Las instituciones financieras y corporaciones, así como los inversionistas e investigadores individuales a menudo usan datos de series temporales financieras (como precios de activos, tasas de cambio, PIB, inflación y otros indicadores macroeconómicos) en pronósticos económicos, análisis bursátil o estudios de los datos en sí.

Pero refinar los datos es clave para poder aplicarlo a su análisis de stock. En este artículo, le mostraremos cómo aislar los puntos de datos que son relevantes para sus informes de stock.

Cocinar datos brutos
Los puntos de datos a menudo no son estacionarios o tienen medios, variaciones y covarianzas que cambian con el tiempo. Los comportamientos no estacionarios pueden ser tendencias, ciclos, paseos aleatorios o combinaciones de los tres.

Los datos no estacionarios, por regla general, son impredecibles y no se pueden modelar o pronosticar. Los resultados obtenidos mediante el uso de series temporales no estacionarias pueden ser espurios, ya que pueden indicar una relación entre dos variables donde no existe una. Para recibir resultados consistentes y confiables, los datos no estacionarios deben transformarse en datos estacionarios. En contraste con el proceso no estacionario que tiene una varianza variable y una media que no permanece cerca, o regresa a una media a largo plazo a lo largo del tiempo, el proceso estacionario revierte en una media constante a largo plazo y tiene una varianza constante independiente de tiempo.

Copryright © 2007 Investopedia. com

Figura 1

Tipos de procesos no estacionarios
Antes de llegar al punto de transformación para los datos de series de tiempo financieras no estacionarias, debemos distinguir entre los diferentes tipos de procesos no estacionarios. Esto nos proporcionará una mejor comprensión de los procesos y nos permitirá aplicar la transformación correcta. Ejemplos de procesos no estacionarios son caminar al azar con o sin deriva (un cambio lento y constante) y tendencias deterministas (tendencias que son constantes, positivas o negativas, independientes del tiempo durante toda la vida de la serie).

Copryright © 2007 Investopedia. com

Figura 2

• Paseo aleatorio puro (Y _t = Y _t-1 + ε _t )
  El paseo aleatorio predice que el el valor en el tiempo "t" será igual al último valor del período más un componente estocástico (no sistemático) que es un ruido blanco, lo que significa que ε _t es independiente y se distribuye de forma idéntica con la media "0" y varianza "σ²". La caminata aleatoria también puede denominarse un proceso integrado de algún orden, un proceso con una raíz unitaria o un proceso con una tendencia estocástica. Es un proceso de reversión no significa que puede alejarse de la media en una dirección positiva o negativa. Otra característica de una caminata aleatoria es que la varianza evoluciona con el tiempo y va hasta el infinito a medida que el tiempo va hasta el infinito; por lo tanto, una caminata aleatoria no puede predecirse.
• Paseo aleatorio con desplazamiento (Y _t = α + Y _t-1 + ε _t )
  Si el modelo de recorrido aleatorio predice que el valor en el tiempo "t" será igual al valor del último período más una constante, o drift (α), y un término de ruido blanco (ε _t ), entonces el proceso es aleatorio con una deriva . Tampoco revierte a una media a largo plazo y tiene una varianza que depende del tiempo.
• Tendencia determinista (Y _t = α + βt + ε _t )
  A menudo, una caminata aleatoria con deriva se confunde con una tendencia determinista. Ambos incluyen una deriva y un componente de ruido blanco, pero el valor en el tiempo "t" en el caso de una caminata aleatoria se regresa en el valor del último período (Y _t-1 ), mientras que en el caso de una tendencia determinista es regresada en una tendencia de tiempo (βt). Un proceso no estacionario con una tendencia determinista tiene un significado que crece alrededor de una tendencia fija, que es constante e independiente del tiempo.
• Caminata aleatoria con deriva y tendencia determinista (Y _t = α + Y _t-1 + βt + ε _t )
  Otro ejemplo es un proceso no estacionario que combina una caminata aleatoria con un componente de deriva (α) y una tendencia determinista (βt). Especifica el valor en el tiempo "t" por el valor del último período, una deriva, una tendencia y un componente estocástico. (Para obtener más información sobre caminatas al azar y tendencias, consulte nuestro Conceptos financieros tutorial.)

Tendencia y diferencia estacionaria
Una caminata aleatoria con o sin deriva puede transformarse en un proceso estacionario mediante la diferenciación (restando Y _t-1 de Y _t, tomando la diferencia Y _t - Y _t-1 ) correspondientemente a Y > t _{- Y} t-1 _{= ε} t _{o Y} t _{- Y} t-1 _{= α + ε < t} y luego el proceso se convierte en estacionario de diferencia. La desventaja de la diferenciación es que el proceso pierde una observación cada vez que se toma la diferencia. _{Copryright © 2007 Investopedia. com} Figura 3

Un proceso no estacionario con una tendencia determinista se vuelve estacionario después de eliminar la tendencia o la tendencia a la desviación. Por ejemplo, Yt = α + βt + εt se transforma en un proceso estacionario al restar la tendencia βt: Yt - βt = α + εt, como se muestra en la Figura 4 a continuación. No se pierde ninguna observación cuando se usa la tendencia a la tendencia de reexpedición para transformar un proceso no estacionario en uno estacionario.

Copryright © 2007 Investopedia. com

Figura 4

En el caso de una caminata aleatoria con una deriva y una tendencia determinista, la tendencia a la tendencia puede eliminar la tendencia determinista y la deriva, pero la varianza continuará yendo al infinito. Como resultado, la diferenciación también debe aplicarse para eliminar la tendencia estocástica.

Conclusión

El uso de datos de series temporales no estacionarios en los modelos financieros produce resultados espurios y poco confiables y conduce a una comprensión y previsión pobres. La solución al problema es transformar los datos de series de tiempo para que se vuelvan estacionarios. Si el proceso no estacionario es una caminata aleatoria con o sin deriva, se transforma en proceso estacionario mediante diferenciación.Por otro lado, si los datos de series de tiempo analizados exhiben una tendencia determinista, los resultados espurios se pueden evitar mediante la tendencia de la tendencia. Algunas veces, las series no estacionarias pueden combinar una tendencia estocástica y determinista al mismo tiempo y para evitar obtener resultados engañosos, se deben aplicar tanto la diferenciación como la tendencia a la eliminación, ya que la diferencia eliminará la tendencia en la varianza y eliminará la tendencia determinista.