Nowoczesna analiza wizualna ekonomicznych szeregów czasowych

• Autorzy: Marek Nowiński

Warianty tytułu

Modern Visual Analysis of Economic Time Series

• Języki publikacji: PL

Abstrakty

Artykuł przedstawia metody zaawansowanej analizy wizualnej, która nie polega jedynie na badaniu podstawowych, statystycznych własności szeregów czasowych, ale przede wszystkim na próbie wykrycia pewnej złożonej, ukrytej w nich struktury. Uzyskanie takich informacji nie jest możliwe na podstawie podstawowych badań statystycznych danych szeregu czasowego ani jego wykresu w postaci pierwotnej, który jest w rzeczywistości kompletnie nieczytelny. Współczesna analiza szeregu czasowego często przypomina przepuszczenie danych szeregu przez pewien pryzmat oraz przedstawienie wyników na odpowiednio skonstruowanym wykresie w celu wizualnej identyfikacji jego określonych własności. Istnieją również metody dwustopniowe, które dodatkowo zawierają analizę ilościową i możliwości szacowania specjalnych wskaźników uzyskanych wyłącznie na podstawie takich wykresów, które same niosą wiele przydatnych informacji i mogą stanowić wskazówki przy wyborze innych metod i narzędzi badawczych (por. np. metody Recurrence Quantification Analysis lub Artificial Insymmetrised Patterns). Metody te pozwalają na odróżnienie badanego szeregu czasowego od losowego szumu, wykrycie zakłóconych procesów deterministycznych, ocenę rodzaju zależności w nim występujących, określenie stopnia stacjonarności, determinizmu i rekurencji. Mogą także pomóc w doborze metod pozwalających wykryć w danych elementy nieliniowości (a nawet chaosu deterministycznego). Inną zaletą tego podejścia jest możliwość ujawnienia w danych cykli okresowych o różnych długościach (co pozwala na bardziej skuteczne stosowanie modeli ARIMA lub wyrównywania wykładniczego, gdzie okres składnika cyklicznego musi być znany i może być wykorzystywany w pewnych modelach teoretycznych, np. średnich ruchomych lub autokorelacji). Takie własności nowoczesnej wersji metod wizualnej analizy szeregów czasowych musiały wzbudzić zainteresowanie badaczy skomplikowanych zjawisk i procesów ekonomicznych, którzy próbują je wykorzystywać do pogłębionej analizy nieliniowej, a także do efektywnego modelowania i prób prognozowania tych procesów. Jest to również powód przedstawienia urozmaiconego przeglądu tych metod w niniejszym artykule. (abstrakt oryginalny)

EN

The paper presents an advanced visual analysis method that does not rely only on examining of basic statistical properties of the time series, but also on attempting to detect a complex structure, hidden in the original dynamic process. Obtaining such information is not possible on the basis of the basic survey of time series data, or its graph in the original form, which is in fact completely illegible. Contemporary time series analysis of time series data is often reminiscent of passing it through a prism, and presenting the results on a properly constructed plots for visual identification of its specific properties. There are also two-step methods, which include both the possibility of quantitative analysis and estimation of specific indicators derived on the basis of such plots. They can carry a lot of useful information and provide us the guidance for the further selection of proper research of nonlinear analysis methods and tools (see eg. the methods of Recurrence Quantification Analysis and Artificial Insymmetrised Patterns). These methods allow to distinguish the analyzed time series from the random noise, to detect real deterministic processes biased with noise, to assess the type of dependencies in time series data, and to determine the degree of stationarity, determinism or recurrence. They can also help in the selection of methods to detect the nonlinearity in the data (or even deterministic chaos). Another advantage of this approach is the possibility of disclosure in data periodic cycles with periods of different lengths (for more efficient use of ARIMA and exponential smoothing models, where the period of the cyclical component must be known and can be used in certain theoretical models, eg. moving average or autocorrelation). Such properties of the modern version of visual time series analysis caused the interest of scientists trying to understand the complex economic phenomena and processes. They are trying to use it for in-depth nonlinear analysis, economic modeling and attempts of effective forecasting of these processes. This is the main reason for presenting a review of these methods in this paper. (original abstract)

Słowa kluczowe

PL

Analiza szeregów czasowych; Szeregi czasowe; Analiza ilościowa; Metoda graficzna

EN

Time-series analysis; Time-series; Quantitative analysis; Graphical method

• Czasopismo: Studia Ekonomiczne / Uniwersytet Ekonomiczny w Katowicach. Informatyka i Ekonometria
• Rocznik: 2015
• Tom: 2
• Numer: nr 237
• Strony: 79--91

Twórcy

autor

Marek Nowiński

• Uniwersytet Ekonomiczny we Wrocławiu

Bibliografia

• Bradley E., Mantilla R. (2001), Recurrence Plots and Unstable Periodic Prbits, Univ. of Colorado Tech Report CU-CS 919-01.
• Cao J., Cai H. (2000), On the Structure and Quantification of Recurrence Plots, "Physics Letters A", 270, s. 75-87.
• Hołyst J.A., Urbanowicz K. (2000), Chaos Control in Economical Model by Timedelayed Feedback Method, "Physica A", 287, s. 587-598.
• Kantz H., Schreiber T. (2004), Nonlinear Time Series Analysis, Cambridge University Press.
• Najman K. (2003), Diagramy ze sztucznie wprowadzoną symetrią jako narzędzie pomiaru natężenia składników losowych w szeregach czasowych stóp zwrotu, PN AE Wrocław, nr 991, s. 423-439.
• Nowiński M. (2007), Nieliniowa dynamika szeregów czasowych w badaniach ekonomicznych, Wydawnictwo AE, Wrocław.
• Pickover C.A. (1990), Computer, Patterns, Chaos and Beauty, St. Martin's Press, New York.
• Shannon C.E. (1948), A Mathematical Theory of Communication, "Bell System Techn. J.", 27, s. 379-423.
• Takens F. (1993), Detecting Nonlinearities in Stationary Time Series, "Int. J. of Bifurcation and Chaos", 3, s. 241-56.
• Zbilut J.P., Webber C.L. (1992), Embeddings and Delays as Derived from Quantification of Recurrence Plots, "Phys.Lett. A", 171, s. 199-203.