什么是时间序列(a time series)？

时间序列是在一段时间内以连续顺序出现的一系列数据点。这可以与捕获时间点的横截面数据进行对比。

在投资中，时间序列跟踪所选数据点（如证券价格）在指定时间段内的移动，并定期记录数据点。没有最短或最长的时间，必须包括，允许数据收集的方式，提供信息的投资者或分析师正在寻找的活动。

关键要点

• 时间序列是随时间跟踪样本的数据集。
• 特别是，一个时间序列可以让人看到什么因素影响某些变量从一个时期到另一个时期。
• 时间序列分析有助于了解给定的资产、证券或经济变量是如何随时间变化的。
• 基本分析和技术分析均采用时间序列预测方法。
• 尽管横截面数据被视为时间序列的对立面，但在实践中，这两种数据经常一起使用。

了解时间序列

可以对随时间变化的任何变量采用时间序列。在投资中，通常使用时间序列来跟踪证券的价格。这可以在短期内进行跟踪，例如一个营业日内一小时的证券价格，或者在长期内，例如五年内每个月最后一天收盘时的证券价格。

时间序列分析有助于了解给定的资产、证券或经济变量是如何随时间变化的。它还可以用来检查与所选数据点相关联的变化如何与同一时间段内其他变量的变化相比较。

时间序列也用于一些非金融领域，例如测量人口随时间的变化。下图描绘了1900-2000年间美国人口增长的时间序列。

时间序列分析

假设您想分析一年内给定股票每日收盘价的时间序列。你将获得一份清单，列出过去一年中每天的收盘价，并按时间顺序列出。这将是该股一年的每日收盘价时间序列。

再深入一点，你可以用技术分析工具分析时间序列数据，以了解股票的时间序列是否显示出任何季节性。这将有助于确定股票是否在每年的正常时间经历波峰和波谷。在这方面的分析将需要采取观察到的价格，并将其与选定的季节相关联。这可以包括传统的日历季节，如夏季和冬季，或零售季节，如假日季节。

或者，你可以记录股票价格的变化，因为它与经济变量有关，比如失业率。通过将数据点与所选经济变量相关的信息相关联，可以观察数据点与所选变量之间存在依赖关系的情况下的模式。

时间序列数据的一个潜在问题是，由于每个变量都依赖于其先前的状态或值，因此可能存在大量的

时间序列预测

时间序列预测使用有关历史值和相关模式的信息来预测未来的活动。通常，这与趋势分析、周期波动分析和季节性问题有关。就像所有的预测方法一样，成功是没有保证的。

例如，Box-Jenkins模型是一种根据特定时间序列的输入来预测数据范围的技术。它使用三个原则来预测数据：自回归、差分和移动平均。这三个原理分别称为p、d和q。在Box-Jenkins分析中使用了每一个原理，它们一起被表示为一个自回归综合移动平均，或ARIMA（p，d，q）。例如，ARIMA可以用来预测股价或盈利增长。

另一种方法，称为重标度范围分析，可用于检测和评估时间序列数据中的持久性、随机性或均值回归量。重标度范围可用于推断数据的未来值或平均值，以查看趋势是否稳定或可能逆转。

横截面与时间序列分析

横截面分析是股票分析的两种主要比较方法之一。横截面分析着眼于在单个时间点而不是一段时间内收集的数据。分析从研究目标的确立和分析师想要衡量的变量的定义开始。下一步是确定横截面，例如一组同行或一个行业，并设置被评估的具体时间点。最后一步是根据横截面和变量进行分析，得出公司或组织绩效的结论。从本质上讲，横截面分析向投资者展示了哪家公司最适合她所关心的指标。

时间序列分析，当它应用于技术交易时称为趋势分析，集中于一个单一的证券随着时间的推移。在这种情况下，价格是根据其过去的表现来判断的。时间序列分析通过投资者所关心的衡量指标，向投资者展示公司的表现是比以前好还是坏。通常这些都是经典，比如每股收益（EPS）、债转股、自由现金流（FCF）等等。在实际操作中，投资者在做出决策前通常会采用时间序列分析和截面分析相结合的方法。例如，查看一段时间内的每股收益，然后检查行业基准每股收益。

时间序列常见问题

什么是时间序列的一些例子(some examples of time series)？

一个时间序列可以由任何一段时间内以均匀间隔测量的数据构成。历史股价、收益、GDP或其他金融或经济数据序列可以作为时间序列进行分析。

如何分析时间序列数据？

统计技术可以用两种关键方法分析时间序列数据：生成一个或多个变量如何影响某个感兴趣变量的推断，或预测未来趋势。与横断面数据不同，时间箭头允许分析师做出更合理的因果声明，而这实际上是时间序列的一部分。

什么是横截面数据和时间序列数据之间的区别(the distinction between cross-sectional and time series data)？

横截面观察单个时间点，这对于比较和分析不同因素之间的影响或描述样本非常有用。时间序列包括随着时间的推移对相同数据的重复采样。在实践中，这两种形式的分析是常用的；如果可用，则一起使用。

时间序列如何用于数据挖掘？

数据挖掘是一种将大量原始数据转化为有用信息的技术。通过利用软件在大批量数据中寻找模式，企业可以更多地了解客户，从而制定更有效的营销策略，增加销售额，降低成本。时间序列，例如公司档案或财务报表的历史记录，在这里特别有用，可以确定未来可能预测的趋势和模式。