سری زمانی یعنی مجموعهای از مشاهدهها که ترتیبِ زمانیِ آنها اهمیت دارد: قیمتِ بستهٔ روزانهٔ یک شاخص، قیمتِ دقیقهایِ طلا، حجمِ معاملاتِ یک سهم یا نرخِ سود بینبانکی. در دادههایِ مقطعی (مثلاً سود هر شرکت در یک سال) جابهجاکردنِ ردیفها چیزی را خراب نمیکند؛ در سری زمانی جابهجاکردنِ ترتیب، اطلاعاتِ اصلیِ داده را از بین میبرد.
در آکادمی تجارت برتر تحلیلِ سری زمانی را ابزارِ سنجشِ ریسک و آزمونِ ایده میدانیم، نه ماشینِ پیشبینیِ قطعیِ قیمت. این دوره از «داده» شروع میکند، چون هر مدلی که روی دادهٔ نادرست ساخته شود نتیجهٔ نادرست میدهد.
چرا بهجایِ قیمت از بازده استفاده میکنیم؟
قیمتها معمولاً روندِ بلندمدت دارند و میانگینِ ثابتی ندارند؛ بازدهها به میانگینِ ثابت نزدیکترند و بینِ داراییهایِ مختلف قابلمقایسهاند (۱٬۰۸۰۰ برای یک جفتارز با ۲٬۰۰۰ دلار برای طلا مستقیماً قابلمقایسه نیست، اما ۰٫۵٪ بازده قابلمقایسه است).
| نوع بازده | فرمول | ویژگی |
|---|---|---|
| بازدهٔ ساده | Rt = Pt / Pt-1 − 1 | برایِ بازدهٔ پرتفویِ یک دورهٔ مشخص مناسب است؛ در جمعِ چنددورهای مستقیم جمع نمیشود |
| بازدهٔ لگاریتمی | rt = ln(Pt / Pt-1) | در چند دوره دقیقاً جمع میشود؛ برایِ مدلسازی آماری رایجتر است |
برایِ بازدههایِ کوچک (کمتر از چند درصد) این دو تقریباً یکساناند. هرچه بازده بزرگتر شود فاصلهشان بیشتر میشود.
آمادهسازیِ داده پیش از هر مدل
| مسئله | خطر | اقدام |
|---|---|---|
| تعدیلِ قیمت (سود نقدی، افزایش سرمایه، تجزیهٔ سهام) | افتِ مصنوعیِ قیمت بهعنوان «بازدهٔ منفیِ بزرگ» دیده میشود | قیمتِ تعدیلشده را بهکار ببرید |
| روزهایِ تعطیل و دادهیِ گمشده | ترتیب و فاصلهٔ زمانی بههم میریزد | تقویمِ هر بازار را جدا نگه دارید؛ پر کردنِ خودکار را با احتیاط انجام دهید |
| ساعتِ بستهشدنِ روزانه | در بازارهایِ ۲۴ ساعته «بستهٔ روز» قرارداد است | یک ساعتِ ثابت (مثلاً بستهٔ نیویورک) را برایِ همهٔ نمادها انتخاب کنید |
| همترازی دو سری | تعطیلاتِ متفاوت دو بازار، جفتهای ناقص میسازد | فقط روزهایی که هر دو داده دارند را نگه دارید |
| مقدارِ پرت | یک تیکِ اشتباه، نوسانِ برآوردی را چند برابر میکند | قبل از حذف، علتش را با منبعِ دیگر کنترل کنید |
برایِ سالانهکردنِ نوسان، انحراف معیارِ روزانه را در جذرِ تعدادِ دورههایِ سال ضرب میکنند: حدود ۲۵۲ روزِ معاملاتی برایِ سهام و شاخصها و ۳۶۵ برایِ ارزِ دیجیتال که هفتروزه و ۲۴ ساعته معامله میشود.
import numpy as np, pandas as pd
px = pd.Series([1.0800, 1.0854, 1.0830],
index=pd.to_datetime(["2026-01-05", "2026-01-06", "2026-01-07"]))
simple = px.pct_change().dropna()
logret = np.log(px).diff().dropna()
vol_annual = logret.std() * np.sqrt(252) # daily data, 252 trading daysیادآوری: همیشه قبل از مدلسازی نمودارِ قیمت و بازده را ببینید؛ بسیاری از خطاهایِ داده با یک نگاه به نمودار پیدا میشوند.
