金融機構和公司以及個人投資者和研究人員，通常使用金融時序數據（如資產價格，匯率，GDP，通貨膨脹和其他宏觀經濟指標）在經濟預測，股票市場分析或數據研究中本身。

但煉油數據是能夠將其應用於您的股票分析的關鍵。在本文中，我們將向您展示如何隔離與您的股票報告相關的數據點。

烹飪原始數據

數據點通常是非靜止的或具有隨時間變化的方法，差異和協方差。非靜止行為可以是趨勢，週期，隨機散步或三個組合。

通常是一個規則的非靜止數據是不可預測的，無法建模或預測。通過使用非靜止時間序列獲得的結果可以是虛假的，因為它們可以指示一個不存在的兩個變量之間的關係。為了接收一致，可靠的結果，需要將非靜止數據轉換為固定數據。與具有可變方差的非靜止過程和不靠近的平均值，或者返回到長期均值的平均值，靜止過程圍繞恆定的長期均值恢復，並且具有獨立的恆定方差時間。

非靜止過程的類型

在我們達到非靜止金融時間序列數據的轉型點之前，我們應該區分不同類型的非靜止過程。這將使我們更好地了解流程並允許我們應用正確的轉換。非靜止過程的示例是隨機散步，或沒有漂移（緩慢穩定的變化）和確定性趨勢（恆定的趨勢，積極的，或負，與系列的整個壽命無關）。

• 純隨機步行（Y_t=y_t-1+ε_t）隨機步行預測時刻“t”的值將等於最後一個週期值加上是白噪聲的隨機（非系統性）組件，這意味著ε_t是獨立的，並用平均值分佈為“0”“和方差”Σ²“。隨機散步也可以命名為某些訂單集成的過程，一個具有單位根的過程或具有隨機趨勢的過程。這是一個非平均恢復過程，可以遠離呈正或負方向的平均值。隨機散步的另一個特徵是隨著時間的推移而變化，隨著時間的流入，方差隨著無限的方式而變化;因此，無法預測隨機散步。
• 隨機步行，漂移（y_t=α+y_t-1+ε_t）如果隨機步道模型預測時，時間“t”的值將等於最後一個週期的值加上常數，或漂移（α）和白噪聲項（ε_t），然後這個過程是隨機行走，漂移。它也不會恢復到長期均值，並且具有依賴於時間的差異。
• 確定性趨勢（Y_t=α+βt+ε_t）通常隨機散步與漂移相混淆，對確定性的t混淆結尾。兩者都包括漂移和白噪聲分量，但在隨機步行的情況下的時間值在最後一個時期的值（Y_t-1）上，在情況下確定性趨勢它在時間趨勢（βt）上回歸。具有確定性趨勢的非靜止過程具有圍繞固定趨勢而生長的平均值，這是恆定的並且與時間無關。
• 隨機步行，漂移和確定性趨勢（Y_t=α+y_t-1+βtε_t）另一個例子是一個非靜止過程，其與漂移分量（α）和確定性趨勢（βt）結合了隨機步行。它在最後一個時期的值，漂移，趨勢和隨機分量下指定時間“t”的值。

趨勢和差異靜止

通過差異（從YT從YT中減去YT-1，從YT，差異YT-YT-1）相應於YT-YT-1=εt或yt-yt-1=，可以將隨機步行轉換為靜止過程α+εt然後該過程變為差異靜止。差異的缺點是，每次拍攝差異時，該過程都會失去一個觀察。

在去除趨勢或爭取後，具有確定性趨勢的非靜止過程變得靜止。例如，通過減去趨勢βT：Yt-βt=α+εt，將Yt=α+βt+εt轉換成靜止過程中，如下圖所示。當拒絕用於將非靜止過程轉換為固定式一個時，損失沒有觀察。

在隨機行走的情況下，隨著漂移和確定性趨勢，爭議可以消除確定性趨勢和漂移，但方差將繼續進入無限遠。結果，還必須應用差異來消除隨機趨勢。

底線

在金融模型中使用非靜止時間序列數據會產生不可靠性和虛假的結果，並導致理解和預測不足。解決問題的解決方案是轉換時間序列數據，使其變得靜止。如果非靜止過程是隨機散步或沒有漂移，則通過差異轉換為靜止過程。另一方面，如果分析的時間序列數據表現出確定性趨勢，則可以通過爭取來避免虛假的結果。

有時，非靜止系列可以同時結合隨機和確定性趨勢，並避免應施加誤導性結果，​​因為差異將消除方差的趨勢，貶值將消除確定性趨勢。