Discusión sobre el artículo "Aprendizaje automático y Data Science (Parte 34): Descomposición de series temporales, desglosando el mercado bursátil hasta su núcleo"

[MetaQuotes]

Artículo publicado Aprendizaje automático y Data Science (Parte 34): Descomposición de series temporales, desglosando el mercado bursátil hasta su núcleo:

En un mundo repleto de datos ruidosos e impredecibles, identificar patrones significativos puede resultar complicado. En este artículo, exploraremos la descomposición estacional, una potente técnica analítica que ayuda a separar los datos en sus componentes clave: tendencia, patrones estacionales y ruido. Al desglosar los datos de esta manera, podemos descubrir información oculta y trabajar con datos más claros y fáciles de interpretar.

Tendencia

El componente de tendencia de los datos de series temporales se refiere a los cambios o patrones a largo plazo que se observan a lo largo del tiempo.

Representa la dirección general en la que se mueven los datos. Por ejemplo, si los datos aumentan con el tiempo, el componente de tendencia tendrá una pendiente ascendente, y si los datos disminuyen con el tiempo, el componente de tendencia tendrá una pendiente descendente.

Esto es algo familiar para casi todos los operadores: la tendencia es lo más fácil de detectar en el mercado con solo mirar el gráfico.

Estacionalidad

El componente estacional de los datos de una serie temporal se refiere a los patrones cíclicos que se observan dentro de un período de tiempo determinado. Por ejemplo, si analizamos los datos de ventas mensuales de un minorista especializado en decoración y regalos, el componente estacional reflejaría el hecho de que las ventas tienden a alcanzar su punto álgido en diciembre debido a las compras navideñas, y se estabilizan una vez finalizada la temporada festiva, en los meses de enero, febrero, etc.

Residual

El componente residual de una serie temporal representa la variación aleatoria que queda después de haber tenido en cuenta los componentes de tendencia y estacionales. Representa el ruido o error en los datos que no puede explicarse por la tendencia o los patrones estacionales.

Para entender esto mejor, mira la imagen a continuación.

Autor: Omega J Msigwa