Bild vom Autor | Canva
# Einführung
Zeitreihendaten sind überall. Die Aktienkurse steigen täglich. Die Temperaturen verschieben sich. Der Web site-Verkehr steigt und stürzt ab. Die meisten Leute zeichnen eine Linie. Dann hören sie auf.
Aber Folgendes verrät Ihnen ein einzelnes Diagramm nicht: Beschleunigt sich der Pattern? Entschleunigung? Steht kurz vor dem kompletten Rückwärtsgang?
In diesem Artikel analysieren wir die realen Inflationserwartungen mithilfe von drei komplementären Techniken: gleitende Durchschnitte, Veränderungen im JahresvergleichUnd Bollinger-Bänder.
Bild vom Autor
Jede Methode beantwortet eine andere Frage zu denselben Daten. Gleitende Durchschnitte decken die Trendrichtung auf, Veränderungen im Jahresvergleich verdeutlichen Momentumverschiebungen und Bollinger-Bänder offenbaren Perioden extremer Bewegungen.
Wir werden diese Techniken verwenden, um den 5-Jahres-Inflationsdatentrend von Oktober 2020 bis Oktober 2025 zu analysieren.
# Unseren Datensatz verstehen: Entschlüsselung der 10-Jahres-Breakeven-Inflationsrate
Um unseren Datensatz zu verstehen, müssen wir zunächst die Kennzahl verstehen, auf der er basiert: die 10-jährige Breakeven-Inflationsrate (T10YIE).
Der T10YIE stellt die Inflationserwartungen des Marktes für das nächste Jahrzehnt dar. Einfache Rechnung: Subtrahieren Sie die inflationsgeschützten Renditen von Staatsanleihen von den regulären Renditen von Staatsanleihen.
// Was bedeutet es?
Wenn T10YIE = 2,5 %, erwartet der Markt eine durchschnittliche jährliche Inflation von 2,5 % über 10 Jahre. Höhere Werte bedeuten stärkere Inflationserwartungen. Niedrigere Werte bedeuten schwächere Inflations- oder Deflationsängste.
// Warum Ökonomen und die Fed diesen Zinssatz wie die Falken beobachten
Die Federal Reserve beobachtet diese Kennzahl genau. Steigende Breakeven-Raten signalisieren mögliche Inflationssorgen die Zinserhöhungen der Federal Reserve. Starke Rückgänge können auf Rezessionsängste oder Deflationsdruck hinweisen.
// Unsere Daten im Überblick: 5 Jahre Inflationserwartungen (2020–2025)
Jetzt verwenden wir Das Datensatz.
Screenshot | FRED
Klicken Sie auf „Herunterladen“, um die Datei auf Ihrem Pc zu speichern.
Wenn Sie daran interessiert sind, ähnliche Datensätze aus der realen Welt zu erkunden und Datenanalyse und -visualisierung zu üben, schauen Sie hier vorbei StrataScratch. Es handelt sich um eine Plattform für den Zugriff auf authentische Datensätze, die in den Bereichen Finanzen, Technologie und öffentliche Datenquellen verwendet werden.
// Machen Sie sich mit den Daten vertraut: Struktur, Quelle und zusammenfassende Statistiken
Hier einige Informationen zu unserem Datensatz:
- Quelle: Wirtschaftsdaten der Federal Reserve (FRED).
- Zeitraum: Oktober 2020 – Oktober 2025 (5 Jahre).
- Häufigkeit: Tägliche Beobachtungen.
- Gesamtbeobachtungen: 1.305 Datenpunkte.
- Bereich: 1,64 % bis 3,02 %.
- Durchschnitt: 2,33 %.
Lesen wir diesen Datensatz und sehen wir uns die ersten paar Zeilen an. Hier ist der Code:
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
df= pd.read_csv("T10YIE.csv")
df.head()Hier ist die Ausgabe:
Es handelt sich um einen einfachen Datensatz, der nur aus zwei Spalten besteht: observation_date Und T10YIE.
# Trendanalyse: Drei Techniken für Einblicke in Zeitreihen
Wir beginnen mit der Technik der gleitenden Durchschnitte.
// Technik 1: Gleitende Durchschnitte
Gleitende Durchschnitte glätten kurzfristige Schwankungen. Sie offenbaren zugrunde liegende Tendencies. Nehmen Sie einen gleitenden 30-Tage-Durchschnitt. Es berechnet den Mittelwert der letzten 30 Tage. Das Ergebnis? Eine glattere Linie, die alltägliche Geräusche filtert.
Die Finanzmärkte sind chaotisch. Tagessätze steigen aufgrund von Schlagzeilen. Sie fallen auf Gewinnberichte. Geopolitische Ereignisse bringen sie ins Wanken. Gleitende Durchschnitte durchkreuzen all dies. Sie zeigen Ihnen die tatsächliche Trendrichtung unter dem Chaos.
Typen:
- Kurzfristiger MA (30 Tage): Erfasst aktuelle Veränderungen.
- Langfristiger MA (90 Tage): Zeigt eine breitere Trendrichtung.
- Crossovers: Wenn der Quick-MA den Lengthy-MA kreuzt = Aufwärtstrendsignal.
Hier ist der Code:
df('T10YIE') = df('T10YIE').ffill()
df('MA_30') = df('T10YIE').rolling(window=30).imply()
df('MA_90') = df('T10YIE').rolling(window=90).imply()
plt.determine(figsize=(15, 7))
plt.plot(df.index, df('T10YIE'), label="Each day Price", alpha=0.4, linewidth=0.8, coloration="grey")
plt.plot(df.index, df('MA_30'), label="30-Day MA", linewidth=2, coloration="blue")
plt.plot(df.index, df('MA_90'), label="90-Day MA", linewidth=2, coloration="purple")
plt.axvspan(0, 200, coloration="palegreen", alpha=0.3, label="Part 1: Restoration")
plt.axvspan(200, 500, coloration="lightcoral", alpha=0.3, label="Part 2: Volatility")
plt.axvspan(500, 1000, coloration="lightblue", alpha=0.3, label="Part 3: Decline")
plt.axvspan(1000, df.index(-1), coloration="plum", alpha=0.3, label="Part 4: Stabilization")
plt.title('Breakeven Inflation Price with Highlighted Phases', fontsize=14, fontweight="daring")
plt.ylabel('Inflation Price (%)')
plt.xlabel('Date')
plt.grid(True, alpha=0.3)
plt.legend(loc="higher proper")
plt.tight_layout()
plt.present()Hier ist die Ausgabe:
// Ergebnisse und Interpretation
Die gleitenden Durchschnitte zeigen deutliche Muster der Inflationserwartungen über fünf Jahre hinweg.
Part 1: Deutliche Erholung (Tage 0–200)
Beide Durchschnittswerte steigen steil von 1,7 % auf 2,4 %. Der 30-Tage-MA steigt schneller. Dieser Zeitraum erfasst die Wiedereröffnung der Wirtschaft nach COVID. Massiv fiskalische Anreize trieb die Inflationserwartungen in die Höhe.
Part 2: Zeitraum hoher Volatilität (Tage 200–500)
Die Tagessätze steigen um Tag 400 auf 3,0 %. Der 30-Tage-MA erreicht 2,9 %. Dies entspricht dem Inflationsanstieg 2022. Störungen der Lieferkette Schlag. Russland ist in die Ukraine einmarschiert. Die Energiepreise explodierten.
Part 3: Der Niedergang (Tage 500–1000)
Der 30-Tage-MA tendiert stark nach unten und fällt auf 2,2 % nahe Tag 1000. Die Fed erhöhte die Zinsen in den Jahren 2022 und 2023 aggressiv. Die Inflationserwartungen kühlten ab, als die Politik funktionierte.
Part 4: Jüngste Stabilisierung (Tage 1000–1300)
Der 30-Tage-MA bewegt sich zwischen 2,3 % und 2,4 %. Minimale Fluktuation. Die Märkte sind zuversichtlich, dass sich die Inflation in der Nähe normalisiert Das 2 %-Ziel der Fed. Zinserhöhungen wurden ausgesetzt.
Wichtige Erkenntnisse
Der 30-Tage-MA hat jeden Wendepunkt frühzeitig erkannt. Als sie Anfang 2021 stark anstieg, folgte der Inflationsschub. Mit dem Rückgang Mitte 2022 begann die Abkühlung. Die derzeitige Stabilität deutet darauf hin, dass die Märkte davon ausgehen, dass der Inflationsschock vorüber ist.
// Technik 2: Veränderung im Jahresvergleich
Die Veränderung im Jahresvergleich (YoY) vergleicht den heutigen Wert mit dem gleichen Tag vor einem Jahr. Die Antwort lautet: „Sind die Inflationserwartungen höher oder niedriger als vor 12 Monaten?“
Dadurch wird saisonales Rauschen entfernt und ein reiner Richtungsimpuls angezeigt. Constructive Werte = Erwartungen steigen im Jahresvergleich. Unfavorable Werte = Erwartungen, die im Jahresvergleich sinken. Null = flacher Pattern.
Hier ist die Formel zur Berechnung der Veränderung gegenüber dem Vorjahr, wobei ( V_t ) der aktuelle Wert und ( V_{t-365} ) der Wert von vor einem Jahr (ca. 252 Handelstage) ist:
$$
textual content{YoY Change} = V_t – V_{t-365}
$$
Im Code sieht es so aus:
import pandas as pd
import matplotlib.pyplot as plt
df('T10YIE') = df('T10YIE').ffill()
# Calculating diff primarily based on buying and selling days (approx 252 per 12 months)
df('YoY_Change') = df('T10YIE').diff(252)
fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(14, 10), sharex=True)
ax1.plot(df.index, df('T10YIE'), coloration="blue", linewidth=1)
ax1.set_ylabel('Inflation Price (%)')
ax1.set_title('Breakeven Inflation Price (Authentic)', fontsize=12, fontweight="daring")
ax1.grid(True, alpha=0.3)
ax2.plot(df.index, df('YoY_Change'), coloration="darkred", linewidth=1.5)
ax2.axhline(y=0, coloration="black", linestyle="--", linewidth=1.5, alpha=0.7)
ax2.fill_between(df.index, df('YoY_Change'), 0,
the place=(df('YoY_Change') > 0), coloration="inexperienced", alpha=0.3, label="Rising YoY")
ax2.fill_between(df.index, df('YoY_Change'), 0,
the place=(df('YoY_Change') <= 0), coloration="purple", alpha=0.3, label="Falling YoY")
ax2.set_ylabel('YoY Change (%)')
ax2.set_xlabel('Date')
ax2.set_title('12 months-over-12 months Change in Inflation Expectations', fontsize=12, fontweight="daring")
ax2.grid(True, alpha=0.3)
# First Inexperienced Zone (Days 250-500)
ax1.axvspan(250, 500, coloration="palegreen", alpha=0.4, label="First Inexperienced Zone")
ax2.axvspan(250, 500, coloration="palegreen", alpha=0.4)
# Crimson Zone (Days 500-1000)
ax1.axvspan(500, 1000, coloration="lightcoral", alpha=0.4, label="Crimson Zone")
ax2.axvspan(500, 1000, coloration="lightcoral", alpha=0.4)
# Second Inexperienced Zone (Days 1000-1300)
ax1.axvspan(1000, df.index(-1), coloration="mediumaquamarine", alpha=0.4, label="Second Inexperienced Zone")
ax2.axvspan(1000, df.index(-1), coloration="mediumaquamarine", alpha=0.4)
ax1.legend(loc="higher left")
ax2.legend(loc="higher left")
plt.tight_layout()
plt.present()Hier ist die Ausgabe:
// Ergebnisse und Interpretation
Das Veränderungsdiagramm im Jahresvergleich unterteilt die Inflationserwartungen in grüne und rote Zonen. Grün bedeutet Beschleunigung. Rot bedeutet Abbremsen. Dies zeigt, dass die Dynamikverschiebungen das ursprüngliche Kursdiagramm völlig verfehlten.
Erste grüne Zone (Tage 250–500)
Die Inflationserwartungen stiegen schnell. Die Veränderungen im Jahresvergleich erreichten mit +1,0 % ihren Höhepunkt. In diesem Zeitraum? 2021 bis 2022. Lieferketten brachen zusammen. Konjunkturpakete überschwemmten die Wirtschaft. Russland ist in die Ukraine einmarschiert. Die Energiepreise explodierten.
Rote Zone (Tage 500–1000)
Die Erwartungen sind zusammengebrochen. Sie sanken im Jahresvergleich auf -0,75 %. Die Federal Reserve hat die Zinsen in den Jahren 2022 und 2023 aggressiv angehoben. Die Märkte gingen davon aus, dass sich die Inflation abkühlen würde. Sie hatten Recht.
Zweite Grüne Zone (Tage 1000–1300)
Es kehrten kleine constructive Veränderungen zurück. Sie schwankten zwischen +0,1 % und +0,3 %. Die Erwartungen hörten auf zu sinken. Sie begannen sich über dem Vorjahresniveau zu stabilisieren. Dies signalisiert Normalisierung, keine Panik.
Sign für die Zukunft
Die jüngsten grünen Flecken sind im Vergleich zum Anstieg im Jahr 2022 gentle. Veränderungen im Jahresvergleich unter +0,25 %? Die Erwartungen bleiben verankert. Anhaltende Bewegung über +0,5 %? Das würde auf erneute Inflationssorgen hinweisen, die es wert sind, beobachtet zu werden.
// Technik 3: Bollinger-Bänder (Volatilitätshüllkurve)
Bollinger-Bänder bilden mithilfe der Standardabweichung eine obere und untere Grenze um einen gleitenden Durchschnitt. Die Bänder dehnen sich in volatilen Phasen aus und ziehen sich in ruhigen Phasen zusammen.
Es zeigt, wann die Inflationserwartungen „regular“ (innerhalb der Bänder) oder „extrem“ (außerhalb der Bänder) sind. Wenn die Price das obere Band berührt, ist sie ungewöhnlich hoch. Wenn es das untere Band berührt, ist es ungewöhnlich niedrig.
Die Struktur:
- Mittleres Band: gleitender 20-Tage-Durchschnitt.
- Oberes Band: Mitte + (2 × Standardabweichung).
- Unteres Band: Mittel – (2 × Standardabweichung).
Der erstellte Bereich bedeutet, dass 95 % der Daten innerhalb der Bänder liegen sollten. Dies kann formal ausgedrückt werden als:
$$
textual content{Higher} = mu_{20} + (2 occasions sigma_{20})
$$
$$
textual content{Decrease} = mu_{20} – (2 occasions sigma_{20})
$$
Hier ist der Code:
df('T10YIE') = df('T10YIE').ffill()
window = 20
df('BB_Middle') = df('T10YIE').rolling(window=window).imply()
df('BB_Std') = df('T10YIE').rolling(window=window).std()
df('BB_Upper') = df('BB_Middle') + (2 * df('BB_Std'))
df('BB_Lower') = df('BB_Middle') - (2 * df('BB_Std'))
plt.determine(figsize=(15, 7))
plt.plot(df.index, df('T10YIE'), label="Each day Price", coloration="black", linewidth=0.8)
plt.plot(df.index, df('BB_Middle'), label="20-Day MA", coloration="blue", linewidth=1.5)
plt.plot(df.index, df('BB_Upper'), label="Higher Band", coloration="purple", linewidth=1, linestyle="--")
plt.plot(df.index, df('BB_Lower'), label="Decrease Band", coloration="inexperienced", linewidth=1, linestyle="--")
plt.fill_between(df.index, df('BB_Upper'), df('BB_Lower'), alpha=0.1, coloration="grey")
plt.axvspan(350, 450, coloration="gold", alpha=0.3, label="Band Enlargement (Volatility↑)")
plt.axvspan(800, 1200, coloration="lightblue", alpha=0.3, label="Band Contraction (Volatility↓)")
plt.axvspan(190, 210, coloration="lightcoral", alpha=0.5, label="Higher Breach (~Day 200)")
plt.axvspan(390, 410, coloration="lightcoral", alpha=0.5, label="Higher Breach (~Day 400)")
plt.axvspan(1040, 1060, coloration="palegreen", alpha=0.5, label="Decrease Contact (~Day 1050)")
plt.title('Breakeven Inflation Price with Bollinger Bands & Key Occasions', fontsize=14, fontweight="daring")
plt.ylabel('Inflation Price (%)')
plt.xlabel('Date')
plt.grid(True, alpha=0.3)
plt.legend(loc="higher left")
plt.tight_layout()
plt.present()Hier ist die Ausgabe:
// Ergebnisse und Interpretation
Die Bollinger-Bänder identifizieren, wann die Inflationserwartungen extrem gegenüber dem Normalwert waren.
Banderweiterung (Tage 350–450)
Die Bandbreiten weiten sich dramatisch aus, da der Tagessatz wiederholt die Obergrenze durchbricht und 3,0 % erreicht. Diese Zeit erfasste die Inflationspanik 2022 während der Krieg zwischen Russland und der Ukraine als die Marktvolatilität ihren Höhepunkt erreichte.
Risse im Oberband
Mehrere Berührungen des oberen Bandes (Tage 200, 400) signalisieren Marktpanik, die Erwartungen sprangen über die normalen Bereiche hinaus. Jeder Verstoß warnte davor, dass die Inflationsängste zunahmen.
Bandkontraktion (Tage 800–1200)
Die Bänder verengen sich deutlich, während die Price innerhalb bleibt. Dies zeigt, dass die Volatilität zusammengebrochen ist Die Zinserhöhungen der Fed haben funktioniert und die Märkte erzielten einen Konsens.
Unterbandberührung (Tag 1050)
Der Zinssatz erreichte kurzzeitig den unteren Bereich von 2,05 %, was auf ungewöhnlichen Pessimismus Ende 2023 hindeutet Rezessionsängste.
Sign für die Zukunft
Die derzeit engen Bandbreiten und der stabile Zinssatz (2,35 %) deuten auf ein normales Marktverhalten hin. Ein erneuter Durchbruch des oberen Bandes über 2,5 % würde auf erneute Inflationssorgen hinweisen.
# Unterschiedliche Techniken, unterschiedliche Geschichten
Bei der Trendanalyse geht es nicht darum, die Zukunft vorherzusagen; Es geht darum, zu verstehen, was die Daten Ihnen sagen. Die 10-jährige Breakeven-Inflationsrate von 2020 bis 2025 zeigte bei jeder Technik unterschiedliche Muster.
Auch wenn globale Ereignisse wie die Russland-Ukraine-Invasion oder die Energiekrise alle Analysen beeinflussen, interpretiert jede Technik ihre Auswirkungen unterschiedlich. Ein gleitender Durchschnitt könnte eine allmähliche Trendverschiebung anzeigen, eine Veränderung im Jahresvergleich könnte den starken Momentumschwung hervorheben, während Bollinger-Bänder denselben Zeitraum als einen Anstieg der Volatilität darstellen könnten.
Deshalb ist die Wahl Ihrer Trendanalysetechnik wichtig. Es beeinflusst, wie Sie die Geschichte in Ihren Daten sehen. Dasselbe Ereignis kann je nach verwendeter analytischer Linse wie Erholung, Instabilität oder Normalisierung aussehen.
# Abschluss
Die eigentliche Lektion besteht nicht darin, welche Technik die beste ist; Es geht darum zu wissen, wann man welches verwendet. Diese drei Ansätze wirken sich auf Aktienkurse, Webverkehr, Verkaufsdaten oder alles aus, was sich im Laufe der Zeit ändert. Die Muster sind da. Sie brauchen nur die richtigen Werkzeuge, um sie zu sehen.
Mit anderen Worten: Daten sprechen selten mit einer Stimme. Die von Ihnen gewählte Methode bestimmt die Nachricht, die Sie hören. Deshalb geht es bei der Trendanalyse sowohl um Interpretation als auch um Berechnung.
Nate Rosidi ist Datenwissenschaftler und in der Produktstrategie tätig. Er ist außerdem außerordentlicher Professor für Analytik und Gründer von StrataScratch, einer Plattform, die Datenwissenschaftlern hilft, sich mit echten Interviewfragen von Prime-Unternehmen auf ihre Interviews vorzubereiten. Nate schreibt über die neuesten Tendencies auf dem Karrieremarkt, gibt Ratschläge zu Vorstellungsgesprächen, stellt Information-Science-Projekte vor und behandelt alles rund um SQL.