跳到主要内容

时间序列_Time Series

什么是时间序列？​

时间序列是一组按时间顺序排列的数据点，这些数据点在某一特定时间段内依次出现。这与横截面数据形成对比，后者只捕捉某一时刻的数据。

在投资中，时间序列追踪所选数据点的变动，例如某个证券的价格，在特定的时间段内定期记录这些数据点。时间段的选择没有最小或最大限制，允许数据以满足投资者或分析师所需信息的方式进行收集。

关键要点​

  • 时间序列是一个随时间变化的数据集。
  • 特别是，时间序列使人们能够观察在不同时间段内影响特定变量的因素。
  • 时间序列分析有助于观察某一资产、证券或经济变量随时间的变化。
  • 使用时间序列的预测方法可用于基本面分析和技术面分析。
  • 虽然横截面数据被视为时间序列的对立面，但在实践中，两者通常是结合使用的。

理解时间序列​

时间序列可以用于任何随时间变化的变量。在投资中，常用时间序列来追踪证券价格的变化。这种追踪可以是短期的，例如在一个营业日内每小时的证券价格，或者是长期的，例如在五年内每月最后一个交易日的收盘价格。

时间序列分析有助于观察某一资产、证券或经济变量如何随时间变化。它还可以用来比较所选数据点的变化与同一时间段内其他变量的变动。

时间序列也应用于几种非金融领域，例如衡量随时间变化的人口变化。下图展示了美国人口在1900年至2000年间的增长时间序列。

C.K. Taylor

时间序列分析​

假设你想分析某股票在一年内每日收盘价的时间序列。你会获取过去一年每天该股票的所有收盘价，并按时间顺序排列。这将构成该股票的一年每日收盘价的时间序列。

更深入地说，你可能会用技术分析工具来分析时间序列数据，以了解该股票的时间序列是否展现出季节性。这将有助于确定该股票是否在每年定期经历高峰和低谷。这方面的分析需要将观察到的价格与选定的季节进行关联，这可以包括传统的日历季节（如夏季和冬季）或零售季节（如假日季节）。

另外，你可以记录股票股价变动与经济变量（如失业率）之间的关系。通过将数据点与相关经济变量的信息进行关联，你可以观察到数据点和所选变量之间依赖关系的模式。

重要提示： 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数值，可能存在大量自相关，这可能会对结果产生偏差。

时间序列预测​

时间序列预测利用历史值及其相关模式的信息来预测未来活动。通常，这与趋势分析、周期波动分析和季节性问题有关。与所有预测方法一样，成功并不总是有保证。

例如，Box-Jenkins模型是一种旨在根据特定时间序列的输入预测数据范围的技术。它基于三个原则进行数据预测：自回归、差分和移动平均。这三个原则分别被称为p、d和q。每个原则在Box-Jenkins分析中都有应用，合在一起被称为自回归积分移动平均（ARIMA）（p，d，q）。例如，ARIMA可以用于预测股票价格或收益增长。

另一种方法称为重标范围分析，可用于检测和评估时间序列数据中的持久性、随机性或均值回归的程度。重标范围可用于推断数据的未来值或平均值，以观察趋势是否稳定或可能逆转。

横截面分析与时间序列分析​

横截面分析是股票分析的两种总体比较方法之一。横截面分析看的是在单一时点收集的数据，而不是在一段时间内的变化。分析通常从确立研究目标和定义分析师希望测量的变量开始。下一步是识别横截面，例如同行群体或行业，并设定所评估的具体时间点。最后一步是进行基于横截面和变量的分析，并得出关于公司或组织表现的结论。实质上，横截面分析向投资者显示在他们关心的指标下，哪家公司表现最佳。

时间序列分析，尤其当其应用于技术交易时，被称为趋势分析，专注于随时间变化的单一证券。在这种情况下，价格是根据其过去的表现来评估的。时间序列分析向投资者展示了公司是否在他们关心的指标上表现得更好或更糟。通常这些指标包括每股收益（EPS）、资产负债率、自由现金流（FCF）等。在实践中，投资者通常会在做决策之前结合使用时间序列分析和横截面分析，例如，先查看EPS的变化趋势，然后检查行业基准EPS。

时间序列的一些例子？​

时间序列可以通过任何在均匀间隔内随时间测量的数据构建。历史股票价格、收益、国内生产总值（GDP）或其他财务或经济数据序列都可以作为时间序列进行分析。

如何分析时间序列数据？​

可以使用统计技术以两种关键方式分析时间序列数据：生成关于一个或多个变量如何随时间影响某个感兴趣变量的推论，或预测未来趋势。与横截面数据不同，后者基本上只是时间序列的一个快照，时间的推移使分析师能够做出更合理的因果关系声明。

横截面数据与时间序列数据的区别是什么？​

横截面分析关注的是单个时点，这对于比较和分析不同因素之间的影响或描述一个样本十分有用。而时间序列则涉及随时间重复抽样同一数据。在实践中，这两种分析形式通常是一起使用的，且在可用时常常是结合使用的。

时间序列在数据挖掘中的应用？​

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，企业可以更好地了解其客户，从而制定更有效的营销策略、增加销售额并降低成本。在这里，时间序列（如公司备案或财务报表的历史记录）尤其有用，可以识别可能预测到未来的趋势和模式。

结论​

时间序列是按顺序排列的一组数字数据。在投资中，它定期记录所选数据点（例如证券的价格），并在特定的时间段内追踪它们的变动。时间序列分析有助于识别在不同时间段内影响特定变量的因素，同时提供有关资产、证券或经济变量随时间变化的洞见。

多种财务和经济数据，例如历史股票价格、收益和GDP，都可以作为时间序列进行分析。