Lembaga keuangan dan perusahaan serta investor individual dan peneliti sering menggunakan data time series keuangan (seperti harga aset, nilai tukar, neto, inflasi dan indikator makroekonomi lainnya) dalam prakiraan ekonomi, analisis pasar saham atau studi tentang data itu sendiri.

Tapi data penyulingan adalah kunci untuk bisa menerapkannya pada analisis stok Anda. Pada artikel ini, kami akan menunjukkan cara untuk mengisolasi titik data yang relevan dengan laporan stok Anda.

Data mentah mentah

Data titik sering tidak stasioner atau memiliki mean, varians dan kovarian yang berubah dari waktu ke waktu. Perilaku non-stasioner bisa berupa tren, siklus, jalan acak atau kombinasi ketiganya.
Data non-stasioner, sebagai suatu peraturan, tidak dapat diprediksi dan tidak dapat dimodelkan atau diperkirakan. Hasil yang diperoleh dengan menggunakan rangkaian waktu non-stasioner mungkin palsu karena menunjukkan adanya hubungan antara dua variabel dimana tidak ada. Agar mendapat hasil yang konsisten dan andal, data non-stasioner perlu diubah menjadi data stasioner. Berbeda dengan proses non-stasioner yang memiliki varians variabel dan mean yang tidak mendekati, atau kembali ke mean jangka panjang dari waktu ke waktu, proses stasioner beralih ke mean konstan jangka panjang dan memiliki varians yang konstan secara independen. dari waktu.

Copryright © 2007 Investopedia. Jika kita sampai pada titik transformasi untuk data deret waktu non-stasioner, kita harus membedakan antara berbagai jenis proses non-stasioner. Ini akan memberi kita pemahaman yang lebih baik tentang proses dan memungkinkan kita menerapkan transformasi yang benar. Contoh proses non-stasioner berjalan acak dengan atau tanpa drift (perubahan mantap yang stabil) dan tren deterministik (tren yang konstan, positif atau negatif, tidak bergantung pada waktu sepanjang masa seri).

Copryright © 2007 Investopedia. com

Gambar 2
Jalan Murni Murni (Y

t

= Y

t-1

• + ε _t ) _{Perjalanan acak memprediksi bahwa nilai pada waktu "t" akan sama dengan nilai periode terakhir ditambah komponen stokastik (tidak sistematis) yaitu white noise, yang berarti ε} t _{independen dan terdistribusi secara identik dengan mean "0" dan varians "σ²". Random walk juga bisa diberi nama proses yang terintegrasi dari beberapa pesanan, proses dengan unit root atau proses dengan stochastic trend. Ini adalah proses pengembalian yang tidak berarti yang dapat menjauh dari mean baik dalam arah positif maupun negatif. Karakteristik lain dari perjalanan acak adalah bahwa varians berkembang dari waktu ke waktu dan tak terbatas seiring berjalannya waktu hingga tak terhingga; Oleh karena itu, berjalan acak tidak bisa diprediksi.} Random Walk with Drift
  (Y _t = α + Y
• t-1 + ε _t ) _{Jika model jalan acak memprediksi bahwa nilai pada waktu "t" akan sama dengan nilai periode terakhir ditambah konstanta, atau drift (α), dan istilah white noise (ε} t _{), maka prosesnya berjalan acak dengan arus . Ini juga tidak kembali ke mean jangka panjang dan memiliki varians bergantung pada waktu.} Kecenderungan Deterministik (Y
  t _{= α + βt + ε} t
• ) _{Sering kali jalan acak dengan drift membingungkan untuk kecenderungan deterministik. Keduanya termasuk drift dan komponen white noise, namun nilai pada saat "t" dalam kasus berjalan acak mengalami kemunduran pada nilai periode terakhir (Y} t-1 _{), sedangkan dalam kasus Kecenderungan deterministik mengalami regresi pada tren waktu (βt). Proses non-stasioner dengan kecenderungan deterministik memiliki mean yang tumbuh sekitar tren yang tetap, yang konstan dan tidak tergantung waktu.} Jalan Acak dengan Kecenderungan Drift dan Deterministik (Y
  t _{= α + Y} t-1
• + βt + ε _t ) _{Contoh lainnya adalah sebuah proses non-stasioner yang menggabungkan jalan acak dengan komponen drift (α) dan sebuah tren deterministik (βt). Ini menentukan nilai pada waktu "t" dengan nilai periode lalu, arus, tren dan komponen stokastik. (Untuk mempelajari lebih lanjut tentang jalan dan tren acak, lihat tutorial} Konsep Keuangan _. Trend dan Perbedaan Alat Tulis
  Berjalan acak dengan atau tanpa penyimpangan dapat diubah menjadi proses diam dengan membedakan (mengurangkan Y t-1 dari Y

t,
mengambil perbedaan Y _t - Y _t-1 ) sesuai dengan Y > t _{- Y} t-1 _{= ε} t _{atau Y} t _{- Y} t-1 _{= α + ε < t} dan kemudian prosesnya menjadi berbeda-stasioner. Kerugian dari differencing adalah bahwa proses kehilangan satu pengamatan setiap kali perbedaannya diambil. _{Copryright © 2007 Investopedia. com} Gambar 3 _{Proses non-stasioner dengan kecenderungan deterministik menjadi tidak bergerak setelah menghilangkan tren, atau detrending. Sebagai contoh, Yt = α + βt + εt diubah menjadi proses stasioner dengan mengurangi kecenderungan βt: Yt - βt = α + εt, seperti yang ditunjukkan pada Gambar 4 di bawah ini. Tidak ada pengamatan yang hilang saat detrending digunakan untuk mengubah proses non-stasioner menjadi stasioner.} Copryright © 2007 Investopedia. com _{Gambar 4} Dalam kasus berjalan acak dengan tren drift dan deterministik, detrending dapat menghilangkan kecenderungan deterministik dan drift, namun variansnya akan terus berlanjut hingga tak terhingga. Akibatnya, differencing juga harus diterapkan untuk menghilangkan stochastic trend.

Kesimpulan

Menggunakan data rangkaian waktu non-stasioner dalam model keuangan menghasilkan hasil yang tidak dapat diandalkan dan palsu dan menyebabkan pemahaman dan peramalan yang buruk. Solusi untuk masalah ini adalah mentransformasikan data deret waktu sehingga menjadi tidak bergerak. Jika proses non-stasioner berjalan acak dengan atau tanpa penyimpangan, maka proses transformasinya berubah menjadi berbeda.Di sisi lain, jika data deret waktu yang dianalisis menunjukkan kecenderungan deterministik, hasil palsu bisa dihindari dengan detrending. Kadang-kadang seri non-stasioner dapat menggabungkan tren stokastik dan deterministik pada saat bersamaan dan untuk menghindari mendapatkan hasil yang menyesatkan, baik penentuan beda dan detrending harus diterapkan, karena perbedaan akan menghilangkan kecenderungan varians dan detrending akan menghilangkan kecenderungan deterministik.