#سری_زمانی

▫️اهمیت مطالعه سری های زمانی از این جهت می‌باشد که داده های جمع آوری شده از بازارهای مالی به صورت سری های زمانی هستند.

▫️بیشتر تحلیل‌های موجود در سری‌های زمانی مالی، بر روی "بازده دارایی" به جای "قیمت" آن متمرکز است.

▫️دو دلیل مهم برای این انتخاب وجود دارد:
1. "بازده دارایی" یک خلاصه جامع و بدون نیاز به مقیاس از فرصت سرمایه‌گذاری مورد نظر است.
2. سری زمانی "بازده دارایی" ویژگی‌های آماری جالب‌تری به منظور مطالعه دارد.
#finpy_tse
#Time_series
@FinPy

#سری_زمانی

▫️هدف اصلی تحلیل سری های زمانی توسعه مدل های ریاضی است که توصیف های درستی از داده های نمونه مورد نظر ارائه دهند

▫️مبحث Autocorrelation یا خودهمبستگی بعداً به عنوان ابزار پایه در مطالعه ایستایی سری‌های زمانی مورد استفاده قرار خواهد گرفت.

▫️نمودار موجود در شکل، خود همبستگی شاخص کل بورس تهران را براساس Lag یا تعداد فواصل زمانی قبل از آن بررسی می‌نماید

▫️به منظور به دست آوردن این نمودار میزان خودهمبستگی شاخص کل در زمان t با t-1، t-2 و ... به ترتیب محاسبه شده و از متصل نمودن این داده ها نمودار بالا حاصل می‌شود

▫️نواحی که توسط خطوط موازی و خط چین مشخص شده‌اند نشان دهنده Critical Value می‌باشند که میزان اعتبار خود همبستگی را نشان می‌دهد. اگر خود همبستگی خارج از این ناحیه باشد معتبر است.
#Time_Series
#Autocorrelation
@FinPy

#سری_زمانی

▫️به منظور تحلیل بهتر سری‌های زمانی و همینطور کشف الگوهای موجود در آن‌ها، همواره سعی می‌شود تا یک سری زمانی به اجزا آن تقسیم شود.

▫️هرکدام از اجزا سری زمانی دارای الگوها و همینطور اطلاعاتی هستند که به ما در درک بهتر داده‌ها و همینطور پیش‌بینی آن‌ها کمک می‌کند.

▫️تمام سری‌های زمانی دارای جزء "تراز" بوده، بیشترشان دارای "نویز" هستند و وجود "روند" و "فصلی بودن" در داده ها بستگی به ذات پدیده مورد نظر دارد.

▫️اجزا اصلی که در تحلیل‌ها بسیار استفاده می‌شوند شامل "روند" و "فصلی بودن" هستند.
#Time_Series
#Decomposition
@FinPy

#سری_زمانی

▫️یکی از مهمترین قسمتهایی که برای تحلیل سری‌های زمانی در داده های مالی به کار گرفته می شود، روند است.

▫️جدا نمودن روند و همچنین تشخیص روند همواره برای تحلیل سری های زمانی حائز اهمیت است.

▫️در مباحث آینده مبحث روند به بحث ایستایی سری های زمانی نیز مرتبط می‌شود.

▫️حذف روند در بیشتر اوقات به عنوان روشی برای پاکسازی داده ها استفاده می شود. ( باید دقت داشت که استفاده از داده های مربوط به روند و حذف آن ها بسته به نوع مسئله و میزان اطلاعاتی که در آن موجود است، متفاوت می باشد)

▫️در 3 کتابخانه پایتون روش هایی به منظور تشخیص و حذف روند از داده ها وجود دارد.

#Trend
#Time_Series
@FinPy

#سری_زمانی

▫️محاسبه اختلاف بین دو سطر یکی از روش های حذف روند از داده ها می باشد.

▫️در کتابخانه Pandas با استفاده از تابع diff می‌توان اختلاف بین دو سطر/ستون مورد نظر را محاسبه نمود.

▫️از تابع diff برای محاسبه بازده دارایی نیز استفاده می شود.

▫️باید در نظر داشت که diff یک تابع ساده است که تنها با استفاده از اختلاف بین دو سطر، روند را از داده ها حذف می نماید و قادر به تشخیص خود روند در داده ها نمی باشد.

#Trend
#Detrending
#Time_Series
@FinPy

#سری_زمانی

▫️کتابخانه Scipy یکی از کتابخانه های پایتون می باشد که برای مباحث پردازش های علمی و مهندسی مورد استفاده قرار می گیرد.

▫️باید در نظر داشت که Signal به عنوان یک Sub-Package در Scipy برای محاسبات مربوط به پردازش سیگنال تعبیه شده است.

▫️از تابع detrend به منظور تشخیص و جداسازی روندهای خطی در داده ها استفاده می شود.

▫️خروجی تابع detrend آرایه ای از داده های سری زمانی است که روند از آنها حذف شده است.

#Trend
#Detrending
#Time_Series
@FinPy