Che cos’è una serie temporale?
Che cos’è una serie temporale?
Una serie temporale è una sequenza di punti dati che si verificano in ordine successivo in un determinato periodo di tempo. Questo può essere contrastato con i dati trasversali, che acquisiscono un punto nel tempo.
Nell’investimento, una serie temporale tiene traccia del movimento dei punti dati scelti, come il prezzo di un titolo, in un periodo di tempo specificato con punti dati registrati a intervalli regolari. Non esiste un periodo di tempo minimo o massimo che deve essere incluso, consentendo di raccogliere i dati in modo da fornire le informazioni ricercate dall’investitore o dall’analista che esamina l’attività.
Punti chiave
- Una serie temporale è un set di dati che tiene traccia di un campione nel tempo.
- In particolare, una serie temporale consente di vedere quali fattori influenzano determinate variabili di periodo in periodo.
- L’analisi delle serie temporali può essere utile per vedere come una determinata risorsa, sicurezza o variabile economica cambia nel tempo.
- I metodi di previsione che utilizzano le serie temporali vengono utilizzati sia nell’analisi fondamentale che in quella tecnica.
- Sebbene i dati trasversali siano visti come l’opposto delle serie temporali, i due sono spesso usati insieme nella pratica.
Comprensione delle serie storiche
È possibile prendere una serie storica su qualsiasi variabile che cambia nel tempo. Nell’investimento, è comune utilizzare una serie temporale per tenere traccia del prezzo di un titolo nel tempo. Questo può essere monitorato a breve termine, come il prezzo di un titolo all’ora nel corso di un giorno lavorativo, oa lungo termine, come il prezzo di un titolo alla chiusura l’ultimo giorno di ogni mese nel corso di cinque anni.
L’analisi delle serie temporali può essere utile per vedere come una determinata risorsa, sicurezza o variabile economica cambia nel tempo. Può anche essere utilizzato per esaminare il confronto tra le modifiche associate al punto dati scelto e le variazioni di altre variabili nello stesso periodo di tempo.
Le serie temporali vengono utilizzate anche in diversi contesti non finanziari, come la misurazione della variazione della popolazione nel tempo. La figura seguente mostra una serie temporale di questo tipo per la crescita della popolazione degli Stati Uniti nel secolo 1900-2000.
Analisi delle serie temporali
Supponiamo di voler analizzare una serie temporale dei prezzi di chiusura giornalieri delle azioni per un dato titolo nell’arco di un anno. Si otterrebbe un elenco di tutti i prezzi di chiusura delle azioni di ogni giorno dell’anno passato e li si elencerebbe in ordine cronologico. Questa sarebbe una serie temporale del prezzo di chiusura giornaliero di un anno per il titolo.
Approfondendo un po ‘più a fondo, potresti analizzare i dati delle serie temporali con strumenti di analisi tecnica per sapere se le serie temporali del titolo mostrano stagionalità. Questo aiuterà a determinare se lo stock attraversa picchi e depressioni a intervalli regolari ogni anno. L’analisi in quest’area richiederebbe di prendere i prezzi osservati e di correlarli a una stagione scelta. Ciò può includere le stagioni del calendario tradizionale, come l’estate e l’inverno, o le stagioni di vendita al dettaglio, come le vacanze.
In alternativa, puoi registrare le variazioni del prezzo di un’azione in quanto si riferisce a una variabile economica, come il tasso di disoccupazione. Correlando i punti dati con le informazioni relative alla variabile economica selezionata, è possibile osservare modelli in situazioni che presentano dipendenza tra i punti dati e la variabile scelta.
Un potenziale problema con i dati delle serie temporali è che poiché ogni variabile dipende dal suo stato o valore precedente, può esserci una grande quantità di autocorrelazione, che può influenzare i risultati.
Previsione di serie temporali
La previsione delle serie temporali utilizza le informazioni relative ai valori storici e ai modelli associati per prevedere l’attività futura. Molto spesso, si tratta di analisi delle tendenze, analisi delle fluttuazioni cicliche e questioni di stagionalità. Come con tutti i metodi di previsione, il successo non è garantito.
Il modello Box-Jenkins, ad esempio, è una tecnica progettata per prevedere intervalli di dati in base agli input di una serie temporale specificata. Prevede i dati utilizzando tre principi, autoregressione, differenziazione e medie mobili. Questi tre principi sono noti rispettivamente come p, d e q. Ciascun principio viene utilizzato nell’analisi di Box-Jenkins e insieme vengono mostrati collettivamente come una media mobile integrata autoregressiva o ARIMA (p, d, q). ARIMA può essere utilizzato, ad esempio, per prevedere i prezzi delle azioni o la crescita degli utili.
Un altro metodo, noto come analisi dell’intervallo ridimensionato, può essere utilizzato per rilevare e valutare la quantità di persistenza, casualità o inversione della media nei dati di serie temporali. L’intervallo ridimensionato può essere utilizzato per estrapolare un valore o una media futuri per i dati per vedere se una tendenza è stabile o è probabile che si inverta.
Analisi trasversale rispetto a serie temporali
L’analisi trasversale è uno dei due metodi di confronto generali per l’analisi delle scorte. L’analisi trasversale esamina i dati raccolti in un singolo momento, piuttosto che in un periodo di tempo. L’analisi inizia con la definizione degli obiettivi di ricerca e la definizione delle variabili che un analista vuole misurare. Il passo successivo è identificare la sezione trasversale, come un gruppo di colleghi o un settore, e impostare il momento specifico da valutare. Il passaggio finale è condurre un’analisi, basata sulla sezione trasversale e sulle variabili, e giungere a una conclusione sulle prestazioni di un’azienda o organizzazione. In sostanza, l’analisi trasversale mostra a un investitore quale azienda è la migliore, date le metriche a cui tiene.
L’analisi delle serie temporali, nota come analisi delle tendenze quando si applica al trading tecnico, si concentra su un singolo titolo nel tempo. In questo caso, il prezzo viene giudicato nel contesto della sua performance passata. L’analisi delle serie temporali mostra a un investitore se l’azienda sta facendo meglio o peggio di prima in base alle misure a cui tiene. Spesso questi saranno classici come guadagno per azione (EPS), debt to equity, free cash flow (FCF) e così via. In pratica, gli investitori di solito utilizzano una combinazione di analisi delle serie temporali e analisi trasversale prima di prendere una decisione. Ad esempio, esaminando l’EPS nel tempo e quindi controllando anche l’EPS benchmark del settore.
Domande frequenti sulle serie temporali
Quali sono alcuni esempi di serie storiche?
Una serie temporale può essere costruita da qualsiasi dato misurato nel tempo a intervalli equidistanti. I prezzi storici delle azioni, i guadagni, il PIL o altre sequenze di dati finanziari o economici possono essere analizzati come serie temporali.
Come vengono analizzati i dati delle serie temporali?
Le tecniche statistiche possono essere utilizzate per analizzare i dati delle serie temporali in due modi chiave: per generare inferenze su come una o più variabili influenzano alcune variabili di interesse nel tempo, o per prevedere tendenze future. A differenza dei dati trasversali, che sono essenzialmente una fetta di una serie temporale, la freccia del tempo consente a un analista di fare affermazioni causali più plausibili.
Qual è la distinzione tra dati trasversali e dati di serie storiche?
Una sezione trasversale esamina un singolo punto nel tempo, che è utile per confrontare e analizzare l’effetto di diversi fattori l’uno sull’altro o per descrivere un campione. Le serie temporali implicano il campionamento ripetuto degli stessi dati nel tempo. In pratica, entrambe le forme di analisi sono comunemente utilizzate; e quando disponibili, vengono utilizzati insieme.
Come vengono utilizzate le serie temporali nel data mining?
Il data mining è un metodo che trasforma risme di dati grezzi in informazioni utili. Utilizzando il software per cercare modelli in grandi batch di dati, le aziende possono saperne di più sui propri clienti per sviluppare strategie di marketing più efficaci, aumentare le vendite e ridurre i costi. Le serie temporali, come una registrazione storica di dichiarazioni aziendali o bilanci, sono particolarmente utili qui per identificare tendenze e modelli che possono essere previsti in futuro.