خودهمبستگی (Serial Correlation)

به زبان ساده:
اگر مقدار امروز یک متغیر (مثلاً قیمت یک سهم) به مقدار دیروز یا روزهای قبل وابسته باشد، می‌گوییم خودهمبستگی وجود دارد.

Serial Correlation چگونه کار می‌کند؟

در تحلیل سری زمانی:

• مقدار متغیر در زمان T
• با مقدار همان متغیر در زمان T-1 (گذشته)

مقایسه می‌شود

✅ اگر بین این دو ارتباط وجود داشته باشد → Serial Correlation داریم

مثال ساده

✅ مثال 1: قیمت سهام

اگر:

• قیمت امروز یک سهم به قیمت دیروز وابسته باشد

➡️ یعنی الگوی مشخصی وجود دارد
➡️ این همان خودهمبستگی است

✅ مثال 2: دما

اگر:

• دمای امروز مشابه دمای روز قبل باشد

➡️ نشان‌دهنده وجود خودهمبستگی مثبت است

انواع Serial Correlation

✔️ خودهمبستگی مثبت (Positive)

• مقدار فعلی شبیه مقدار قبلی است
  ✅ مثال: روند صعودی مداوم

✔️ خودهمبستگی منفی (Negative)

• مقدار فعلی برعکس مقدار قبلی است
  ✅ مثال: بالا → پایین → بالا

✔️ بدون همبستگی

• تغییرات کاملاً تصادفی هستند

چرا Serial Correlation مهم است؟

✅ 1. تحلیل رفتار بازار

در بازارهای مالی:

• قیمت‌ها ممکن است الگوی مشخصی داشته باشند

✅ 2. پیش‌بینی آینده

اگر خودهمبستگی وجود داشته باشد:

➡️ می‌توان از داده‌های گذشته برای پیش‌بینی استفاده کرد

✅ 3. بهبود استراتژی سرمایه‌گذاری

تحلیل‌گران تکنیکال با بررسی این الگوها:

• تصمیم‌های دقیق‌تر می‌گیرند

مثال کاربردی در سرمایه‌گذاری

✅ مثال: تحلیل تکنیکال

یک تحلیل‌گر بررسی می‌کند:

• آیا روند صعودی گذشته ادامه دارد؟

➡️ اگر Serial Correlation مثبت باشد:
→ احتمال ادامه روند بیشتر است

آزمون Durbin-Watson چیست؟

برای تشخیص خودهمبستگی از آماری به نام:

✅ Durbin-Watson Test استفاده می‌شود

این تست مشخص می‌کند:

• آیا خودهمبستگی وجود دارد؟
• مثبت است یا منفی؟

تفاوت Serial Correlation با مفاهیم مشابه

🔸 Autocorrelation

عملاً همان مفهوم Serial Correlation است

🔸 Lagged Correlation

همبستگی بین داده و نسخه با تأخیر آن

✅ هر سه مفهوم بسیار نزدیک هستند

مزایا

✅ 1. کشف الگوها

به شناسایی رفتارهای تکراری کمک می‌کند

✅ 2. پیش‌بینی بهتر

استفاده از داده‌های گذشته برای تخمین آینده

محدودیت‌ها و ریسک‌ها

⚠️ 1. عدم تصادفی بودن

اگر داده‌ها بسیار وابسته باشند:

• مدل‌ها ممکن است دچار خطا شوند

⚠️ 2. سیگنال غلط

گاهی الگوهایی دیده می‌شود که واقعی نیستند

⚠️ 3. بازار همیشه قابل پیش‌بینی نیست

در بسیاری از موارد:

• بازار رفتار تصادفی دارد

نکات کلیدی (Key Takeaways)

✔️ تعریف

همبستگی بین یک متغیر و مقادیر گذشته آن

✔️ کاربرد

تحلیل سری زمانی و بازارهای مالی

✔️ انواع

مثبت، منفی و بدون همبستگی

✔️ ابزار مهم

Durbin-Watson Test

جمع‌بندی

Serial Correlation یکی از مفاهیم مهم در تحلیل داده‌های زمانی است که کمک می‌کند بفهمیم آیا گذشته یک متغیر می‌تواند آینده آن را توضیح دهد یا نه. این ابزار به‌ویژه در تحلیل بازارهای مالی برای شناسایی روندها و بهبود استراتژی‌های سرمایه‌گذاری کاربرد زیادی دارد.