Definitie van gegevensvereffening
Wat is gegevensvereffening?
Data smoothing wordt gedaan door een algoritme te gebruiken om ruis uit een dataset te verwijderen. Hierdoor kunnen belangrijke patronen duidelijker opvallen.
Gegevensvereffening kan worden gebruikt om trends te helpen voorspellen, zoals die in effectenprijzen, maar ook bij economische analyse. Het gladstrijken van gegevens is bedoeld om eenmalige uitschieters te negeren en rekening te houden met de effecten van seizoensinvloeden.
Belangrijkste leerpunten
- Data smoothing maakt gebruik van een algoritme om ruis uit een dataset te verwijderen, waardoor belangrijke patronen opvallen.
- Data smoothing kan worden gebruikt om trends te voorspellen, zoals die in effectenprijzen.
- Verschillende modellen voor het afvlakken van gegevens omvatten de willekeurige methode, het gebruik van voortschrijdende gemiddelden.
- Hoewel het afvlakken van gegevens kan helpen bij het voorspellen van bepaalde trends, zal het inherent leiden tot minder informatie in de steekproef, wat ertoe kan leiden dat bepaalde gegevenspunten worden genegeerd.
Inzicht in gegevensvereffening
Wanneer gegevens worden gecompileerd, kunnen deze worden gemanipuleerd om vluchtigheid of elk ander type ruis te verwijderen of te verminderen. Dit wordt het afvlakken van gegevens genoemd.
Het idee achter het afvlakken van gegevens is dat het vereenvoudigde wijzigingen kan identificeren om verschillende trends en patronen te helpen voorspellen. Het fungeert als een hulpmiddel voor statistici of handelaren die veel gegevens moeten bekijken – die vaak moeilijk te verteren zijn – om patronen te vinden die ze anders niet zouden zien.
Om het uit te leggen met een visuele weergave, stelt u zich een eenjarige grafiek voor voor de aandelen van bedrijf X. Elk afzonderlijk hoog punt op de kaart voor het aandeel kan worden verlaagd terwijl alle lagere punten worden verhoogd. Dit zou een vloeiendere curve maken, waardoor een belegger voorspellingen kan doen over hoe het aandeel in de toekomst zal presteren.
Afgevlakte gegevens hebben over het algemeen de voorkeur van economen omdat ze veranderingen in trends beter kunnen identificeren dan niet-afgevlakte gegevens, die misschien grilliger lijken en valse signalen genereren.
Speciale overwegingen
Methoden voor het gladstrijken van gegevens
Er zijn verschillende methoden om gegevens glad te strijken. Enkele hiervan zijn de randomisatiemethode, met behulp van een willekeurige wandeling, het berekenen van een voortschrijdend gemiddelde of het uitvoeren van een van verschillende exponentiële afvlakkingstechnieken.
Een eenvoudig voortschrijdend gemiddelde (SMA) legt evenveel gewicht op zowel recente als historische prijzen, terwijl een exponentieel voortschrijdend gemiddelde (EMA) meer gewicht toekent aan recente prijsgegevens.
Het random walk-model wordt vaak gebruikt om het gedrag van financiële instrumenten, zoals aandelen, te beschrijven. Sommige beleggers zijn van mening dat er geen verband bestaat tussen eerdere bewegingen in de prijs van een effect en de toekomstige beweging ervan. Bij random walk smoothing wordt ervan uitgegaan dat toekomstige datapunten gelijk zullen zijn aan het laatst beschikbare datapunt, plus een willekeurige variabele. Technische en fundamentele analisten zijn het niet eens met dit idee; zij geloven dat toekomstige bewegingen kunnen worden geëxtrapoleerd door trends uit het verleden te onderzoeken.
Vaak gebruikt in technische analyse, verzacht het voortschrijdend gemiddelde prijsactie terwijl het de volatiliteit uit willekeurige prijsbewegingen filtert. Dit proces is gebaseerd op prijzen uit het verleden, waardoor het een trendvolgende – of achterblijvende – indicator is. Zoals te zien is in de onderstaande prijsgrafiek, heeft het voortschrijdend gemiddelde (EMA) de algemene vorm en trend van de onderliggende dagelijkse prijsgegevens, weergegeven door de kandelaars. Hoe meer dagen in het voortschrijdend gemiddelde worden opgenomen, hoe vloeiender de lijn wordt.
Voordelen en nadelen van gegevensvereffening
Data smoothing kan worden gebruikt om trends in de economie, in effecten, zoals aandelen, en het consumentenvertrouwen te identificeren. Gegevensvereffening kan ook worden gebruikt voor andere zakelijke doeleinden.
Een econoom kan bijvoorbeeld gegevens gladstrijken om seizoenscorrecties aan te brengen voor bepaalde indicatoren, zoals detailhandelsverkopen, door de variaties die elke maand kunnen optreden, zoals vakanties of gasprijzen, te verminderen.
Er zijn echter nadelen aan het gebruik van deze tool. Het gladstrijken van gegevens biedt niet altijd een verklaring voor de trends of patronen die ze helpen identificeren. Het kan er ook toe leiden dat bepaalde gegevenspunten worden genegeerd door andere te benadrukken.
Voordelen
-
Helpt bij het identificeren van echte trends door ruis uit de gegevens te verwijderen
-
Maakt seizoensaanpassingen van economische gegevens mogelijk
-
Gemakkelijk te bereiken door middel van verschillende technieken, waaronder voortschrijdende gemiddelden
Nadelen
-
Bij het verwijderen van gegevens is er altijd minder informatie om te analyseren, waardoor de kans op fouten in de analyse toeneemt
-
Smoothing kan de vooroordelen van analisten benadrukken en uitschieters negeren die mogelijk zinvol zijn
Voorbeeld van gegevensvereffening in financiële boekhouding
Een vaak genoemd voorbeeld van het afvlakken van gegevens in de bedrijfsboekhouding is om rekening te houden met dubieuze rekeningen door de uitgaven voor oninbare vorderingen van de ene rapportageperiode naar de andere te veranderen. Een bedrijf verwacht bijvoorbeeld geen betaling te ontvangen voor bepaalde goederen over twee boekhoudperioden; $ 1.000 in de eerste rapportageperiode en $ 5.000 in de tweede rapportageperiode.
Als de eerste rapportageperiode naar verwachting een hoog inkomen zal hebben, kan het bedrijf het totale bedrag van $ 6.000 opnemen als voorziening voor dubieuze rekeningen in die rapportageperiode. Dit zou de dubieuze debiteuren op de resultatenrekening met $ 6.000 verhogen en het nettoresultaat met $ 6.000 verlagen. Dit zou daardoor een periode met een hoog inkomen gladstrijken door het inkomen te verlagen. Het is belangrijk voor bedrijven om beoordelingsmethoden en juridische boekhoudmethoden te gebruiken bij het aanpassen van rekeningen.