Самый простой способ ответить на ваш вопрос - это понять, что примерно наборы данных часто классифицируются как поперечные , временные ряды и панели . Поперечная регрессия - это инструмент перехода к наборам поперечных данных. Это то, что большинство людей знают и называют термином регрессия . Регрессия временных рядов иногда применяется к временным рядам, но анализ временных рядов имеет широкий спектр инструментов, помимо регрессии.
( х1, у1) , ( х2, у3) , … , ( XN, уN)Икся, уяY∼ хY^Икс
Если выборка не была случайной, то регрессия может вообще не работать. Например, вы выбрали только девочек в первом классе, чтобы оценить модель, но вы должны предсказать рост 12-летнего мужчины. Таким образом, регрессия имеет свои проблемы даже в настройках поперечного сечения.
ИксT, уT( х1, у1) , ( х2, у3) , … , ( XN, уN)Tх , у
T
Третий типичный набор данных представляет собой панель, в частности, данные с продольными данными. Здесь вы можете получить несколько снимков переменных веса и роста для нескольких учеников. Этот набор данных может выглядеть как волны поперечных сечений или набор временных рядов.
Естественно, это может быть более сложным, чем предыдущие два типа. Здесь мы используем регрессию панели и другие специальные методы, разработанные для панелей.
Подводя итог, можно сказать, что причина, по которой регрессия временных рядов рассматривается в качестве отдельного инструмента по сравнению с регрессией поперечного сечения, заключается в том, что временные ряды представляют собой уникальные проблемы, когда речь идет о допущениях независимости метода регрессии. В частности, из-за того факта, что в отличие от анализа поперечного сечения порядок наблюдений имеет значение, он обычно приводит ко всем видам структур корреляции и зависимости, которые иногда могут сделать недействительным применение методов регрессии. Вы должны иметь дело с зависимостью, и это именно то, в чем хорош анализ временных рядов.
Предсказуемость цен на активы
Кроме того, вы повторяете распространенное заблуждение относительно фондовых рынков и цен на активы в целом, что их нельзя предсказать. Это утверждение слишком общее, чтобы быть правдой. Это правда, что вы не можете прямо предсказать следующий тик AAPL надежно. Однако это очень узкая проблема. Если вы расширите свою сеть, вы обнаружите множество возможностей заработать деньги, используя все виды прогнозирования (и особенно анализ временных рядов). Статистический арбитраж является одной из таких областей.
Теперь, причина, по которой цены активов трудно прогнозировать в ближайшей перспективе, связана с тем фактом, что значительным компонентом изменения цен является новая информация. По-настоящему новую информацию, которая не может быть реально разработана из прошлого, по определению невозможно предсказать. Однако это идеализированная модель, и многие люди утверждают, что существуют аномалии, которые допускают сохранение состояния. Это означает, что часть изменения цены может быть объяснена прошлым. В таких случаях анализ временных рядов вполне уместен, поскольку он точно связан с постоянством. Он отделяет новое от старого, новое предсказать невозможно, но старое перетаскивается из прошлого в будущее. Если вы можете объяснить хоть немного, в финансах это означает, что вы можетебыть в состоянии заработать деньги. Пока цена стратегии, построенной на таком прогнозе, покрывает генерируемый им доход.
Наконец, взгляните на приз «Нобелевская экономика» за 2013 год : «вполне возможно предвидеть широкий курс этих цен в течение более длительных периодов, таких как следующие три-пять лет». Взгляните на нобелевскую лекцию Шиллера , он обсуждает прогнозируемость цен на активы.