डेटा स्मूथिंग क्या है?
डेटा सेट से शोर को दूर करने के लिए एल्गोरिथम का उपयोग करके डेटा स्मूथिंग किया जाता है। यह महत्वपूर्ण पैटर्न को अधिक स्पष्ट रूप से बाहर खड़ा करने की अनुमति देता है।
डेटा स्मूथिंग का उपयोग रुझानों की भविष्यवाणी करने में मदद के लिए किया जा सकता है, जैसे कि प्रतिभूतियों की कीमतों में पाए जाने वाले, साथ ही साथ आर्थिक विश्लेषण में। डेटा स्मूथिंग का उद्देश्य एक बार के आउटलेर्स को अनदेखा करना और मौसमी के प्रभावों को ध्यान में रखना है।
सारांश
- डेटा स्मूथिंग डेटा सेट से शोर को दूर करने के लिए एक एल्गोरिथ्म का उपयोग करता है, जिससे महत्वपूर्ण पैटर्न बाहर खड़े हो जाते हैं।
- डेटा स्मूथिंग का उपयोग रुझानों की भविष्यवाणी करने के लिए किया जा सकता है, जैसे कि प्रतिभूतियों की कीमतों में पाया जाता है।
- विभिन्न डेटा चौरसाई मॉडल में चलती औसत का उपयोग करने वाली यादृच्छिक विधि शामिल है।
- जबकि डेटा स्मूथिंग कुछ रुझानों की भविष्यवाणी करने में मदद कर सकता है, यह स्वाभाविक रूप से नमूने में कम जानकारी की ओर ले जाएगा जिससे कुछ डेटा बिंदुओं को अनदेखा किया जा सकता है।
डेटा स्मूथिंग को समझना
जब डेटा संकलित किया जाता है, तो किसी भी अस्थिरता, या किसी अन्य प्रकार के शोर को हटाने या कम करने के लिए इसमें हेरफेर किया जा सकता है। इसे डेटा स्मूथिंग कहा जाता है।
डेटा स्मूथिंग के पीछे का विचार यह है कि यह विभिन्न रुझानों और पैटर्न की भविष्यवाणी करने में मदद करने के लिए सरलीकृत परिवर्तनों की पहचान कर सकता है। यह सांख्यिकीविदों या व्यापारियों के लिए एक सहायता के रूप में कार्य करता है, जिन्हें बहुत सारे डेटा को देखने की आवश्यकता होती है – जो कि पचाने में जटिल हो सकते हैं – ऐसे पैटर्न खोजने के लिए जिन्हें वे अन्यथा नहीं देख पाएंगे।
एक दृश्य प्रतिनिधित्व के साथ व्याख्या करने के लिए, कंपनी एक्स के स्टॉक के लिए एक साल के चार्ट की कल्पना करें। स्टॉक के लिए चार्ट पर प्रत्येक व्यक्तिगत उच्च बिंदु को सभी निचले बिंदुओं को बढ़ाते हुए कम किया जा सकता है। यह एक आसान वक्र बना देगा, इस प्रकार एक निवेशक को यह अनुमान लगाने में मदद करेगा कि भविष्य में स्टॉक कैसा प्रदर्शन कर सकता है।
चिकना डेटा आम तौर पर अर्थशास्त्रियों द्वारा पसंद किया जाता है क्योंकि यह बेहतर डेटा की तुलना में रुझानों में बदलाव की पहचान करता है, जो अधिक अनिश्चित दिखाई दे सकता है और झूठे संकेत पैदा कर सकता है।
विशेष ध्यान
डेटा स्मूथिंग के तरीके
विभिन्न तरीके हैं जिनमें डेटा स्मूथिंग किया जा सकता है। इनमें से कुछ में रैंडमाइजेशन विधि, रैंडम वॉक का उपयोग करना, मूविंग एवरेज की गणना करना या कई एक्सपोनेंशियल स्मूथिंग तकनीकों में से एक का संचालन करना शामिल है।
रैंडम वॉक मॉडल आमतौर पर स्टॉक जैसे वित्तीय साधनों के व्यवहार का वर्णन करने के लिए उपयोग किया जाता है। कुछ निवेशकों का मानना है कि सुरक्षा की कीमत में पिछले आंदोलन और उसके भविष्य के आंदोलन के बीच कोई संबंध नहीं है। रैंडम वॉक स्मूथिंग मानता है कि भविष्य के डेटा पॉइंट अंतिम उपलब्ध डेटा पॉइंट के साथ-साथ एक रैंडम वैरिएबल के बराबर होंगे। तकनीकी और मौलिक विश्लेषक इस विचार से असहमत हैं; उनका मानना है कि पिछले रुझानों की जांच करके भविष्य के आंदोलनों को एक्सट्रपलेशन किया जा सकता है।
अक्सर तकनीकी विश्लेषण में उपयोग किया जाता है, चलती औसत मूल्य कार्रवाई को सुचारू करता है, जबकि यह यादृच्छिक मूल्य आंदोलनों से अस्थिरता को फ़िल्टर करता है। यह प्रक्रिया पिछली कीमतों पर आधारित है, जो इसे एक प्रवृत्ति-निम्नलिखित-या पिछड़ा-संकेतक बनाती है। जैसा कि नीचे दिए गए मूल्य चार्ट में देखा जा सकता है, चलती औसत (ईएमए) में कैंडलस्टिक्स द्वारा दर्शाए गए अंतर्निहित दैनिक मूल्य डेटा का सामान्य आकार और प्रवृत्ति है। चलती औसत में जितने अधिक दिन शामिल होते हैं, रेखा उतनी ही चिकनी होती जाती है।
डेटा स्मूथिंग के फायदे और नुकसान
डेटा स्मूथिंग का उपयोग अर्थव्यवस्था में, प्रतिभूतियों में, जैसे स्टॉक, और उपभोक्ता भावना में रुझानों की पहचान करने में मदद के लिए किया जा सकता है। डेटा स्मूथिंग का उपयोग अन्य व्यावसायिक उद्देश्यों के लिए भी किया जा सकता है।
उदाहरण के लिए, एक अर्थशास्त्री कुछ संकेतकों के लिए मौसमी समायोजन करने के लिए डेटा को सुचारू कर सकता है, जैसे कि खुदरा बिक्री, हर महीने होने वाली विविधताओं को कम करके, जैसे छुट्टियों या गैस की कीमतें।
हालाँकि, इस उपकरण का उपयोग करने में कुछ कमियाँ हैं। डेटा स्मूथिंग हमेशा रुझानों या पैटर्न की व्याख्या प्रदान नहीं करता है जो इसे पहचानने में मदद करता है। यह कुछ डेटा बिंदुओं को दूसरों पर जोर देकर अनदेखा कर सकता है।
- डेटा से शोर को खत्म करके वास्तविक रुझानों की पहचान करने में मदद करता है
- आर्थिक डेटा के मौसमी समायोजन की अनुमति देता है
- मूविंग एवरेज सहित कई तकनीकों के माध्यम से आसानी से हासिल किया जा सकता है
- डेटा को हटाने से विश्लेषण के लिए हमेशा कम जानकारी मिलती है, जिससे विश्लेषण में त्रुटियों का खतरा बढ़ जाता है
- स्मूथिंग विश्लेषकों के पूर्वाग्रहों पर जोर दे सकता है और आउटलेर्स को अनदेखा कर सकता है जो सार्थक हो सकते हैं
वित्तीय लेखांकन में डेटा स्मूथिंग का उदाहरण
व्यापार लेखांकन में डेटा सुचारू करने का एक अक्सर उद्धृत उदाहरण एक रिपोर्टिंग अवधि से दूसरे में खराब ऋण व्यय को बदलकर संदिग्ध खातों के लिए भत्ता बनाना है। उदाहरण के लिए, एक कंपनी दो लेखा अवधियों में कुछ वस्तुओं के लिए भुगतान प्राप्त नहीं करने की अपेक्षा करती है; पहली रिपोर्टिंग अवधि में $1,000 और दूसरी रिपोर्टिंग अवधि में $5,000।
यदि पहली रिपोर्टिंग अवधि में उच्च आय होने की उम्मीद है, तो कंपनी उस रिपोर्टिंग अवधि में संदिग्ध खातों के लिए भत्ते के रूप में कुल $6,000 की राशि शामिल कर सकती है। इससे आय विवरण पर अशोध्य ऋण व्यय में 6,000 डॉलर की वृद्धि होगी और शुद्ध आय में 6,000 डॉलर की कमी आएगी। इससे आय को कम करके उच्च आय अवधि को सुगम बनाया जा सकेगा। किसी भी खाते को समायोजित करते समय कंपनियों के लिए निर्णय और कानूनी लेखांकन विधियों का उपयोग करना महत्वपूर्ण है।