Datautjämning
Vad är datautjämning?
Datautjämning görs genom att använda en algoritm för att ta bort brus från en datamängd. Detta gör att viktiga mönster framträder tydligare.
Datautjämning kan användas för att förutsäga trender, till exempel de som finns i värdepapperspriser, såväl som i ekonomisk analys. Datautjämning är avsedd att ignorera engångsavvikelser och ta hänsyn till effekterna av säsongsvariationer.
Förstå datautjämning
När data kompileras kan den manipuleras för att ta bort eller minska eventuell flyktighet eller någon annan typ av brus. Detta kallas datautjämning.
Tanken bakom datautjämning är att den kan identifiera förenklade förändringar för att hjälpa till att förutsäga olika trender och mönster. Det fungerar som ett hjälpmedel för statistiker eller handlare som behöver titta på mycket data – som ofta kan vara komplicerade att smälta – för att hitta mönster som de annars inte skulle se.
För att förklara med en visuell representation, föreställ dig ett ettårsdiagram för företag X:s aktie. Varje enskild höjdpunkt på diagrammet för aktien kan reduceras samtidigt som man höjer alla lägre punkter. Detta skulle göra en jämnare kurva, vilket skulle hjälpa en investerare att göra förutsägelser om hur aktien kan prestera i framtiden.
Utjämnade data föredras i allmänhet av ekonomer eftersom de bättre identifierar förändringar i trender jämfört med ojämnade data, som kan verka mer oberäkneliga och skapa falska signaler.
Särskilda överväganden
Metoder för datautjämning
Det finns olika metoder där datautjämning kan göras. Några av dessa inkluderar randomiseringsmetoden, med användning av en slumpmässig promenad,. beräkning av ett glidande medelvärde,. eller genomförande av en av flera exponentiella utjämningstekniker.
Ett enkelt glidande medelvärde (SMA) lägger lika stor vikt på både de senaste priserna och historiska, medan ett exponentiellt glidande medelvärde (EMA) lägger mer vikt på senaste prisdata.
Random walk-modellen används ofta för att beskriva beteendet hos finansiella instrument, såsom aktier. Vissa investerare tror att det inte finns något samband mellan tidigare rörelser i ett värdepappers pris och dess framtida rörelse. Slumpmässig utjämning förutsätter att framtida datapunkter kommer att vara lika med den sista tillgängliga datapunkten, plus en slumpmässig variabel. Tekniska och fundamentala analytiker håller inte med om denna idé; de tror att framtida rörelser kan extrapoleras genom att undersöka tidigare trender.
Ofta används i teknisk analys,. det glidande medelvärdet jämnar ut prisåtgärder medan det filtrerar bort volatilitet från slumpmässiga prisrörelser. Denna process är baserad på tidigare priser, vilket gör den till en trendföljande – eller eftersläpande – indikator. Som kan ses i prisdiagrammet nedan har det glidande medelvärdet (EMA) den allmänna formen och trenden för de underliggande dagliga prisdata, avbildade av ljusstakarna. Ju fler dagar som ingår i det glidande medelvärdet, desto jämnare blir linjen.
Fördelar och nackdelar med datautjämning
Datautjämning kan användas för att identifiera trender i ekonomin, i värdepapper, såsom aktier, och konsumenternas sentiment. Datautjämning kan även användas för andra affärsändamål.
Till exempel kan en ekonom jämna ut data för att göra säsongsjusteringar för vissa indikatorer, som detaljhandel, genom att minska de variationer som kan uppstå varje månad, som helgdagar eller gaspriser.
Det finns dock nackdelar med att använda detta verktyg. Datautjämning ger inte alltid en förklaring av de trender eller mönster som den hjälper till att identifiera. Det kan också leda till att vissa datapunkter ignoreras genom att betona andra.
TTT
Exempel på datautjämning i finansiell redovisning
Ett ofta nämnt exempel på datautjämning i företagsredovisning är att ta hänsyn till osäkra konton genom att ändra utgifter för osäkra fordringar från en rapportperiod till en annan. Ett företag förväntar sig till exempel att inte få betalning för vissa varor under två redovisningsperioder; 1 000 USD under den första rapporteringsperioden och 5 000 USD under den andra rapporteringsperioden.
Om den första rapporteringsperioden förväntas ha en hög inkomst, kan företaget inkludera det totala beloppet på 6 000 USD som kompensation för osäkra konton under den rapporteringsperioden. Detta skulle öka kostnaderna för osäkra fordringar i resultaträkningen med 6 000 USD och minska nettointäkterna med 6 000 USD. Detta skulle därmed jämna ut en höginkomstperiod genom att minska inkomsten. Det är viktigt för företag att använda bedömningar och juridiska redovisningsmetoder när de justerar konton.
Höjdpunkter
- Datautjämning använder en algoritm för att ta bort brus från en datamängd, vilket gör att viktiga mönster sticker ut.
– Även om datautjämning kan hjälpa till att förutsäga vissa trender, kommer det i sig leda till mindre information i urvalet som kan leda till att vissa datapunkter ignoreras.
Olika datautjämningsmodeller inkluderar den slumpmässiga metoden att använda glidande medelvärden.
Datautjämning kan användas för att förutsäga trender, till exempel de som finns i värdepapperspriser.
