踪，例如证券在一个工作日内的每小时价格，或长期跟踪，例如在每个月的最后一天收盘时的证券价格。五年的课程。
时间序列分析有助于了解给定资产、证券或经济变量如何随时间变化。它还可用于检查与所选数据点相关的变化如何与同一时间段内其他变量的变化进行比较。
时间序列也用于几种非金融环境，例如测量人口随时间的变化。下图描绘了从 1900 年到 2000 年这个世纪美国人口增长的时间序列。
时间序列分析
假设您想分析给定股票在一年内的每日收盘价时间序列。您将获得过去一年每天的所有收盘价列表，并按时间顺序列出。这将是该股票一年的每日收盘价时间序列。
再深入一点，您可以使用技术分析工具分析时间序列数据，以了解股票的时间序列是否显示任何季节性。这将有助于确定股票是否在每年的固定时间经历高峰和低谷。这方面的分析需要采用观察到的价格并将它们与选定的季节相关联。这可以包括传统的日历季节，例如夏季和冬季，或零售季节，例如假日季节。
或者，您可以记录与经济变量相关的股票价格变化，例如失业率。通过将数据点与与所选经济变量相关的信息相关联，您可以观察在数据点和所选变量之间表现出依赖性的情况下的模式。
时间序列数据的一个潜在问题是，由于每个变量都依赖于其先前的状态或值，因此可能存在大量自相关，这可能会使结果产生偏差。
时间序列预测
时间序列预测使用有关历史值和相关模式的信息来预测未来活动。大多数情况下，这与趋势分析、周期性波动分析和季节性问题有关。与所有预测方法一样，不能保证成功。
例如， Box-Jenkins 模型是一种旨在根据指定时间序列的输入预测数据范围的技术。它使用自回归、差分和移动平均三个原则来预测数据。这三个原理分别称为 p、d 和 q。 Box-Jenkins 分析中使用了每个原理，它们共同显示为自回归综合移动平均值或 ARIMA (p, d, q)。例如，ARIMA 可用于预测股票价格或收益增长。
另一种称为重新缩放范围分析的方法可用于检测和评估时间序列数据中的持久性、随机性或均值回归量。重新调整的范围可用于推断数据的未来值或平均值，以查看趋势是否稳定或可能逆转。
横截面与时间序列分析
横截面分析是股票分析的两种主要比较方法之一。横截面分析着眼于在单个时间点而不是一段时间内收集的数据。分析始于研究目标的建立和分析师想要测量的变量的定义。下一步是识别横截面，例如一组同行或一个行业，并设置被评估的具体时间点。最后一步是根据横截面和变量进行分析，得出公司或组织的绩效结论。从本质上讲，横截面分析向投资者展示了哪家公司最适合他们关心的指标。
时间序列分析，在应用于技术交易时被称为趋势分析，专注于随着时间的推移单一证券。在这种情况下，价格是根据其过去的表现来判断的。时间序列分析通过他们关心的指标向投资者展示公司的表现是比以前更好还是更差。这些通常是经典的，如每股收益(EPS)、债务权益比、自由现金流(FCF) 等。在实践中，投资者通常会在做决定之前结合使用时间序列分析和横截面分析。例如，查看一段时间内的 EPS，然后检查行业基准 EPS。
＃＃ 强调
虽然横截面数据被视为与时间序列相反，但在实践中两者经常一起使用。
使用时间序列的预测方法用于基础分析和技术分析。
时间序列分析有助于了解给定资产、证券或经济变量如何随时间变化。
时间序列是随时间跟踪样本的数据集。
特别是，时间序列可以让人们看到哪些因素会影响不同时期的某些变量。
＃＃ 常问问题
您如何分析时间序列数据？
统计技术可用于以两种关键方式分析时间序列数据：推断一个或多个变量如何随时间影响某些感兴趣的变量，或预测未来趋势。与本质上是时间序列的一部分的横截面数据不同，时间箭头允许分析师做出更合理的因果声明。
如何在数据挖掘中使用时间序列？
数据挖掘是将大量原始数据转化为有用信息的过程。通过利用软件在大量数据中寻找模式，企业可以更多地了解他们的客户，从而制定更有效的营销策略、增加销售额并降低成本。时间序列（例如公司文件或财务报表的历史记录）在这里特别有用，可用于识别可能预测到未来的趋势和模式。
时间序列有哪些例子？
时间序列可以由以均匀间隔随时间测量的任何数据构成。历史股票价格、收益、GDP 或其他金融或经济数据序列可以作为时间序列进行分析。
横截面数据和时间序列数据有什么区别？
横截面查看单个时间点，这对于比较和分析不同因素对彼此的影响或描述样本很有用。时间序列涉及随着时间的推移对相同数据进行重复采样。在实践中，这两种分析形式都是常用的。并在可用时一起使用。
