O que é uma série temporal?
O que é uma série temporal?
Uma série temporal é uma sequência de pontos de dados que ocorrem em ordem sucessiva ao longo de algum período de tempo. Isso pode ser contrastado com dados de seção transversal, que capturam um ponto no tempo.
Ao investir, uma série temporal rastreia o movimento dos pontos de dados escolhidos, como o preço de um título, ao longo de um período de tempo especificado com os pontos de dados registrados em intervalos regulares. Não existe um período mínimo ou máximo de tempo a ser incluído, permitindo que os dados sejam recolhidos de forma a proporcionar a informação que procura o investidor ou analista que examina a atividade.
Principais vantagens
- Uma série temporal é um conjunto de dados que rastreia uma amostra ao longo do tempo.
- Em particular, uma série temporal permite ver quais fatores influenciam certas variáveis de período a período.
- A análise de série temporal pode ser útil para ver como um determinado ativo, segurança ou variável econômica muda ao longo do tempo.
- Métodos de previsão usando séries temporais são usados tanto na análise fundamental quanto na técnica.
- Embora os dados transversais sejam vistos como o oposto das séries temporais, os dois são frequentemente usados juntos na prática.
Compreendendo as séries temporais
Uma série temporal pode ser considerada em qualquer variável que muda ao longo do tempo. Ao investir, é comum usar uma série temporal para rastrear o preço de um título ao longo do tempo. Isso pode ser rastreado no curto prazo, como o preço de um título na hora ao longo de um dia útil, ou no longo prazo, como o preço de um título no fechamento do último dia de cada mês durante o curso de cinco anos.
A análise de série temporal pode ser útil para ver como um determinado ativo, segurança ou variável econômica muda ao longo do tempo. Também pode ser usado para examinar como as mudanças associadas ao ponto de dados escolhido se comparam às mudanças em outras variáveis no mesmo período de tempo.
As séries temporais também são usadas em vários contextos não financeiros, como medir a mudança na população ao longo do tempo. A figura abaixo mostra essa série temporal para o crescimento da população dos Estados Unidos ao longo do século de 1900-2000.
Análise de Séries Temporais
Suponha que você queira analisar uma série temporal de preços de ações de fechamento diários para uma determinada ação durante um período de um ano. Você obteria uma lista de todos os preços de fechamento do estoque de cada dia do ano anterior e os listaria em ordem cronológica. Essa seria uma série temporal de preço de fechamento diário de um ano para a ação.
Aprofundando um pouco mais, você pode analisar dados de série temporal com ferramentas de análise técnica para saber se a série temporal da ação mostra alguma sazonalidade. Isso ajudará a determinar se o estoque passa por altos e baixos em períodos regulares a cada ano. A análise nesta área exigiria pegar os preços observados e correlacioná-los com uma estação escolhida. Isso pode incluir temporadas tradicionais, como verão e inverno, ou temporadas de varejo, como feriados.
Como alternativa, você pode registrar as mudanças no preço das ações de uma ação em relação a uma variável econômica, como a taxa de desemprego. Ao correlacionar os pontos de dados com informações relacionadas à variável econômica selecionada, você pode observar padrões em situações que exibem dependência entre os pontos de dados e a variável escolhida.
Um problema potencial com os dados de série temporal é que, como cada variável depende de seu estado ou valor anterior, pode haver uma grande autocorrelação, o que pode influenciar os resultados.
Previsão de série temporal
A previsão de série temporal usa informações sobre valores históricos e padrões associados para prever atividades futuras. Na maioria das vezes, isso está relacionado à análise de tendências, análise de flutuação cíclica e questões de sazonalidade. Como acontece com todos os métodos de previsão, o sucesso não é garantido.
O modelo Box-Jenkins, por exemplo, é uma técnica projetada para prever intervalos de dados com base em entradas de uma série de tempo especificada. Ele prevê dados usando três princípios, autorregressão, diferenciação e médias móveis. Esses três princípios são conhecidos como p, d e q, respectivamente. Cada princípio é usado na análise de Box-Jenkins e juntos são mostrados coletivamente como uma média móvel integrada autoregressiva, ou ARIMA (p, d, q). ARIMA pode ser usado, por exemplo, para prever preços de ações ou crescimento de lucros.
Outro método, conhecido como análise de intervalo redimensionado, pode ser usado para detectar e avaliar a quantidade de persistência, aleatoriedade ou reversão média em dados de série temporal. O intervalo redimensionado pode ser usado para extrapolar um valor futuro ou média dos dados para ver se uma tendência é estável ou tem probabilidade de ser revertida.
Análise transversal vs. análise de série temporal
A análise transversal é um dos dois métodos de comparação abrangentes para análise de estoque. A análise transversal analisa os dados coletados em um único ponto no tempo, em vez de durante um período de tempo. A análise começa com o estabelecimento dos objetivos da pesquisa e a definição das variáveis que um analista deseja medir. A próxima etapa é identificar a seção transversal, como um grupo de pares ou uma indústria, e definir o momento específico que está sendo avaliado. A última etapa é fazer a análise, com base no cross-section e nas variáveis, e chegar a uma conclusão sobre o desempenho de uma empresa ou organização. Essencialmente, a análise transversal mostra ao investidor qual empresa é a melhor, de acordo com as métricas com as quais ela se preocupa.
A análise de série temporal, conhecida como análise de tendência quando se aplica à negociação técnica, concentra-se em um único título ao longo do tempo. Nesse caso, o preço está sendo julgado no contexto de seu desempenho anterior. A análise de série temporal mostra a um investidor se a empresa está se saindo melhor ou pior do que antes pelas medidas com as quais ela se preocupa. Freqüentemente, serão clássicos como lucro por ação (EPS), dívida em capital, fluxo de caixa livre (FCF) e assim por diante. Na prática, os investidores geralmente usam uma combinação de análise de série temporal e análise transversal antes de tomar uma decisão. Por exemplo, observar o EPS ao longo do tempo e, em seguida, verificar o EPS de referência da indústria.
Perguntas frequentes sobre séries temporais
Quais são alguns exemplos de séries temporais?
Uma série temporal pode ser construída por quaisquer dados medidos ao longo do tempo em intervalos uniformemente espaçados. Os preços históricos das ações, ganhos, PIB ou outras sequências de dados financeiros ou econômicos podem ser analisados como uma série temporal.
Como você analisa os dados de série temporal?
As técnicas estatísticas podem ser usadas para analisar dados de séries temporais de duas maneiras principais: para gerar inferências sobre como uma ou mais variáveis afetam alguma variável de interesse ao longo do tempo ou para prever tendências futuras. Ao contrário dos dados transversais, que são essencialmente uma fatia de uma série temporal, a seta do tempo permite que um analista faça afirmações causais mais plausíveis.
Qual é a distinção entre dados transversais e de série temporal?
Uma seção transversal examina um único ponto no tempo, o que é útil para comparar e analisar o efeito de diferentes fatores uns sobre os outros ou para descrever uma amostra. A série temporal envolve amostragem repetida dos mesmos dados ao longo do tempo. Na prática, ambas as formas de análise são comumente usadas; e quando disponíveis, são usados juntos.
Como as séries temporais são usadas na mineração de dados?
A mineração de dados é uma ferramenta que transforma uma grande quantidade de dados brutos em informações úteis. Utilizando software para procurar padrões em grandes lotes de dados, as empresas podem aprender mais sobre seus clientes para desenvolver estratégias de marketing mais eficazes, aumentar as vendas e diminuir os custos. As séries temporais, como um registro histórico de arquivamentos corporativos ou demonstrações financeiras, são particularmente úteis aqui para identificar tendências e padrões que podem ser previstos no futuro.