Dataudjævning

Hvad er dataudjævning?

Dataudjævning udføres ved at bruge en algoritme til at fjerne støj fra et datasæt. Dette gør det muligt for vigtige mønstre at skille sig tydeligere ud.

Dataudjævning kan bruges til at hjælpe med at forudsige tendenser, såsom dem, der findes i værdipapirpriser såvel som i økonomiske analyser. Dataudjævning er beregnet til at ignorere engangs-outliers og tage højde for virkningerne af sæsonbestemte.

Forstå dataudjævning

Når data kompileres, kan de manipuleres for at fjerne eller reducere enhver flygtighed eller enhver anden type støj. Dette kaldes dataudjævning.

Ideen bag dataudjævning er, at den kan identificere forenklede ændringer for at hjælpe med at forudsige forskellige tendenser og mønstre. Det fungerer som en hjælp for statistikere eller handlende, der har brug for at se på en masse data - som ofte kan være komplicerede at fordøje - for at finde mønstre, de ellers ikke ville se.

For at forklare med en visuel repræsentation, forestil dig et etårigt diagram for Company X's aktie. Hvert enkelt højdepunkt på diagrammet for aktien kan reduceres, mens alle de lavere punkter hæves. Dette ville give en jævnere kurve og dermed hjælpe en investor med at forudsige, hvordan aktien kan klare sig i fremtiden.

Udjævnede data foretrækkes generelt af økonomer, fordi de bedre identificerer ændringer i tendenser sammenlignet med uudjævnede data, som kan virke mere uregelmæssige og skabe falske signaler.

Særlige overvejelser

Metoder til dataudjævning

Der er forskellige metoder, hvorpå dataudjævning kan udføres. Nogle af disse inkluderer randomiseringsmetoden, brug af en tilfældig gang,. beregning af et glidende gennemsnit eller udførelse af en af flere eksponentielle udjævningsteknikker.

Et simpelt glidende gennemsnit (SMA) vægter både de seneste priser og historiske priser lige meget, mens et eksponentielt glidende gennemsnit (EMA) lægger mere vægt på de seneste prisdata.

Random walk-modellen bruges almindeligvis til at beskrive adfærden af finansielle instrumenter, såsom aktier. Nogle investorer mener, at der ikke er nogen sammenhæng mellem tidligere bevægelser i et værdipapirs pris og dets fremtidige bevægelse. Random walk-udjævning antager, at fremtidige datapunkter vil være lig med det sidste tilgængelige datapunkt plus en tilfældig variabel. Tekniske og fundamentale analytikere er uenige i denne idé; de mener, at fremtidige bevægelser kan ekstrapoleres ved at undersøge tidligere tendenser.

Ofte brugt i teknisk analyse udjævner det glidende gennemsnit prishandling, mens det filtrerer volatilitet fra tilfældige prisbevægelser. Denne proces er baseret på tidligere priser, hvilket gør den til en trendfølgende - eller haltende - indikator. Som det kan ses i prisdiagrammet nedenfor, har det glidende gennemsnit (EMA) den generelle form og trend af de underliggende daglige prisdata, afbildet af lysestagerne. Jo flere dage der er inkorporeret i det glidende gennemsnit, jo mere udjævnet bliver linjen.

Fordele og ulemper ved dataudjævning

Dataudjævning kan bruges til at hjælpe med at identificere tendenser i økonomien, i værdipapirer, såsom aktier, og forbrugernes stemning. Dataudjævning kan også bruges til andre forretningsformål.

For eksempel kan en økonom udjævne data for at foretage sæsonjusteringer for visse indikatorer, såsom detailsalg, ved at reducere de variationer, der kan forekomme hver måned, såsom ferier eller gaspriser.

Der er dog ulemper ved at bruge dette værktøj. Dataudjævning giver ikke altid en forklaring på de tendenser eller mønstre, den hjælper med at identificere. Det kan også føre til, at visse datapunkter ignoreres ved at fremhæve andre.

TTT

Eksempel på dataudjævning i finansielt regnskab

Et ofte nævnt eksempel på dataudjævning i virksomhedsregnskaber er at tage højde for tvivlsomme konti ved at ændre debitorudgifter fra en rapporteringsperiode til en anden. For eksempel forventer en virksomhed ikke at modtage betaling for visse varer over to regnskabsperioder; 1.000 USD i den første rapporteringsperiode og 5.000 USD i den anden rapporteringsperiode.

Hvis den første rapporteringsperiode forventes at have en høj indkomst, kan virksomheden inkludere det samlede beløb på $6.000 som godtgørelse for tvivlsomme konti i denne rapporteringsperiode. Dette ville øge udgiften til dårlig gæld på resultatopgørelsen med $6.000 og reducere nettoindkomsten med $6.000. Dette ville derved udjævne en højindkomstperiode ved at reducere indkomsten. Det er vigtigt for virksomheder at bruge skøn og juridiske regnskabsmetoder, når de justerer ethvert regnskab.

Højdepunkter

• Dataudjævning bruger en algoritme til at fjerne støj fra et datasæt, hvilket tillader vigtige mønstre at skille sig ud.

• Selvom dataudjævning kan hjælpe med at forudsige visse tendenser, vil det i sagens natur føre til mindre information i stikprøven, der kan føre til, at visse datapunkter ignoreres.

• Forskellige dataudjævningsmodeller inkluderer den tilfældige metode brugen af glidende gennemsnit.

• Dataudjævning kan bruges til at forudsige tendenser, såsom dem, der findes i værdipapirpriser.