ماشين حساب

سري زماني:يك سري زماني مجموعه مشاهداتي است كه بر حسب زمان مرتب شده است .كه دو دسته هستند:۱- ماشين حساب زماني پيوسته :اگر در يك سري زماني مشاهدات بطور پيوسته در زمان ايجاد شوند اصطلاح پيوسته بودن را بكار مي بريم.
-سري گسسته:وقتي متغير اندازه گيري شده بتواند مجموعه ي گسسته اي از مقادير را اختيار كند و همينطور هرگاه مشاهدات فقط در زمان هاي معيني (معمولا به فواصل مساوي از يكديگر قرار دارند )اخذ شوند اصطلاح گسسته بودن براي اين نوع سري ها به كار مي روند .نكته:حتي وقتي متغير اندازه گرفته شده يك متغير پيوسته باشد.سري نمونه :اگر يك سري زماني پيوسته داده شده باشد مي توانيم مقاديري را در فاصله هاي مساوي زماني بخوانيم تا سري گسسته اي به وجود ايد كه انرا سري نمونه مي ناميم كه متغير در انها يك مقدار اني نداشته باشد در اين صورت مي توانيم اي مقادير را در فاصله هاي مساوي زماني “متراكم” كنيم (جمع كنيم.)سري تصادفي و غير تصادفي: اگر يك سري زماني را بتوانيم كاملا پيش بيني كنيم ارا غير تصادفي مي نامند .ليكن بيشتر سري هاي زماني تصادفي هستند كه در انها فقط تا حدي اينده بوسيله مقادير گذشته تعيين مي شوند براي سري هاي تصادفي پيش بيني هاي كامل غير ممكن است .اهداف تجزيه و تحليل سري هاي زماني:۱-توصيف: وقتي يك سري زماني ارائه مي شود معمولا اولين مرحله در تجزه و تحليل اين است كه نمودار داده ها را رسم كرده و اندازه هاي توصيفي ساده اي از خواص اصلي سري بدست اورد.هر كس قبل از رسم نمودار اقدام به تجزيه و تحليل سري زماني كند بزحمت خواهد افتاد .يك نمودار:۱-روند و تغييرات فصلي را نشان مي دهد.۲-مارا در مشاهده هاي بيروني يا قسمت هاي مجزائي كه به نظر نمي رسد با بقيه داده ها سازگار باشد كمك مي نمايد(مشاهده بيروني مي تواند كاملا مشاهده معتبري باشد كه در ان مورد الگوي سري زماني لازم است كه انرا به حساب اورد از طرف ديگر مشاهده بيروني مي تواند يك مشاهده نا مربوط باشد مانند وقتي كه وسيله ثبت كننده اي اشتباه كند.)۳-امكان وجود نقاط چرخشي را نشان مي دهد.(يعني مثلا در يك روند رو به بالا ناگهان به يك روند رو به پايين تبديل شود.)۲- تشريح :وقتي مشاهدات روي دو متغير يا بيشتر اختيار شوند مي توان از تغييرات يك سري براي بيان تغييرات در سري ديگر استفاده كنيم .براي تشريح از:الگو هاي رگرسيون و دستگاه هاي خطي استفاده مي كنيم.رگرسيون :ارتباط بين چند متغير را بررسي مي كند .دستگاه خطي :يك سري ورودي را با يك عم خطي به يك سري خروجي تبديل مي كند.پيش بيني :براي بيان روش هاي ذهني و براي نشان دادن يك روش اصولي به كار مي رود و پيشگوئي براي بيان روش هاي عيني بكار مي رود و به معني هر نوع نگرش به اينده است.
كنترل:وقتي يك سري زماني كه “كيفيت”يك فرايند توليدي را ندازه مي گيرد توليد شود در ان صورت هدف از تجزيه و تحليل مي تواند كنترل فرايند باشد در بسياري وضعيت ها پيش بيني رابطه نزديكي با مسائل كنترل دارد.
به عنوان مثال :اگر بتوانيم پيش بيني كنيم كه يك فرايند توليدي از هدف دور مي شود در ان صورت مي توان يك عمل اصلاح كننده مناسبي را در نظر گرفت .مثال هاي سري زماني:سري زماني اقتصادي :قيمت سهام در روز هاي متوالي –كل صادرات در ماه هاي متوالي-متوسط دراهمد ها در ماه ها ي متوالي- سود شركت در سال هاي متوالي.
سري زماني بازاريابي:تجزيه و تحليل ارقام فروش در هفته هاي متوالي يا ماه هاي متوالي كه يك مسئله مهم در تجارت است.
سري زماني فيزيكي:مقدار بارن در روز هاي متوالي و درجه حرارت هوا كه در ساعت يا روز هاي متوالي اندازه گيري مي شود.
سري زماني جمعيت نگاري:بعضي از سري هاي زماني در مطالعهي جمعيت ها پيش مي ايند.
فرايند هاي دو تائي:يك نوع ديگر سري هاي زماني وقتي پيش مي اند كه مشاهدات بتوانند تنها يكي از دو مقدار ۰ يا ۱ را اختيار نمايند سري هاي زماني از اين نوع كه بخصوص در نظريه ارتباطات اتفاق مي افتد را فرايند دو تائي مي نامند براي مثال وضغيت يك كليد روش يا خاموش را به ترتيب مي توان به صورت ۱ يا ۰ ثبت نمود.
فرايند نقطه اي :وقتي پيش مي ايند كه سري پيشامد ها را بطور تصادفي در زمان در نظر بگيريم براي مثال مي توانيم تاريخ هاي فاجعه هاي راه اهن را ثبت كنيم سري پيشامد هاي از اين نوع را غالبا فرايند هاي نقطه اي مي نامند.
سري زماني در متلب:نوع داده ها:به صورت اعداد صحيح و اعشار و همينطور رشته در قسمت date/time ذخيره مي شود.نحوه دادن اطلاعات:ابتدا در قسمت command window دستور :Dates=(datenum(‘ ‘):datenum(‘ ‘));را تايپ مي كنيم ه تاريخ ها را مشخص مي كند تابع datenum شش ورودي مي تواند بگيرد كه به ترتيب ماه-روز-سال-ساعت-دقيقه-ثانيه است به عنوان مثال :Dates=( datenum(‘۳-۱-۲۰۰۱ ‘):datenum(‘۳-۴-۲۰۰۵ ‘));كه داده هاي وارد شده توسط اين تابع در قسمت variables به صورت يك ماتريس n× ۱ ذخيره مي شود ولي چون اطلاعات در قسمت app financial time series به صورت ماتريس ها ستوني است در قسمت variable روي گزينه transpose كليك مي كنيم و داده ها به صورت يك ماتريس ستوني در ذخيره مي كنيم .سپس با توجه به به تعداد داده هاي سري زماني مربوط به يك رويداد دستور زير را تايپ مي كنيم :Data_series1=exp(ran(1:a));كه در قسمت ran تعداد رويداد هاي مورد نظر كه از نوع int است ذخيره مي شودسپس دستور :Data=(data_series1)My fts=fints(dates,data);را تايپ مي كنيم يا در قسمت home روي گزينه new variable كليك مي كنيم و با توجه به تعداد سري ها و تعداد سطر هاي انها داده هارا وارد مي كنيم .يا داده هايي را كه از قبل ذخيره شده اند استفاده م كنيم به اين صورت كه:ابتدا روي قسمت app قسمت financial time series را باز مي كنيم و روي گزينهي file كليك كرده و load را مي زنيم و از داده هايي كه قبلا خودمان ذخيره كرديم يا در datafeed box يا database box مو جود است استفاده مي كنيم .قابل ذكر است كه مي توان از داده هاي موجود در بازار هاي اقتصادي سهام بورس يا Bloomberg نيز استفاده كرد .پس از وارد كردن داده ها در قسمت app روي financial time series كليك مي كنيم و بعد در قسمت matlab ws variable گزينه ي refresh variable list را مي زنيم سپس اطلاعات به صورت ماتريس هاي ستوني n×۱ رفرش مي شوند پس از ان در پايين صفحه گزينه ي create FINTS objects را مي زنيم . در اين قسمت هر ستون به ستون date/time نشان دهنده يك سري زماني است .در قسمت FINTS objectproperties تكرار داده ها را انتخاب مي كنيم يعني رويداد طبق چه بازه زماني اتفاق افتاده مثلا ماهانه روراه سالانه … سپس گزينه upload properties را مي زنيم .ضمنا در قسمت matlab ws variable مي توان براي سري زماني نام انخاب كرد در غير اي صور خود نرم افزار متلب نام myfts را ذخيره مي كند .در صورتي كه بخواهيم يك سري ديگر با همان تكرار هاي زماني اضاف بكنيم يا بخواهيم يك سطر ديگر از date/time و داد به سري هاي قبلي اضافه كنيم ابتدا روي قسمت additional options در قسمت data table كليك مي كنيمسپس براي اضاف كردن يك سري ديگر روي گزينه ي add column(s) كليك مي كنيم و در قسمت variable يك سري ديگر اضافه مي كنيم .همينطور براي اضاف كردن يك داده ديگر روي قسكت add row(s) كليك مي كنيم .براي حذف يك سطر يا يك ستون روي گزينه ي remove row(s) يا remove column(s) و باري حذف همه ي سطر ها يا ستون ها روي removal options كليك مي كنيم .*****توجه كنيد تعدا تاريخ ها بايد يا تعداد داده هاي سري برابر باشد مثلا اگر n تاريخ وارد مي كنيم به صورت يك ماتريس n×۱ ذخيره مي شود و تعداد variables بايد به تعداد n×m ذخيره شود.
راه دوم براي دادن اطلاعات :Merge financial timeseries objects:راه دوم به وجود اوردن يك سري زماني ادغام چندين سري با هم است .ابتدا بايد چند سري به صورت ذخيره داشته باشيم (كه از طريق راه هاي قبل در قسمت variable load مي كنيم .)سپس روي گزينه ي create كليك مي كنيم بعد در قسمت fints objectand output گزينه ي component را تيك مي زنيم سپس ارزش (مقداري) براي بردار مبدا زمان يا موارد ديگري از منبع اطلاعات انتخاب مي كنيم سپس گزينه ي create FINTS object را مي زنيم تا اطلاعات در data table نمايش داده شوند .
*****در قسمت data كه در command window تايپ كرديم مي توان timeseries را ذخيره كرد به عنوان مثال :B=timeseries (rand(5,4),name,’launch data’)A=timeseries (rand(5,1),[1 2 3 4 5])تبديل كردن يك سري به ماتريسي (با دقت دو برابر):يا استفاده از تابع fts2mat
-۲ابتدا يك متغير در قسمت variables را انتخاب مي كنيم سپس روي گزينه convert در قسمت FINTS objectand output كليك را مي زنيم سپس اگر مي خواهيم شامل تاريخ ها هم باشد گزينه ي include date و در غير اينصورت exclude date را تيك مي زنيم .اگر نامي براي ماتريس انتخاب نكنيم خود به خود به صورت muDbl ذخيره مي شود مي توان نام مورد نظر را در قسمت output variable name ذخيره كرد .
توابع :Iqr -2maxmeanMedianMinStdSumVardate2timedatedisp۱-iqrTs_iqr=iqr(ts)Iqr(ts , name, value)در قسمت command window تايپ مي شود كه دامنه داده ها كه حاوي ۵۰% از مشاهدات بخش اصلي و مركزي داده هاي يك سري زماني را نمايش مي دهد .خروجي:اگر داده به صورت يك بردار باشد در واقع تفاوت مقدار ۲۵مين و ۷۵مين صديك داده ها است.اگر داده ها ماتريس باشند ابتدا بعد ۱×۱ماتريس بر حسب زمان مرتب مي شود سپس ts_iqr يك بردار است كه شامل iqr هر كادام از سري هاست (يعني iqr هر سري را اندازه مي گيرد و در يك بردار افقي نشان مي دهد.)۲-meanTs _mn=mean(ts)ميانگين تمام داده ها را بر مي گرداند.Ts_mn=mean(ts , name ,value)فقط ميانگين سري مشخص شده را برمي گرداند.خروجي:اگر ورودي يك بردار باشد ميانگين اعضاي بردار استاگر ورودي يك ماتريس باشد پاسخ يك بردار است كه بر حسب زمان مرتب شده و هر درايه ان ميانگين يكي از ستون ها ماتريس (سري هاي زماني ) است .Dat/ time seri1 seri2 seri3 …
Output[mean (seri1) mean(seri2) ….]
۳-maxTs_max=max(ts)بيشترين مقدار كل سري هاTs_max=max(ts,name,value)بيشترين مقدار سري مشخص شده.خروجي:اگر سري زماني يك بدار باشد يك عدد كه بيشترين مقدار را مي دهد است .اگر سري ورودي يك ماتريس باشد يك متريس سطري است كه هر يك از درايه هاي ان بيشترين مقدار درايه هاي هر ستون ماتريس ورودي را مي دهد .۴-medianTs_med=median(ts)Ts_med=median(ts,name,value)Output:۱-اگر سري زماني يك بدار باشد يك عدد كه مديان بردار است.۲-اگر سري ورودي يك ماتريس باشد يك متريس سطري است كه هر يك از درايه هاي ان مديان هر يك از ستون ها اي ماتريس ورودي است .
۵-minTs_min=min(ts)Ts_min=min(ts,name value)خروجي:
اگر سري زماني يك بدار باشد يك عدد كه كمترين مقدار را مي دهد است .اگر سري ورودي يك ماتريس باشد يك متريس سطري است كه هر يك از درايه هاي ان كمترين مقدار درايه هاي هر ستون ماتريس ورودي را مي دهد .۶-standard devitation:انحراف معيار:Ts_std=std(ts)Ts_std=std(ts,name.value)خروجي:اگر سري زماني يك بدار باشد يك عدد كه انحراف معيار مقدار را مي دهد است .اگر سري ورودي يك ماتريس باشد يك متريس سطري است كه هر يك از درايه هاي ان انحراف معيار مقدار درايه هاي هر ستون ماتريس ورودي را مي دهد .
۷-sumTs_sum=sum(ts)Ts_sum=sum(ts,name,value)اگر سري زماني يك بدار باشد يك عدد كه جمع مقدار را مي دهد است .اگر سري ورودي يك ماتريس باشد يك متريس سطري است كه هر يك از درايه هاي ان جمع مقدار درايه هاي هر ستون ماتريس ورودي را مي دهد .
۸-var:Ts_var=var(ts)Ts_var=var(ts,name,value)
اگر سري زماني يك بدار باشد يك عدد كه واريانس مقدار را مي دهد است .اگر سري ورودي يك ماتريس باشد يك متريس سطري است كه هر يك از درايه هاي ان واريانس مقدار درايه هاي هر ستون ماتريس ورودي را مي دهد .۹-Date2time:[TFactors,F]=date2time(settle,maturity,compounding,basis,endmonthrule)Settle:مبدا زماني كه به صورت يك بردار از تاريخ هاست يا به صورت يك رشته است .maturity:يك بردار از تاريخي است كه در مقصد قرار دارد.Compoundingعددي است كه نشان مي دهد زمان چگونه تغيير كند .Basis:يك بردار از اعداد است.End rule month:زماني از ان استفاده مي شود كه settle و maturity در ما هاي جداگانه قرار داشته باشند .T Factor:يك بردار از فاكتور هاي زمان استF:يك عدد است كه طرقه محاسبه برا اساس تكرار را نشان مي دهد .
۱۰-DATEDISP:Datedisp?(nummat,dateform)Charmat=datedisp(nummat,dateform)Nummat :ماتريسي است كه داده ها نمايش مي دهدDateform:نحوه نمايش تاريخ ها يا اعداد ماتريس را مشخص مي كند كه optional است حتما لازم نيست تعيينش كنيم .

سري زماني:يك سري زماني مجموعه مشاهداتي است كه بر حسب زمان مرتب شده است .كه دو دسته هستند:۱- ماشين حساب زماني پيوسته :اگر در يك سري زماني مشاهدات بطور پيوسته در زمان ايجاد شوند اصطلاح پيوسته بودن را بكار مي بريم.
-سري گسسته:وقتي متغير اندازه گيري شده بتواند مجموعه ي گسسته اي از مقادير را اختيار كند و همينطور هرگاه مشاهدات فقط در زمان هاي معيني (معمولا به فواصل مساوي از يكديگر قرار دارند )اخذ شوند اصطلاح گسسته بودن براي اين نوع سري ها به كار مي روند .نكته:حتي وقتي متغير اندازه گرفته شده يك متغير پيوسته باشد.سري نمونه :اگر يك سري زماني پيوسته داده شده باشد مي توانيم مقاديري را در فاصله هاي مساوي زماني بخوانيم تا سري گسسته اي به وجود ايد كه انرا سري نمونه مي ناميم كه متغير در انها يك مقدار اني نداشته باشد در اين صورت مي توانيم اي مقادير را در فاصله هاي مساوي زماني “متراكم” كنيم (جمع كنيم.)سري تصادفي و غير تصادفي: اگر يك سري زماني را بتوانيم كاملا پيش بيني كنيم ارا غير تصادفي مي نامند .ليكن بيشتر سري هاي زماني تصادفي هستند كه در انها فقط تا حدي اينده بوسيله مقادير گذشته تعيين مي شوند براي سري هاي تصادفي پيش بيني هاي كامل غير ممكن است .اهداف تجزيه و تحليل سري هاي زماني:۱-توصيف: وقتي يك سري زماني ارائه مي شود معمولا اولين مرحله در تجزه و تحليل اين است كه نمودار داده ها را رسم كرده و اندازه هاي توصيفي ساده اي از خواص اصلي سري بدست اورد.هر كس قبل از رسم نمودار اقدام به تجزيه و تحليل سري زماني كند بزحمت خواهد افتاد .يك نمودار:۱-روند و تغييرات فصلي را نشان مي دهد.۲-مارا در مشاهده هاي بيروني يا قسمت هاي مجزائي كه به نظر نمي رسد با بقيه داده ها سازگار باشد كمك مي نمايد(مشاهده بيروني مي تواند كاملا مشاهده معتبري باشد كه در ان مورد الگوي سري زماني لازم است كه انرا به حساب اورد از طرف ديگر مشاهده بيروني مي تواند يك مشاهده نا مربوط باشد مانند وقتي كه وسيله ثبت كننده اي اشتباه كند.)۳-امكان وجود نقاط چرخشي را نشان مي دهد.(يعني مثلا در يك روند رو به بالا ناگهان به يك روند رو به پايين تبديل شود.)۲- تشريح :وقتي مشاهدات روي دو متغير يا بيشتر اختيار شوند مي توان از تغييرات يك سري براي بيان تغييرات در سري ديگر استفاده كنيم .براي تشريح از:الگو هاي رگرسيون و دستگاه هاي خطي استفاده مي كنيم.رگرسيون :ارتباط بين چند متغير را بررسي مي كند .دستگاه خطي :يك سري ورودي را با يك عم خطي به يك سري خروجي تبديل مي كند.پيش بيني :براي بيان روش هاي ذهني و براي نشان دادن يك روش اصولي به كار مي رود و پيشگوئي براي بيان روش هاي عيني بكار مي رود و به معني هر نوع نگرش به اينده است.
كنترل:وقتي يك سري زماني كه “كيفيت”يك فرايند توليدي را ندازه مي گيرد توليد شود در ان صورت هدف از تجزيه و تحليل مي تواند كنترل فرايند باشد در بسياري وضعيت ها پيش بيني رابطه نزديكي با مسائل كنترل دارد.
به عنوان مثال :اگر بتوانيم پيش بيني كنيم كه يك فرايند توليدي از هدف دور مي شود در ان صورت مي توان يك عمل اصلاح كننده مناسبي را در نظر گرفت .مثال هاي سري زماني:سري زماني اقتصادي :قيمت سهام در روز هاي متوالي –كل صادرات در ماه هاي متوالي-متوسط دراهمد ها در ماه ها ي متوالي- سود شركت در سال هاي متوالي.
سري زماني بازاريابي:تجزيه و تحليل ارقام فروش در هفته هاي متوالي يا ماه هاي متوالي كه يك مسئله مهم در تجارت است.
سري زماني فيزيكي:مقدار بارن در روز هاي متوالي و درجه حرارت هوا كه در ساعت يا روز هاي متوالي اندازه گيري مي شود.
سري زماني جمعيت نگاري:بعضي از سري هاي زماني در مطالعهي جمعيت ها پيش مي ايند.
فرايند هاي دو تائي:يك نوع ديگر سري هاي زماني وقتي پيش مي اند كه مشاهدات بتوانند تنها يكي از دو مقدار ۰ يا ۱ را اختيار نمايند سري هاي زماني از اين نوع كه بخصوص در نظريه ارتباطات اتفاق مي افتد را فرايند دو تائي مي نامند براي مثال وضغيت يك كليد روش يا خاموش را به ترتيب مي توان به صورت ۱ يا ۰ ثبت نمود.
فرايند نقطه اي :وقتي پيش مي ايند كه سري پيشامد ها را بطور تصادفي در زمان در نظر بگيريم براي مثال مي توانيم تاريخ هاي فاجعه هاي راه اهن را ثبت كنيم سري پيشامد هاي از اين نوع را غالبا فرايند هاي نقطه اي مي نامند.
سري زماني در متلب:نوع داده ها:به صورت اعداد صحيح و اعشار و همينطور رشته در قسمت date/time ذخيره مي شود.نحوه دادن اطلاعات:ابتدا در قسمت command window دستور :Dates=(datenum(‘ ‘):datenum(‘ ‘));را تايپ مي كنيم ه تاريخ ها را مشخص مي كند تابع datenum شش ورودي مي تواند بگيرد كه به ترتيب ماه-روز-سال-ساعت-دقيقه-ثانيه است به عنوان مثال :Dates=( datenum(‘۳-۱-۲۰۰۱ ‘):datenum(‘۳-۴-۲۰۰۵ ‘));كه داده هاي وارد شده توسط اين تابع در قسمت variables به صورت يك ماتريس n× ۱ ذخيره مي شود ولي چون اطلاعات در قسمت app financial time series به صورت ماتريس ها ستوني است در قسمت variable روي گزينه transpose كليك مي كنيم و داده ها به صورت يك ماتريس ستوني در ذخيره مي كنيم .سپس با توجه به به تعداد داده هاي سري زماني مربوط به يك رويداد دستور زير را تايپ مي كنيم :Data_series1=exp(ran(1:a));كه در قسمت ran تعداد رويداد هاي مورد نظر كه از نوع int است ذخيره مي شودسپس دستور :Data=(data_series1)My fts=fints(dates,data);را تايپ مي كنيم يا در قسمت home روي گزينه new variable كليك مي كنيم و با توجه به تعداد سري ها و تعداد سطر هاي انها داده هارا وارد مي كنيم .يا داده هايي را كه از قبل ذخيره شده اند استفاده م كنيم به اين صورت كه:ابتدا روي قسمت app قسمت financial time series را باز مي كنيم و روي گزينهي file كليك كرده و load را مي زنيم و از داده هايي كه قبلا خودمان ذخيره كرديم يا در datafeed box يا database box مو جود است استفاده مي كنيم .قابل ذكر است كه مي توان از داده هاي موجود در بازار هاي اقتصادي سهام بورس يا Bloomberg نيز استفاده كرد .پس از وارد كردن داده ها در قسمت app روي financial time series كليك مي كنيم و بعد در قسمت matlab ws variable گزينه ي refresh variable list را مي زنيم سپس اطلاعات به صورت ماتريس هاي ستوني n×۱ رفرش مي شوند پس از ان در پايين صفحه گزينه ي create FINTS objects را مي زنيم . در اين قسمت هر ستون به ستون date/time نشان دهنده يك سري زماني است .در قسمت FINTS objectproperties تكرار داده ها را انتخاب مي كنيم يعني رويداد طبق چه بازه زماني اتفاق افتاده مثلا ماهانه روراه سالانه … سپس گزينه upload properties را مي زنيم .ضمنا در قسمت matlab ws variable مي توان براي سري زماني نام انخاب كرد در غير اي صور خود نرم افزار متلب نام myfts را ذخيره مي كند .در صورتي كه بخواهيم يك سري ديگر با همان تكرار هاي زماني اضاف بكنيم يا بخواهيم يك سطر ديگر از date/time و داد به سري هاي قبلي اضافه كنيم ابتدا روي قسمت additional options در قسمت data table كليك مي كنيمسپس براي اضاف كردن يك سري ديگر روي گزينه ي add column(s) كليك مي كنيم و در قسمت variable يك سري ديگر اضافه مي كنيم .همينطور براي اضاف كردن يك داده ديگر روي قسكت add row(s) كليك مي كنيم .براي حذف يك سطر يا يك ستون روي گزينه ي remove row(s) يا remove column(s) و باري حذف همه ي سطر ها يا ستون ها روي removal options كليك مي كنيم .*****توجه كنيد تعدا تاريخ ها بايد يا تعداد داده هاي سري برابر باشد مثلا اگر n تاريخ وارد مي كنيم به صورت يك ماتريس n×۱ ذخيره مي شود و تعداد variables بايد به تعداد n×m ذخيره شود.
راه دوم براي دادن اطلاعات :Merge financial timeseries objects:راه دوم به وجود اوردن يك سري زماني ادغام چندين سري با هم است .ابتدا بايد چند سري به صورت ذخيره داشته باشيم (كه از طريق راه هاي قبل در قسمت variable load مي كنيم .)سپس روي گزينه ي create كليك مي كنيم بعد در قسمت fints objectand output گزينه ي component را تيك مي زنيم سپس ارزش (مقداري) براي بردار مبدا زمان يا موارد ديگري از منبع اطلاعات انتخاب مي كنيم سپس گزينه ي create FINTS object را مي زنيم تا اطلاعات در data table نمايش داده شوند .
*****در قسمت data كه در command window تايپ كرديم مي توان timeseries را ذخيره كرد به عنوان مثال :B=timeseries (rand(5,4),name,’launch data’)A=timeseries (rand(5,1),[1 2 3 4 5])تبديل كردن يك سري به ماتريسي (با دقت دو برابر):يا استفاده از تابع fts2mat
-۲ابتدا يك متغير در قسمت variables را انتخاب مي كنيم سپس روي گزينه convert در قسمت FINTS objectand output كليك را مي زنيم سپس اگر مي خواهيم شامل تاريخ ها هم باشد گزينه ي include date و در غير اينصورت exclude date را تيك مي زنيم .اگر نامي براي ماتريس انتخاب نكنيم خود به خود به صورت muDbl ذخيره مي شود مي توان نام مورد نظر را در قسمت output variable name ذخيره كرد .
توابع :Iqr -2maxmeanMedianMinStdSumVardate2timedatedisp۱-iqrTs_iqr=iqr(ts)Iqr(ts , name, value)در قسمت command window تايپ مي شود كه دامنه داده ها كه حاوي ۵۰% از مشاهدات بخش اصلي و مركزي داده هاي يك سري زماني را نمايش مي دهد .خروجي:اگر داده به صورت يك بردار باشد در واقع تفاوت مقدار ۲۵مين و ۷۵مين صديك داده ها است.اگر داده ها ماتريس باشند ابتدا بعد ۱×۱ماتريس بر حسب زمان مرتب مي شود سپس ts_iqr يك بردار است كه شامل iqr هر كادام از سري هاست (يعني iqr هر سري را اندازه مي گيرد و در يك بردار افقي نشان مي دهد.)۲-meanTs _mn=mean(ts)ميانگين تمام داده ها را بر مي گرداند.Ts_mn=mean(ts , name ,value)فقط ميانگين سري مشخص شده را برمي گرداند.خروجي:اگر ورودي يك بردار باشد ميانگين اعضاي بردار استاگر ورودي يك ماتريس باشد پاسخ يك بردار است كه بر حسب زمان مرتب شده و هر درايه ان ميانگين يكي از ستون ها ماتريس (سري هاي زماني ) است .Dat/ time seri1 seri2 seri3 …
Output[mean (seri1) mean(seri2) ….]
۳-maxTs_max=max(ts)بيشترين مقدار كل سري هاTs_max=max(ts,name,value)بيشترين مقدار سري مشخص شده.خروجي:اگر سري زماني يك بدار باشد يك عدد كه بيشترين مقدار را مي دهد است .اگر سري ورودي يك ماتريس باشد يك متريس سطري است كه هر يك از درايه هاي ان بيشترين مقدار درايه هاي هر ستون ماتريس ورودي را مي دهد .۴-medianTs_med=median(ts)Ts_med=median(ts,name,value)Output:۱-اگر سري زماني يك بدار باشد يك عدد كه مديان بردار است.۲-اگر سري ورودي يك ماتريس باشد يك متريس سطري است كه هر يك از درايه هاي ان مديان هر يك از ستون ها اي ماتريس ورودي است .
۵-minTs_min=min(ts)Ts_min=min(ts,name value)خروجي:
اگر سري زماني يك بدار باشد يك عدد كه كمترين مقدار را مي دهد است .اگر سري ورودي يك ماتريس باشد يك متريس سطري است كه هر يك از درايه هاي ان كمترين مقدار درايه هاي هر ستون ماتريس ورودي را مي دهد .۶-standard devitation:انحراف معيار:Ts_std=std(ts)Ts_std=std(ts,name.value)خروجي:اگر سري زماني يك بدار باشد يك عدد كه انحراف معيار مقدار را مي دهد است .اگر سري ورودي يك ماتريس باشد يك متريس سطري است كه هر يك از درايه هاي ان انحراف معيار مقدار درايه هاي هر ستون ماتريس ورودي را مي دهد .
۷-sumTs_sum=sum(ts)Ts_sum=sum(ts,name,value)اگر سري زماني يك بدار باشد يك عدد كه جمع مقدار را مي دهد است .اگر سري ورودي يك ماتريس باشد يك متريس سطري است كه هر يك از درايه هاي ان جمع مقدار درايه هاي هر ستون ماتريس ورودي را مي دهد .
۸-var:Ts_var=var(ts)Ts_var=var(ts,name,value)
اگر سري زماني يك بدار باشد يك عدد كه واريانس مقدار را مي دهد است .اگر سري ورودي يك ماتريس باشد يك متريس سطري است كه هر يك از درايه هاي ان واريانس مقدار درايه هاي هر ستون ماتريس ورودي را مي دهد .۹-Date2time:[TFactors,F]=date2time(settle,maturity,compounding,basis,endmonthrule)Settle:مبدا زماني كه به صورت يك بردار از تاريخ هاست يا به صورت يك رشته است .maturity:يك بردار از تاريخي است كه در مقصد قرار دارد.Compoundingعددي است كه نشان مي دهد زمان چگونه تغيير كند .Basis:يك بردار از اعداد است.End rule month:زماني از ان استفاده مي شود كه settle و maturity در ما هاي جداگانه قرار داشته باشند .T Factor:يك بردار از فاكتور هاي زمان استF:يك عدد است كه طرقه محاسبه برا اساس تكرار را نشان مي دهد .
۱۰-DATEDISP:Datedisp?(nummat,dateform)Charmat=datedisp(nummat,dateform)Nummat :ماتريسي است كه داده ها نمايش مي دهدDateform:نحوه نمايش تاريخ ها يا اعداد ماتريس را مشخص مي كند كه optional است حتما لازم نيست تعيينش كنيم .