Data-mining bias hänvisar till ett antagande om betydelse som en näringsidkare tilldelar en händelse på marknaden Finansiella marknader Finansiella marknader, från själva namnet, är en typ av marknadsplats som ger en väg för försäljning och köp av tillgångar som obligationer, aktier , utländsk valuta och derivat. Ofta kallas de med olika namn, inklusive "Wall Street" och "kapitalmarknaden", men alla betyder fortfarande en och samma sak. det var faktiskt ett resultat av slump eller oförutsedda händelser. Data-mining bias, för många analytiker, anses vara ett "lömskt hot" eftersom det kan smyga på handlare och analytiker både under forskningsprocesserna som leder handlare och investerare att göra de spel de gör på marknaden.
Om data-mining bias inte identifieras och hålls under kontroll, leder det i bästa fall till snedställda resultat och några okloka val. I värsta fall kan det dock leda en näringsidkare eller marknadsanalytiker att utveckla och följa en helt bristfällig handelsstrategi Sex väsentliga färdigheter hos mästerhandlare Nästan vem som helst kan bli en näringsidkare, men att vara en av huvudhandlarna tar mer än investeringskapital och en tredelad kostym. Tänk på: det finns ett hav av individer som vill ansluta sig till mästarnas led och ta med sig den typ av pengar som hör till den titeln. , vilket kan stava ekonomisk katastrof.
Vad är Data Mining?
Data mining är en tidskrävad process för forskning och analys av stora mängder data eller information. För handlare och marknadsanalytiker är datagrupp den process genom vilken rörelser på marknaden spåras, mönster Triangelmönster - Teknisk analys Triangelmönstren är vanliga diagrammönster som varje näringsidkare borde veta. Triangelmönster är viktiga eftersom de hjälper till att indikera fortsättningen på en hausseartad eller baisseartad marknad. De kan också hjälpa en näringsidkare att upptäcka en marknadsåterföring. identifieras och potentiella vändningar eller förändringar i marknadsriktningen kan identifieras och ageras på. Det är en av de viktigaste processerna som handlare och analytiker använder för att göra de mest fördelaktiga affärer.
Data-mining bias kryper långsamt när avvikelser eller händelser på marknaden ges mer vikt eller vikt än de förtjänar. En näringsidkare kan agera på en sådan partiskhet och få ett negativt resultat - antingen genom brist på önskad vinst eller, ännu värre, genom förlust av sin initiala investering.
Det verkligaste hotet med sådan partiskhet är när en eller flera handlare bygger hela sin handelsstrategi och planerar missförstådda händelser på marknaden, vilket ofta leder till betydande tids- och ekonomiska förluster.
Hur Data-Mining Bias utvecklas
Det finns två huvudsakliga synder som leder till data-mining bias - två aspekter som uppstår under en näringsidkares data-mining process.
Den första aspekten är benägenheten till slumpmässighet Monte Carlo-simulering Monte Carlo-simulering är en statistisk metod som används för att modellera sannolikheten för olika resultat i ett problem som inte bara kan lösas på grund av störningar från en slumpmässig variabel. inom en dataset . När en näringsidkare tittar på marknadsdata kommer datauppsättningen i sig att ha viss slumpmässighet - avvikare eller rörelser som inte nödvändigtvis faller i linje med andra marknadsrörelser eller händelser.
Handlare faller ibland i fällan att undersöka en enda outlier och, eftersom det verkar på sin plats, bestämmer de att det förtjänar mer vikt än de andra uppgifterna i uppsättningen. Att agera på en sådan observation kan visa sig vara lönsamt åtminstone initialt.
Det är här den andra frågan om partiskhet kommer in; handlare blir partiska mot det faktum att de vid något tillfälle agerade på en outlier och det visade sig fruktbart. Tyvärr kan det få dem att dra slutsatsen att alla avvikare måste ha en viss eller hög betydelse.
Frågan är också känd som sekventiell jämförelse eller sekventiell markering - att välja en outlier eller en liknande outlier om och om igen, förutsatt att den har samma typ av betydelse som den första. Verkligheten är att ju fler avvikare näringsidkaren väljer eller agerar på, desto lägre och lägre är sannolikheten för sannolikheten för betydelse de yttre uppgifterna faktiskt har.
Viktiga takeaways
Med tekniken som den är idag kan handlare och analytiker använda en mängd olika verktyg och program, vilket betyder att informationen eller datamängderna de kan få tillgång till är enorma.
Att ha mycket information kan vara bra. Ju mer data det finns att bryta, desto större är chansen att data-mining bias uppstår. Det är viktigt för handlare och analytiker att vara medvetna om potentialen för partiskhet och att hålla sina strategier i schack innan de gör några betydande spel.
Ytterligare resurser
Finance är den officiella leverantören av den globala Financial Modeling & Valuation Analyst (FMVA) ™ FMVA®-certifiering. Gå med i 350 600 studenter som arbetar för företag som Amazon, JP Morgan och Ferrari-certifieringsprogram, utformade för att hjälpa alla att bli en ekonomisk analytiker i världsklass . För att fortsätta lära dig och utveckla din karriär kommer de ytterligare finansresurserna nedan att vara användbara:
- Datatillgångar Datatillgångar Datatillgångar avser ett system, applikationsutdatafil, dokument, databas eller webbsida som företag använder för att generera intäkter. Datatillgångar är några av de
- Datakällor i finansiell modellering Datakällor inom finansiell modellering Att samla in och använda rätt datakällor i ekonomisk modellering är avgörande för ett företags framgång. Finansiell modellering kräver insamling och
- Prognosmetoder Prognosmetoder Toppprognosmetoder. I den här artikeln kommer vi att förklara fyra typer av intäktsprognosmetoder som finansanalytiker använder för att förutsäga framtida intäkter.
- Kvantitativ analys Kvantitativ analys Kvantitativ analys är processen att samla in och utvärdera mätbara och verifierbara data såsom intäkter, marknadsandelar och löner för att förstå ett företags beteende och prestanda. I datateknikens tid betraktas kvantitativ analys som det föredragna sättet att fatta välgrundade beslut.
