Datenglättung
Was ist Datenglättung?
Die Datenglättung erfolgt durch Verwendung eines Algorithmus zum Entfernen von Rauschen aus einem Datensatz. Dadurch können wichtige Muster deutlicher hervortreten.
Die Datenglättung kann verwendet werden, um Trends vorherzusagen, wie sie beispielsweise bei Wertpapierpreisen zu finden sind, sowie bei Wirtschaftsanalysen. Die Datenglättung soll einmalige Ausreißer ignorieren und saisonale Effekte berücksichtigen .
Datenglättung verstehen
Wenn Daten kompiliert werden, können sie manipuliert werden, um jegliche Volatilität oder jede andere Art von Rauschen zu entfernen oder zu reduzieren. Dies wird als Datenglättung bezeichnet.
Die Idee hinter der Datenglättung ist, dass vereinfachte Änderungen identifiziert werden können, um bei der Vorhersage verschiedener Trends und Muster zu helfen. Es dient als Hilfe für Statistiker oder Händler, die sich viele Daten ansehen müssen – die oft schwer zu verdauen sind – um Muster zu finden, die sie sonst nicht sehen würden.
Um es anhand einer visuellen Darstellung zu erklären, stellen Sie sich einen Ein-Jahres-Chart für die Aktie von Unternehmen X vor. Jeder einzelne Hochpunkt auf dem Diagramm für die Aktie kann reduziert werden, während alle niedrigeren Punkte angehoben werden. Dies würde eine glattere Kurve ergeben und einem Anleger helfen, Vorhersagen darüber zu treffen, wie sich die Aktie in der Zukunft entwickeln könnte.
Geglättete Daten werden im Allgemeinen von Ökonomen bevorzugt, da sie Trendänderungen besser erkennen als ungeglättete Daten, die unberechenbarer erscheinen und falsche Signale erzeugen können.
Besondere Überlegungen
Methoden zur Datenglättung
Es gibt verschiedene Methoden, mit denen eine Datenglättung durchgeführt werden kann. Einige davon umfassen die Randomisierungsmethode, die Verwendung eines Random Walk,. die Berechnung eines gleitenden Durchschnitts oder die Durchführung einer von mehreren exponentiellen Glättungstechniken.
Ein einfacher gleitender Durchschnitt (SMA) gewichtet sowohl aktuelle als auch historische Kurse gleichermaßen, während ein exponentiell gleitender Durchschnitt (EMA) aktuelle Kursdaten stärker gewichtet.
Das Random-Walk-Modell wird häufig verwendet, um das Verhalten von Finanzinstrumenten wie Aktien zu beschreiben. Einige Anleger glauben, dass es keinen Zusammenhang zwischen der Kursentwicklung eines Wertpapiers in der Vergangenheit und seiner zukünftigen Entwicklung gibt. Random-Walk-Glättung geht davon aus, dass zukünftige Datenpunkte gleich dem letzten verfügbaren Datenpunkt plus einer Zufallsvariablen sind. Technische und fundamentale Analysten sind mit dieser Idee nicht einverstanden; Sie glauben, dass zukünftige Bewegungen durch die Untersuchung vergangener Trends extrapoliert werden können.
wird häufig in der technischen Analyse verwendet und glättet die Preisbewegung, während er die Volatilität aus zufälligen Preisbewegungen herausfiltert. Dieser Prozess basiert auf vergangenen Kursen, was ihn zu einem trendfolgenden – oder nacheilenden – Indikator macht. Wie im unten stehenden Preisdiagramm zu sehen ist, hat der gleitende Durchschnitt (EMA) die allgemeine Form und den Trend der zugrunde liegenden täglichen Preisdaten, dargestellt durch die Kerzenhalter. Je mehr Tage in den gleitenden Durchschnitt einfließen, desto glatter wird die Linie.
Vor- und Nachteile der Datenglättung
Die Datenglättung kann verwendet werden, um Trends in der Wirtschaft, bei Wertpapieren wie Aktien und der Verbraucherstimmung zu erkennen. Die Datenglättung kann auch für andere Geschäftszwecke verwendet werden.
Beispielsweise kann ein Ökonom Daten glätten, um saisonale Anpassungen für bestimmte Indikatoren wie Einzelhandelsumsätze vorzunehmen, indem er die Schwankungen reduziert, die jeden Monat auftreten können, wie Feiertage oder Benzinpreise.
Es gibt jedoch Nachteile bei der Verwendung dieses Tools. Die Datenglättung liefert nicht immer eine Erklärung für die Trends oder Muster, mit denen sie identifiziert werden kann. Es kann auch dazu führen, dass bestimmte Datenpunkte ignoriert werden, indem andere hervorgehoben werden.
TTT
Beispiel für Datenglättung in der Finanzbuchhaltung
Ein oft genanntes Beispiel für die Datenglättung in der betrieblichen Buchhaltung ist die Wertberichtigung zweifelhafter Forderungen durch die Verschiebung des Forderungsausfalls von einer Berichtsperiode zur anderen. Beispielsweise erwartet ein Unternehmen, dass es für bestimmte Waren über zwei Abrechnungsperioden keine Zahlung erhält; 1.000 $ im ersten Berichtszeitraum und 5.000 $ im zweiten Berichtszeitraum.
Wenn im ersten Berichtszeitraum mit hohen Einnahmen zu rechnen ist, kann das Unternehmen den Gesamtbetrag von 6.000 USD als Wertberichtigung für zweifelhafte Forderungen in diesem Berichtszeitraum berücksichtigen. Dies würde den Aufwand für uneinbringliche Forderungen in der Gewinn- und Verlustrechnung um 6.000 USD erhöhen und den Nettogewinn um 6.000 USD verringern. Dadurch würde eine einkommensstarke Phase durch Minderung des Einkommens geglättet. Für Unternehmen ist es wichtig, bei der Anpassung von Konten Ermessens- und rechtliche Buchhaltungsmethoden anzuwenden.
Höhepunkte
Die Datenglättung verwendet einen Algorithmus, um Rauschen aus einem Datensatz zu entfernen, sodass wichtige Muster hervortreten können.
Während die Datenglättung helfen kann, bestimmte Trends vorherzusagen, führt sie zwangsläufig zu weniger Informationen in der Stichprobe, was dazu führen kann, dass bestimmte Datenpunkte ignoriert werden.
Verschiedene Datenglättungsmodelle umfassen die Zufallsmethode und die Verwendung von gleitenden Durchschnitten.
Datenglättung kann verwendet werden, um Trends vorherzusagen, wie sie beispielsweise bei Wertpapierkursen zu finden sind.
