Datautjevning

Hva er datautjevning?

Datautjevning gjøres ved å bruke en algoritme for å fjerne støy fra et datasett. Dette gjør at viktige mønstre kan skille seg tydeligere ut.

Datautjevning kan brukes til å forutsi trender, for eksempel de som finnes i verdipapirpriser, så vel som i økonomisk analyse. Datautjevning er ment å ignorere engangsavvik og ta hensyn til effektene av sesongvariasjoner.

Forstå datautjevning

Når data er kompilert, kan de manipuleres for å fjerne eller redusere enhver flyktighet eller annen type støy. Dette kalles datautjevning.

Ideen bak datautjevning er at den kan identifisere forenklede endringer for å hjelpe til med å forutsi ulike trender og mønstre. Det fungerer som et hjelpemiddel for statistikere eller handelsmenn som trenger å se på mye data – som ofte kan være komplisert å fordøye – for å finne mønstre de ellers ikke ville sett.

For å forklare med en visuell representasjon, se for deg et ettårsdiagram for selskapet Xs aksje. Hvert enkelt høydepunkt på diagrammet for aksjen kan reduseres mens du hever alle de lavere punktene. Dette vil gjøre en jevnere kurve, og dermed hjelpe en investor med spådommer om hvordan aksjen kan prestere i fremtiden.

Utjevnede data er generelt foretrukket av økonomer fordi de bedre identifiserer endringer i trender sammenlignet med ujevne data, som kan virke mer uberegnelige og skape falske signaler.

Spesielle hensyn

Metoder for datautjevning

Det finnes ulike metoder for utjevning av data. Noen av disse inkluderer randomiseringsmetoden, bruk av en tilfeldig tur,. beregning av et glidende gjennomsnitt eller gjennomføring av en av flere eksponentielle utjevningsteknikker.

Et enkelt glidende gjennomsnitt (SMA) legger lik vekt på både nylige priser og historiske, mens et eksponentielt glidende gjennomsnitt (EMA) legger mer vekt på nylige prisdata.

Random walk-modellen brukes ofte til å beskrive oppførselen til finansielle instrumenter, for eksempel aksjer. Noen investorer mener at det ikke er noen sammenheng mellom tidligere bevegelser i et verdipapirs pris og fremtidige bevegelser. Random walk smoothing antar at fremtidige datapunkter vil være lik det siste tilgjengelige datapunktet, pluss en tilfeldig variabel. Tekniske og fundamentale analytikere er uenige i denne ideen; de tror fremtidige bevegelser kan ekstrapoleres ved å undersøke tidligere trender.

Ofte brukt i teknisk analyse,. jevner det glidende gjennomsnittet ut prishandling mens det filtrerer ut volatilitet fra tilfeldige prisbevegelser. Denne prosessen er basert på tidligere priser, noe som gjør den til en trendfølgende – eller hengende – indikator. Som du kan se i prisdiagrammet nedenfor, har det glidende gjennomsnittet (EMA) den generelle formen og trenden til de underliggende daglige prisdataene, avbildet av lysestakene. Jo flere dager som er innlemmet i det glidende gjennomsnittet, desto jevnere blir linjen.

Fordeler og ulemper med datautjevning

Datautjevning kan brukes til å identifisere trender i økonomien, i verdipapirer, for eksempel aksjer, og forbrukernes sentiment. Datautjevning kan også brukes til andre forretningsformål.

For eksempel kan en økonom jevne ut data for å gjøre sesongjusteringer for visse indikatorer, som detaljsalg, ved å redusere variasjonene som kan oppstå hver måned, som helligdager eller gasspriser.

Det er imidlertid ulemper ved å bruke dette verktøyet. Datautjevning gir ikke alltid en forklaring på trendene eller mønstrene den hjelper med å identifisere. Det kan også føre til at visse datapunkter blir ignorert ved å fremheve andre.

TTT

Eksempel på datautjevning i finansregnskap

Et ofte sitert eksempel på datautjevning i forretningsregnskap er å ta hensyn til tvilsomme kontoer ved å endre tapsutgifter fra en rapporteringsperiode til en annen. For eksempel forventer en bedrift ikke å motta betaling for visse varer over to regnskapsperioder; USD 1000 i den første rapporteringsperioden og USD 5000 i den andre rapporteringsperioden.

Hvis den første rapporteringsperioden forventes å ha høy inntekt, kan selskapet inkludere det totale beløpet på $6 000 som godtgjørelse for tvilsomme kontoer i den rapporteringsperioden. Dette vil øke utgiftene til tap på resultatregnskapet med $6000 og redusere nettoinntekten med $6000. Dette vil dermed jevne ut en høyinntektsperiode ved å redusere inntekten. Det er viktig for bedrifter å bruke skjønn og juridiske regnskapsmetoder når de justerer eventuelle kontoer.

Høydepunkter

• Datautjevning bruker en algoritme for å fjerne støy fra et datasett, slik at viktige mønstre skiller seg ut.

– Mens datautjevning kan bidra til å forutsi visse trender, vil det i seg selv føre til mindre informasjon i utvalget som kan føre til at visse datapunkter ignoreres.

• Ulike datautjevningsmodeller inkluderer den tilfeldige metoden bruk av glidende gjennomsnitt.

– Datautjevning kan brukes til å forutsi trender, slik som de som finnes i verdipapirpriser.