개별 투자자 및 연구원뿐만 아니라 금융 기관 및 기업은 종종 경제 예측, 주식 시장 분석 또는 데이터 자체 연구에 금융 시계열 데이터 (예: 자산 가격, 환율, GDP, 인플레이션 및 기타 거시 경제 지표)를 사용합니다..
그러나 정제 데이터는 재고 분석에 적용 할 수있는 핵심 요소입니다. 재고 보고서와 관련된 데이터 요소를 분리하는 방법을 알려드립니다.
고정 및 비 정적 프로세스 소개
원시 데이터 요리
데이터 포인트는 종종 고정적이지 않거나 시간에 따라 변하는 평균, 분산 및 공분산을 갖습니다. 정지되지 않은 동작은 트렌드, 사이클, 랜덤 워크 또는이 세 가지의 조합 일 수 있습니다.
고정되지 않은 데이터는 일반적으로 예측할 수 없으며 모델링하거나 예측할 수 없습니다. 정지하지 않은 시계열을 사용하여 얻은 결과는 하나의 변수가 존재하지 않는 두 변수 사이의 관계를 나타낼 수 있다는 점에서 의심 될 수 있습니다. 일관되고 신뢰할 수있는 결과를 얻으려면 비 정적 데이터를 고정 데이터로 변환해야합니다. 변동 분산과 시간에 따라 변하지 않는 평균 또는 장기 평균으로 돌아가는 비 정적 프로세스와 달리 고정 프로세스는 일정한 장기 평균을 중심으로 되돌리고 일정한 분산을 독립적으로 유지합니다. 시간.
그림 1-저작권 © 2007 Investopedia.com
비 정적 프로세스의 유형
고정되지 않은 재무 시계열 데이터의 변환 지점에 도달하기 전에 여러 유형의 고정되지 않은 프로세스를 구분해야합니다. 이를 통해 프로세스를보다 잘 이해하고 올바른 변환을 적용 할 수 있습니다. 정지되지 않은 프로세스의 예로는 드리프트 (느리게 꾸준한 변화)가 있거나없는 랜덤 보행 및 결정적 경향 (일련의 전체 수명 동안 시간과 무관하게 일정, 긍정적 또는 부정적 경향)이 있습니다.
그림 2-저작권 © 2007 Investopedia.com
- 순수 랜덤 워크 (Y t = Y t-1 + ε t) 랜덤 워크는 "t"시간의 값에 화이트 노이즈 인 확률 적 (비 체계적) 구성 요소에 마지막주기 값을 더한 값과 같다고 예측합니다. 평균 ε t 는 독립적이고 평균 "0"및 분산 "σ²"과 동일하게 분포된다. 랜덤 워크는 어떤 순서로 통합 된 프로세스, 단위 루트가있는 프로세스 또는 확률 적 경향이있는 프로세스로 명명 될 수도 있습니다. 평균에서 양의 방향 또는 음의 방향으로 이동할 수있는 평균이 아닌 되돌림 프로세스입니다. 랜덤 보행의 또 다른 특징은 시간이지나면서 분산이 진화하고 시간이 무한대로 갈수록 무한대로 간다는 것입니다. 따라서 임의의 보행을 예측할 수 없습니다. 드리프트를 사용한 랜덤 워크 (Y t = α + Y t-1 + ε t) 랜덤 워크 모델에서 "t"시간의 값이 마지막주기 값에 상수 또는 드리프트 (α)를 더한 값과 같다고 예측하는 경우 a 백색 잡음 항 (ε t) 인 경우, 프로세스는 드리프트 (drift)를 갖는 임의의 보행이다. 또한 장기 평균으로 되 돌리지 않으며 시간에 따라 차이가 있습니다. 결정 론적 경향 (Y t = α + βt + ε t) 종종 드리프트가있는 임의의 걷기가 결정 론적 경향으로 혼동되기도합니다. 둘 다 드리프트 및 백색 잡음 성분을 포함하지만, 랜덤 보행의 경우 시간 "t"의 값은 마지막 기간의 값 (Y t-1)에서 회귀되는 반면 결정적 경향의 경우에는 회귀됩니다. 시간 추세 (βt). 결정 론적 추세를 가진 비 정적 프로세스는 일정하고 시간에 관계없이 고정 된 추세를 중심으로 성장하는 평균을 갖습니다. 드리프트 및 결정 론적 경향이있는 랜덤 워크 (Y t = α + Y t-1 + βt + ε t) 또 다른 예는 랜덤 워크를 드리프트 성분 (α) 및 결정 론적 트렌드 (βt)와 결합하는 비 정적 프로세스입니다.. "t"시간의 값을 마지막 기간의 값, 드리프트, 추세 및 확률 적 구성 요소로 지정합니다. 무작위 걷기 및 추세에 대한 자세한 내용은 재무 개념 자습서를 참조하십시오.
트렌드와 차이
드리프트가 있거나없는 임의의 보행은 Y t- Y t-1 = ε t에 상응하여 차이 (Y t- Y t-1 을 취하여 Y t 에서 Y t -1 빼기)를 통해 고정 프로세스로 변환 될 수 있습니다. 또는 Y t -Y t-1 = α + ε t 이면 프로세스는 정지 상태가됩니다. 차이의 단점은 차이가 날 때마다 프로세스에서 하나의 관측 값이 손실된다는 것입니다.
그림 3-저작권 © 2007 Investopedia.com
결정적 경향이있는 정지되지 않은 프로세스는 추세를 제거하거나 추세를 제거한 후에 고정됩니다. 예를 들어 아래 그림 4와 같이 Yt = α + βt + εt는 추세 βt를 빼서 고정 프로세스로 변환됩니다. Yt-βt = α + εt. 비 추적 프로세스를 고정 프로세스로 변환하기 위해 디트 렌딩이 사용될 때 관찰이 손실되지 않습니다.
그림 4-저작권 © 2007 Investopedia.com
드리프트 및 결정적 추세가있는 랜덤 워크의 경우, 디트 렌딩은 결정적 추세 및 드리프트를 제거 할 수 있지만 분산은 계속 무한대로 진행됩니다. 결과적으로 확률 적 추세를 제거하기 위해 차이를 적용해야합니다.
결론
재무 모델에서 고정되지 않은 시계열 데이터를 사용하면 신뢰할 수없고 허위 결과가 생성되고 이해 및 예측이 좋지 않습니다. 이 문제에 대한 해결책은 시계열 데이터가 고정되도록 시계열 데이터를 변환하는 것입니다. 고정되지 않은 프로세스가 드리프트가 있거나없는 임의의 보행인 경우 차이에 의해 고정 프로세스로 변환됩니다. 반면에, 분석 된 시계열 데이터가 결정 론적 경향을 나타내는 경우, 추론으로 스퓨리어스 결과를 피할 수 있습니다. 비정규적인 시리즈는 확률 론적 결정 론적 경향을 동시에 결합 할 수 있으며, 차이를 유발하면 분산 추세를 제거하고 추세를 제거하면 결정 론적 추세를 제거하므로 차이 및 역 추적을 모두 적용해야하는 잘못된 결과를 피할 수 있습니다.
