金融机构和公司以及个人投资者和研究人员经常在经济预测，股市分析或数据本身研究中使用金融时间序列数据（例如资产价格，汇率，GDP，通货膨胀和其他宏观经济指标） 。
但是，提炼数据是将其应用于股票分析的关键。 ，我们将向您展示如何隔离与库存报告相关的数据点。
固定和非固定过程简介
烹饪原始数据
数据点通常是不稳定的，或者具有随时间变化的均值，方差和协方差。 非平稳行为可以是趋势，周期，随机游走或三者的组合。
通常，非平稳数据是不可预测的，因此无法建模或预测。 通过使用非平稳时间序列获得的结果可能是虚假的，因为它们可能表明两个变量之间的关系，其中一个不存在。 为了接收一致，可靠的结果，需要将非平稳数据转换为平稳数据。 与具有可变方差且均值不随时间推移保持接近或返回长期均值的非平稳过程相反，平稳过程以恒定的长期均值回归并且具有恒定的方差独立时间。
图1-Copryright©2007 Investopedia.com
非平稳过程的类型
在到达非平稳金融时间序列数据的转换点之前，我们应该区分不同类型的非平稳过程。 这将使我们对过程有更好的了解，并使我们能够应用正确的转换。 非平稳过程的例子是有或没有漂移（缓慢的平稳变化）的随机游走和确定性趋势（在整个生命周期中恒定，正或负的趋势，与时间无关）。
图2-Copryright©2007 Investopedia.com
- 纯随机游走（Y t = Y t-1 +εt）随机游走预测时间“ t”处的值将等于上一个周期值加上一个随机（非系统）分量即白噪声，该值等于均值εt是独立的，并且均值“ 0”和方差“σ²”相同。 也可以将随机游走命名为由某些顺序集成的过程，具有单位根的过程或具有随机趋势的过程。 这是一个非均值转换过程，可以在正方向或负方向上偏离均值。 随机游走的另一个特征是，方差会随着时间的推移而发展，并随着时间的推移而变为无穷大。 因此，无法预测随机游动。 带有漂移的随机游走 （Y t =α+ Y t-1 +εt）如果随机游走模型预测时间“ t”的值将等于最后一个周期的值加上常数或漂移（α），并且a白噪声项（εt），则该过程是随机漂移。 它也不会恢复为长期平均值，并且会随时间变化。 确定性趋势（Y t =α+βt+εt）通常，带有漂移的随机游走会混淆确定性趋势。 两者都包含漂移和白噪声分量，但是在随机游走的情况下，时间“ t”的值将根据最后一个周期的值（Y t-1 ）进行回归，而在确定性趋势的情况下，将其进行回归在时间趋势（βt）上。 具有确定性趋势的非平稳过程的平均值围绕固定趋势增长，该趋势是恒定且独立于时间的。 具有漂移和确定性趋势的随机游走（Y t =α+ Y t-1 +βt+εt）另一个示例是一个非平稳过程，该过程将带有漂移分量（α）和确定性趋势（βt）的随机游走相结合。 它通过最后一个周期的值，漂移，趋势和随机成分来指定时间“ t”处的值。 （要了解有关随机游走和趋势的更多信息，请参阅我们的《 金融概念》 教程。）
趋势与差异平稳
可以通过与Y t- Y t-1 =εt对应的差分（从Y t减去Y t-1 ，取差Y t -Y t-1 ）来将具有或不具有漂移的随机游走转换为平稳过程。或Y t -Y t-1 =α+εt，然后该过程变为差分平稳的。 差异的缺点是，每次取得差异时，该过程都会丢失一个观察值。
图3-Copryright©2007 Investopedia.com
具有确定性趋势的非平稳过程在消除趋势或趋势下降后变得平稳。 例如，通过减去趋势βt可以将Yt =α+βt+εt转换为平稳过程：Yt-βt=α+εt，如下图4所示。 使用去趋势将非平稳过程转换为平稳过程时，不会丢失任何观察结果。
图4-Copryright©2007 Investopedia.com
在具有漂移和确定性趋势的随机游走的情况下，去趋势可以消除确定性趋势和漂移，但是方差将继续达到无穷大。 结果，还必须应用差分以消除随机趋势。
结论
在财务模型中使用非平稳时间序列数据会产生不可靠和虚假的结果，并导致理解和预测不佳。 解决该问题的方法是转换时间序列数据，使其变得平稳。 如果非平稳过程是带有或不带有漂移的随机游走，则可以通过微分将其转变为平稳过程。 另一方面，如果所分析的时间序列数据呈现确定性趋势，则可以通过去趋势避免虚假结果。 有时，非平稳序列可以同时组合随机趋势和确定性趋势，并且为了避免产生误导性结果，应同时应用差分和去趋势，因为差分将消除方差趋势，去趋势将消除确定性趋势。
