Le istituzioni finanziarie e le imprese nonché i singoli investitori e ricercatori spesso utilizzano dati finanziari temporali (come i prezzi delle attività, i tassi di cambio, il PIL, l'inflazione e altri indicatori macroeconomici) nelle previsioni economiche, o studi dei dati stessi.

Ma i dati di raffinazione sono fondamentali per essere in grado di applicarla all'analisi delle scorte. In questo articolo, ti mostreremo come isolare i punti dati rilevanti per i tuoi rapporti azionari.

- <->

Cottura dei dati grezzi
I punti dati spesso non sono stazionari o hanno mezzi, varianze e covarianze che cambiano nel tempo. I comportamenti non stazionari possono essere tendenze, cicli, passeggiate casuali o combinazioni dei tre.

I dati non stazionari, di norma, sono imprevedibili e non possono essere modellati o previsti. I risultati ottenuti utilizzando serie temporali non stazionarie possono essere false in quanto possono indicare una relazione tra due variabili in cui non esiste. Per ottenere risultati coerenti e affidabili, i dati non stazionari devono essere trasformati in dati stazionari. A differenza del processo non stazionario che ha una varianza variabile e una media che non è vicina o si ritorna a lungo termine nel tempo, il processo stazionario torna intorno ad una media costante a lungo termine e ha una varianza costante indipendente di tempo.

Copryright © 2007 Investopedia. com

Figura 1

Tipi di processi non stazionari
Prima di arrivare al punto di trasformazione per i dati della serie temporale finanziaria non stazionaria, dovremmo distinguere tra i diversi tipi di processi non stazionari. Ciò fornirà una migliore comprensione dei processi e ci permetterà di applicare la corretta trasformazione. Esempi di processi non stazionari sono camminate casuali con o senza una deriva (un lento cambiamento costante) e tendenze deterministiche (tendenze costanti, positive o negative, indipendenti dal tempo per tutta la vita della serie).

Copryright © 2007 Investopedia. com

Figura 2

• Passaggio casuale puro (Y _t = Y _t-1 + ε _t )
  il valore a tempo "t" sarà uguale all'ultimo valore di periodo più un componente stocastico (non sistematico) che è un rumore bianco, il che significa che ε _t è indipendente e distribuito identicamente con la media "0" e varianza "σ²". La passeggiata casuale può anche essere denominata un processo integrato di un certo ordine, un processo con una radice di unità o un processo con una tendenza stocastica. È un processo di ripristino non medio che può allontanarsi dalla media sia in direzione positiva che negativa. Un'altra caratteristica di una passeggiata casuale è che la varianza si evolve nel tempo e va all'infinito, come il tempo passa all'infinito; quindi, non è possibile prevedere una passeggiata casuale.
• Random Walk con Drift (Y _t = α + Y _t-1 + ε _t )
  prevede che il valore nel tempo "t" sia uguale al valore dell'ultimo periodo più una costante o deriva (α) e un termine di rumore bianco (ε _t ), quindi il processo è casuale a camminare con una deriva . Inoltre, non si ritorna a una media a lungo termine e ha varianza dipendente dal tempo.
• Trend Deterministico (Y _t = α + βt + ε _t )
  Spesso una camminata casuale con una deriva è confusa per una tendenza deterministica. Entrambe comprendono una deriva e una componente di rumore bianco, ma il valore al tempo "t" in caso di camminata casuale è regredito sul valore dell'ultimo periodo (Y _t-1 ), mentre nel caso di un trend deterministico è regredito su una tendenza temporale (βt). Un processo non stazionario con un trend deterministico ha una media che cresce attorno ad una tendenza fissa, costante e indipendente dal tempo.
• Random Walk con Drift e Trend Deterministico (Y _t = α + Y _t-1 + βt + ε _t )
  Un altro esempio un processo non stazionario che combina una passata casuale con un componente di deriva (α) e un trend deterministico (βt). Specifica il valore al momento "t" per il valore dell'ultimo periodo, una deriva, una tendenza e una componente stocastica. Trend and Difference Stationary Una passeggiata casuale con o senza deriva può essere trasformata in un processo stazionario differenziando (sottraendo Y

t-1
da Y _t, assumendo la differenza Y _t - Y _t-1 ) corrispondentemente a Y t <1> _{= Y} t _{o Y} t _{- Y} t < t _{e quindi il processo diventa stazionario differenziale. Lo svantaggio della differenziazione è che il processo perde una osservazione ogni volta che viene presa la differenza.} Copryright © 2007 Investopedia. com _{Figura 3} Un processo non stazionario con un trend deterministico diventa stazionario dopo aver eliminato la tendenza o detrendo. Ad esempio, Yt = α + βt + εt viene trasformato in un processo stazionario sottraendo la tendenza βt: Yt - βt = α + εt, come mostrato nella figura 4 qui di seguito. Non si perde un'osservazione quando detrendo viene utilizzato per trasformare un processo non stazionario in una posizione stazionaria. _{Copryright © 2007 Investopedia. com} Figura 4 _{Nel caso di una camminata casuale con una deriva e una tendenza deterministica, detrendo può eliminare la tendenza deterministica e la deriva, ma la varianza continuerà ad andare all'infinito. Di conseguenza, è necessario applicare differenziazione per eliminare la tendenza stocastica.} Conclusione

L'utilizzo di dati di serie temporali non stazionarie nei modelli finanziari produce risultati inaffidabili e spuri e porta a una scarsa comprensione e previsione. La soluzione al problema è quella di trasformare i dati della serie temporale in modo che esso diventi stazionario. Se il processo non stazionario è una passeggiata casuale con o senza deriva, viene trasformato in processo stazionario differenziando.D'altra parte, se i dati temporali analizzati mostrano un trend deterministico, i risultati spuri possono essere evitati detrendendo. A volte la serie non stazionaria può combinare contemporaneamente una tendenza stocastica e deterministica e evitare di ottenere risultati fuorvianti dovrebbero essere applicate differenze e detriti, in quanto la differenziazione elimina la tendenza della varianza e il detrendo elimina la tendenza deterministica.

Se uno dei tuoi stock divide, non lo rende un investimento migliore? Se uno dei tuoi stock divide 2-1, non avresti allora due volte più azioni? Non sarebbe la tua quota di guadagni dell'impresa essere due volte più grande? Purtroppo, no. Per capire perché questo è il caso, esaminiamo la meccanica di una divisione stock. Fondamentalmente, le aziende scelgono di dividere le loro azioni in modo da poter abbassare il prezzo di scambio del loro magazzino ad una gamma considerata comoda dalla maggior parte degli investitori. La psicologia umana è ciò che è, la maggior parte degli investitori sono più comodi nell'acquisto, per esempio, 100 azioni di 10 dollari di azioni rispetto alle 10 azioni di 100 dollari di magazzino Quali sono alcuni esempi di processi di inventario in tempo reale (JIT)? Imparare ciò che il sistema inventario giusto in tempo, o JIT, è contrastandolo con il giusto nel caso del sistema di inventario e di esaminare esempi del sistema JIT. Quali processi di business sono stati utilizzati per stabilire la società di motori Chevrolet? William Durant, il fondatore di General Motors, ha perso il controllo della sua azienda a causa dei suoi aggressivi piani di espansione. Andando in tutto il cuore da un produttore di carro a una forza automobilistica, Durant ha utilizzato il debito per finanziare le sue acquisizioni e le fusioni con altre start-up auto.