17 Juni 2021 18:42

Detrend

Was ist ein Detrend?

Ein Detrend besteht darin, die Auswirkungen des Trends aus einem Datensatz zu entfernen, um nur die Abweichungen der Werte vom Trend anzuzeigen. Es ermöglicht die Identifizierung von zyklischen und anderen Mustern. Detrending kann mithilfe von Regressionsanalysen und anderen statistischen Techniken durchgeführt werden. Detrending zeigt einen anderen Aspekt von Zeitreihendaten, indem deterministische und stochastische Trends entfernt werden.

Eine der häufigsten Anwendungen von Detrending ist ein Datensatz, der eine Art Gesamtzunahme zeigt. Wenn Sie die Daten nicht anzeigen, können Sie potenzielle Subtrends erkennen, die für die wissenschaftliche, finanzielle, Vertriebs- und Marketingforschung auf breiter Front unglaublich nützlich sein können.

Wie ein Detrend funktioniert

Wenn Sie einen Trend aus Ihrem Datensatz entfernen, können Sie sich stattdessen auf die Schwankungen konzentrieren und eine beliebige Anzahl wichtiger Faktoren identifizieren. Diese Art des Abwärtstrends wird im Handel verwendet, um zyklische Kursschwankungen in einer Aktie zu identifizieren, die dann verwendet werden können, um den Ein- und Ausstieg von Zeitpositionen zu erleichtern. Ein Detrended Price Oszillator (DPO) ist ein gängiges Werkzeug, das technische Investoren und Händler zu diesem Zweck verwenden werden. Detrending wird auch in Vertrieb und Marketing verwendet, um Änderungen des Umsatzes von Monat zu Monat hervorzuheben, ohne das Gesamtvolumen abzulenken.

Wenn ein Forscher oder Ökonom einen bestimmten Datensatz ablehnt, tun sie dies normalerweise, um einen Aspekt zu entfernen, der im Endergebnis eine Art Verzerrung zu verursachen scheint. Wirtschaftsmodelle können mit dem Trend verschlechtert und dann als weitere Eingabevariable wieder in das Modell eingefügt werden, um verschiedene Beziehungen zwischen den Daten zu testen.

Die zentralen Thesen

  • Detrending wird verwendet, um andere Muster in einem bestimmten Datensatz zu identifizieren, die einen Trend anzeigen.
  • Es gibt typischerweise zwei Klassen von Trends: deterministisch und stochastisch. Deterministische Trends zeigen konsistente und anhaltende Zu- und Abnahmen, während stochastische Trends ohne Konsistenz zunehmen und abnehmen.
  • Bevor ein Trend auftreten kann, muss die Art des Trends identifiziert werden.
  • Ein Detrended-Price-Oszillator ist eine übliche Methode zur Detrending-Preisaktion, die von Händlern verwendet wird.

Arten von Detrending

Es gibt viele Methoden, die über die Preisnachlassoszillatoren hinausgehen und zur Abwertung verwendet werden können, obwohl einige von ihnen weitaus komplexer und schwieriger anzuwenden sind. Einige der alternativen Optionen sind quadratisches Detrending mit dem Baxter-King-Filter (nur für Trendlinien mit gleitendem Durchschnitt) und dem Hodrick-Prescott-Filter (nur für zyklische Komponenten einer bestimmten Zeitreihe).

Welche Methode für das Projekt und die vorliegenden Daten am besten geeignet ist, hängt von zahlreichen individuellen Faktoren ab, einschließlich des jeweiligen Studienbereichs und davon, ob die Daten linear korreliert sind oder nicht. Die Option, schnell und effizient zu arbeiten, ist in den meisten heute verfügbaren und weit verbreiteten statistischen Softwarepaketen enthalten.

Voraussetzungen für einen Detrend

Bevor ein Trend auftreten kann, muss die bestimmte Klasse des Trends identifiziert werden, um die am besten geeignete Methode zu bestimmen. Obwohl es viele verschiedene Arten von Trends gibt, treten sie normalerweise nur in zwei verschiedenen Klassen auf. Diese Klassen sind deterministische Trends und stochastische Trends.

Die deterministischen Trends nehmen stetig ab oder zu, und die stochastischen Trends nehmen uneinheitlich ab oder zu. Deterministische Trends sind oft leichter zu identifizieren und zu erkennen, da sie etwas vorhersehbarer und zuverlässiger sind, aber es gibt auch Methoden, um mit stochastischen Trends umzugehen. Die Identifizierung eines Trends, insbesondere eines stochastischen Trends, kann eine subjektive Übung sein und zu Ungenauigkeiten bei der Modellierung und den daraus gezogenen Schlussfolgerungen oder Vorhersagen führen.