#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