Was ist eine Zeitreihe?
Was ist eine Zeitreihe?
Eine Zeitreihe ist eine Folge von Datenpunkten, die über einen bestimmten Zeitraum in aufeinanderfolgender Reihenfolge auftreten. Dies kann mit Querschnittsdaten verglichen werden, die einen Zeitpunkt erfassen.
Beim Investieren verfolgt eine Zeitreihe die Bewegung der ausgewählten Datenpunkte, wie beispielsweise des Kurses eines Wertpapiers, über einen bestimmten Zeitraum, wobei Datenpunkte in regelmäßigen Abständen aufgezeichnet werden. Es gibt keine Mindest- oder Höchstdauer, die angegeben werden muss, damit die Daten so gesammelt werden können, dass sie die Informationen liefern, die der Investor oder Analyst, der die Aktivität untersucht, sucht.
Die zentralen Thesen
- Eine Zeitreihe ist ein Datensatz, der eine Stichprobe im Zeitverlauf verfolgt.
- Insbesondere lässt sich anhand einer Zeitreihe erkennen, welche Faktoren bestimmte Variablen von Periode zu Periode beeinflussen.
- Eine Zeitreihenanalyse kann hilfreich sein, um festzustellen, wie sich ein bestimmter Vermögenswert, ein bestimmtes Wertpapier oder eine bestimmte wirtschaftliche Variable im Laufe der Zeit ändert.
- Sowohl in der fundamentalen als auch in der technischen Analyse werden Prognosemethoden mit Zeitreihen verwendet.
- Obwohl Querschnittsdaten als das Gegenteil von Zeitreihen angesehen werden, werden beide in der Praxis oft zusammen verwendet.
Zeitreihen verstehen
Eine Zeitreihe kann für jede Variable erstellt werden, die sich im Laufe der Zeit ändert. Beim Investieren ist es üblich, eine Zeitreihe zu verwenden, um den Preis eines Wertpapiers über die Zeit zu verfolgen. Dies kann kurzfristig verfolgt werden, z. B. der Kurs eines Wertpapiers zu jeder vollen Stunde im Laufe eines Geschäftstages, oder langfristig, z. B. der Kurs eines Wertpapiers zum Schlusskurs am letzten Tag eines jeden Monats über den fünf Jahre dauern.
Die Zeitreihenanalyse kann nützlich sein, um zu sehen, wie sich ein bestimmter Vermögenswert, ein Wertpapier oder eine wirtschaftliche Variable im Laufe der Zeit verändert. Es kann auch verwendet werden, um zu untersuchen, wie sich die mit dem ausgewählten Datenpunkt verbundenen Änderungen im Vergleich zu Verschiebungen in anderen Variablen über den gleichen Zeitraum vergleichen.
Zeitreihen werden auch in mehreren nichtfinanziellen Kontexten verwendet, beispielsweise bei der Messung der Bevölkerungsveränderung im Zeitverlauf. Die folgende Abbildung zeigt eine solche Zeitreihe für das Wachstum der US-Bevölkerung über das Jahrhundert von 1900 bis 2000.
Zeitreihenanalyse
Angenommen, Sie möchten eine Zeitreihe der täglichen Schlusskurse für eine bestimmte Aktie über einen Zeitraum von einem Jahr analysieren. Sie erhalten eine Liste aller Schlusskurse der Aktie von jedem Tag für das vergangene Jahr und listen diese in chronologischer Reihenfolge auf. Dies wäre eine einjährige tägliche Schlusskurszeitreihe für die Aktie.
Wenn Sie etwas tiefer gehen, können Sie Zeitreihendaten mit technischen Analysetools analysieren, um zu wissen, ob die Zeitreihen der Aktie Saisonalität aufweisen. Dies wird dazu beitragen, festzustellen, ob die Aktie jedes Jahr zu regelmäßigen Zeiten Höchst- und Tiefststände durchläuft. Eine Analyse in diesem Bereich würde es erfordern, die beobachteten Preise zu nehmen und sie einer ausgewählten Saison zuzuordnen. Dies kann traditionelle Kalenderjahreszeiten wie Sommer und Winter oder Einzelhandelsjahreszeiten wie Feiertage umfassen.
Alternativ können Sie die Kursänderungen einer Aktie in Bezug auf eine wirtschaftliche Variable wie die Arbeitslosenquote aufzeichnen. Durch die Korrelation der Datenpunkte mit Informationen bezüglich der ausgewählten ökonomischen Variablen können Sie Muster in Situationen beobachten, die eine Abhängigkeit zwischen den Datenpunkten und der ausgewählten Variablen aufweisen.
Ein mögliches Problem bei Zeitreihendaten besteht darin, dass, da jede Variable von ihrem vorherigen Zustand oder Wert abhängt, eine große Autokorrelation auftreten kann, die die Ergebnisse verzerren kann.
Zeitreihenprognose
Bei der Zeitreihenprognose werden Informationen zu historischen Werten und zugehörigen Mustern verwendet, um zukünftige Aktivitäten vorherzusagen. Dies betrifft am häufigsten Trendanalysen, zyklische Fluktuationsanalysen und Fragen der Saisonalität. Wie bei allen Prognosemethoden ist der Erfolg nicht garantiert.
Das Box-Jenkins-Modell zum Beispiel ist eine Technik, die entwickelt wurde, um Datenbereiche basierend auf Eingaben aus einer bestimmten Zeitreihe vorherzusagen. Es prognostiziert Daten nach drei Prinzipien, Autoregression, Differenzierung und gleitenden Durchschnitten. Diese drei Prinzipien sind als p, d bzw. q bekannt. Jedes Prinzip wird in der Box-Jenkins-Analyse verwendet und zusammen werden sie zusammen als autoregressiver integrierter gleitender Durchschnitt oder ARIMA (p, d, q) dargestellt. Mit ARIMA lassen sich beispielsweise Aktienkurse oder Gewinnwachstum prognostizieren.
Eine andere Methode, die als reskalierte Bereichsanalyse bekannt ist, kann verwendet werden, um das Ausmaß der Persistenz, Zufälligkeit oder Mittelwertreversion in Zeitreihendaten zu erkennen und zu bewerten . Der neu skalierte Bereich kann verwendet werden, um einen zukünftigen Wert oder Durchschnitt für die Daten zu extrapolieren, um festzustellen, ob ein Trend stabil ist oder sich wahrscheinlich umkehrt.
Querschnitts- vs. Zeitreihenanalyse
Die Querschnittsanalyse ist eine der beiden übergreifenden Vergleichsmethoden der Aktienanalyse. Die Querschnittsanalyse betrachtet Daten, die zu einem einzigen Zeitpunkt gesammelt wurden, und nicht über einen bestimmten Zeitraum. Die Analyse beginnt mit der Festlegung von Forschungszielen und der Definition der Variablen, die ein Analyst messen möchte. Im nächsten Schritt wird der Querschnitt identifiziert, beispielsweise eine Gruppe von Peers oder eine Branche, und der konkrete Zeitpunkt für die Bewertung festgelegt. Der letzte Schritt besteht darin, eine Analyse basierend auf dem Querschnitt und den Variablen durchzuführen und zu einer Schlussfolgerung über die Leistung eines Unternehmens oder einer Organisation zu gelangen. Im Wesentlichen zeigt eine Querschnittsanalyse einem Investor, welches Unternehmen angesichts der Kennzahlen, die ihm wichtig sind, am besten ist.
Die Zeitreihenanalyse, die im technischen Handel als Trendanalyse bezeichnet wird, konzentriert sich auf ein einzelnes Wertpapier im Zeitverlauf. In diesem Fall wird der Preis im Kontext seiner vergangenen Wertentwicklung beurteilt. Die Zeitreihenanalyse zeigt einem Investor, ob es dem Unternehmen mit den ihm am Herzen liegenden Maßnahmen besser oder schlechter geht als zuvor. Oft handelt es sich dabei um Klassiker wie Earnings per Share (EPS), Debt-to-Equity, Free Cashflow (FCF) und so weiter. In der Praxis werden Anleger in der Regel eine Kombination aus Zeitreihenanalyse und Querschnittsanalyse verwenden, bevor sie eine Entscheidung treffen. Betrachten Sie beispielsweise den EPS im Zeitverlauf und überprüfen Sie dann auch den Branchen-Benchmark-EPS.
Häufig gestellte Fragen zu Zeitreihen
Was sind einige Beispiele für Zeitreihen?
Eine Zeitreihe kann aus beliebigen Daten erstellt werden, die in gleichmäßigen Abständen über die Zeit gemessen werden. Historische Aktienkurse, Gewinne, BIP oder andere Sequenzen von Finanz- oder Wirtschaftsdaten können als Zeitreihen analysiert werden.
Wie analysieren Sie Zeitreihendaten?
Statistische Techniken können verwendet werden, um Zeitreihendaten auf zwei Arten zu analysieren: um Rückschlüsse darauf zu ziehen, wie sich eine oder mehrere Variablen auf eine interessierende Variable im Zeitverlauf auswirken, oder um zukünftige Trends vorherzusagen. Im Gegensatz zu Querschnittsdaten, bei denen es sich im Wesentlichen um einen Teil einer Zeitreihe handelt, ermöglicht der Zeitpfeil einem Analysten, plausiblere kausale Behauptungen aufzustellen.
Was ist der Unterschied zwischen Querschnitts- und Zeitreihendaten?
Ein Querschnitt betrachtet einen einzelnen Zeitpunkt, was nützlich ist, um die Wirkung verschiedener Faktoren aufeinander zu vergleichen und zu analysieren oder eine Stichprobe zu beschreiben. Zeitreihen beinhalten wiederholtes Abtasten derselben Daten über die Zeit. In der Praxis werden üblicherweise beide Analyseformen verwendet; und wenn verfügbar, werden zusammen verwendet.
Wie werden Zeitreihen beim Data Mining verwendet?
Data Mining ist ein Verfahren, das Unmengen von Rohdaten in nützliche Informationen verwandelt. Durch den Einsatz von Software zur Suche nach Mustern in großen Datenmengen können Unternehmen mehr über ihre Kunden erfahren, um effektivere Marketingstrategien zu entwickeln, den Umsatz zu steigern und Kosten zu senken. Zeitreihen, wie beispielsweise historische Aufzeichnungen von Unternehmensanmeldungen oder Jahresabschlüssen, sind hier besonders nützlich, um Trends und Muster zu erkennen, die in der Zukunft prognostiziert werden können.