ஹெட்டோரோஸ்கெடாஸ்டிசிட்டி வரையறை

ஹெட்டோரோஸ்கெடாஸ்டிசிட்டி என்றால் என்ன?

புள்ளிவிவரங்களில், ஒரு குறிப்பிட்ட நேரத்திற்குள் கண்காணிக்கப்படும் ஒரு மாறியின் நிலையான பிழைகள் மாறாமல் இருக்கும்போது ஹீட்டோரோஸ்கெடாஸ்டிசிட்டி (அல்லது ஹீட்டோரோசெஸ்டாஸ்டிசிட்டி) நிகழ்கிறது. கீழேயுள்ள படத்தில் சித்தரிக்கப்பட்டுள்ளபடி, எஞ்சிய பிழைகள் காட்சி பரிசோதனையின் போது சொல்லும் கதை அடையாளம், அவை காலப்போக்கில் வெளியேற முனைகின்றன.

ஹெட்டோரோஸ்கெடாஸ்டிசிட்டி பெரும்பாலும் இரண்டு வடிவங்களில் எழுகிறது: நிபந்தனை மற்றும் நிபந்தனையற்றது. உயர் மற்றும் குறைந்த நிலையற்ற தன்மையின் எதிர்கால காலங்களை அடையாளம் காண முடியாதபோது, ​​நிபந்தனையற்ற மாறுபட்ட தன்மையை நிலையற்ற நிலையற்ற தன்மையை அடையாளம் காணும். உயர் மற்றும் குறைந்த நிலையற்ற தன்மையின் எதிர்கால காலங்களை அடையாளம் காணும்போது நிபந்தனையற்ற ஹீட்டோரோஸ்கெடாஸ்டிசிட்டி பயன்படுத்தப்படுகிறது.

படம் ஜூலி பேங் © இன்வெஸ்டோபீடியா 2019

முக்கிய எடுத்துக்காட்டுகள்

• புள்ளிவிவரங்களில், ஒரு குறிப்பிட்ட நேரத்திற்குள் கண்காணிக்கப்படும் ஒரு மாறியின் நிலையான பிழைகள் மாறாமல் இருக்கும்போது ஹீட்டோரோஸ்கெடாஸ்டிசிட்டி (அல்லது ஹீட்டோரோசெஸ்டாஸ்டிசிட்டி) நிகழ்கிறது. ஹீட்டோரோஸ்கெடாஸ்டிசிட்டியுடன், மீதமுள்ள பிழைகள் காட்சி பரிசோதனையின் போது சொல்லும் கதை அடையாளம் கீழேயுள்ள படத்தில் சித்தரிக்கப்பட்டுள்ளபடி, காலப்போக்கில் வெளியேற வேண்டும். ஹெட்டோரோஸ்கெடாஸ்டிசிட்டி என்பது நேரியல் பின்னடைவு மாதிரியாக்கத்திற்கான அனுமானங்களின் மீறலாகும், எனவே இது சுற்றுச்சூழல் அளவீட்டு பகுப்பாய்வு அல்லது சிஏபிஎம் போன்ற நிதி மாதிரிகளின் செல்லுபடியை பாதிக்கும்.

குணக மதிப்பீடுகளில் ஹீட்டோரோஸ்கெடாஸ்டிசிட்டி சார்புநிலையை ஏற்படுத்தாது என்றாலும், அது அவற்றைக் குறைவான துல்லியமாக்குகிறது; குறைந்த துல்லியமானது குணக மதிப்பீடுகள் சரியான மக்கள்தொகை மதிப்பிலிருந்து மேலும் வருவதற்கான வாய்ப்பை அதிகரிக்கிறது.

ஹெட்டோரோஸ்கெடாஸ்டிசிட்டியின் அடிப்படைகள்

நிதிகளில், பங்குகள் மற்றும் பத்திரங்களின் விலைகளில் நிபந்தனைக்குட்பட்ட ஹீட்டோரோஸ்கெடாஸ்டிசிட்டி பெரும்பாலும் காணப்படுகிறது. இந்த பங்குகளின் நிலையற்ற தன்மையை எந்த காலத்திலும் கணிக்க முடியாது. மின்சார பயன்பாடு போன்ற அடையாளம் காணக்கூடிய பருவகால மாறுபாட்டைக் கொண்ட மாறிகள் பற்றி விவாதிக்கும்போது நிபந்தனையற்ற ஹீட்டோரோஸ்கெடாஸ்டிசிட்டி பயன்படுத்தப்படலாம்.

இது புள்ளிவிவரங்களுடன் தொடர்புடையது என்பதால், ஒரு குறிப்பிட்ட மாதிரியில் குறைந்தபட்சம் ஒரு சுயாதீன மாறிக்குள் பிழை மாறுபாடு அல்லது சிதறலைச் சார்ந்திருப்பதைக் குறிக்கிறது. இந்த மதிப்புகள் தரவு மதிப்பீடுகளுக்கிடையேயான பிழையின் விளிம்பைக் கணக்கிட பயன்படுத்தப்படலாம், அதாவது எதிர்பார்க்கப்பட்ட முடிவுகள் மற்றும் உண்மையான முடிவுகள் போன்றவை, ஏனெனில் இது சராசரி மதிப்பிலிருந்து தரவு புள்ளிகளின் விலகலின் அளவை வழங்குகிறது.

தரவுத்தொகுப்பு பொருத்தமானதாகக் கருதப்படுவதற்கு, பெரும்பாலான தரவு புள்ளிகள் செபிஷேவின் தேற்றத்தால் விவரிக்கப்பட்டுள்ள சராசரியிலிருந்து ஒரு குறிப்பிட்ட எண்ணிக்கையிலான நிலையான விலகல்களுக்குள் இருக்க வேண்டும், இது செபிஷேவின் சமத்துவமின்மை என்றும் அழைக்கப்படுகிறது. சராசரியிலிருந்து வேறுபடும் சீரற்ற மாறியின் நிகழ்தகவு குறித்த வழிகாட்டுதல்களை இது வழங்குகிறது.

குறிப்பிடப்பட்ட நிலையான விலகல்களின் எண்ணிக்கையின் அடிப்படையில், ஒரு சீரற்ற மாறி அந்த புள்ளிகளுக்குள் இருக்கும் ஒரு குறிப்பிட்ட நிகழ்தகவைக் கொண்டுள்ளது. எடுத்துக்காட்டாக, இரண்டு நிலையான விலகல்களின் வரம்பில் குறைந்தபட்சம் 75% தரவு புள்ளிகள் செல்லுபடியாகும் என்று கருதப்பட வேண்டும். குறைந்தபட்ச தேவைக்கு வெளியே உள்ள மாறுபாடுகளுக்கு ஒரு பொதுவான காரணம் பெரும்பாலும் தரவு தரத்தின் சிக்கல்களால் கூறப்படுகிறது.

ஹீட்டோரோஸ்கெடாஸ்டிக்கின் எதிர் ஹோமோஸ்கெடாஸ்டிக் ஆகும். ஹோமோஸ்கெடாஸ்டிசிட்டி என்பது எஞ்சிய காலத்தின் மாறுபாடு நிலையானது அல்லது கிட்டத்தட்ட ஒரு நிலையை குறிக்கிறது. ஹோமோஸ்கெடாஸ்டிசிட்டி என்பது நேரியல் பின்னடைவு மாதிரியின் ஒரு அனுமானமாகும். பின்னடைவு மாதிரி நன்கு வரையறுக்கப்படலாம் என்று ஹோமோஸ்கெடாஸ்டிசிட்டி அறிவுறுத்துகிறது, அதாவது சார்பு மாறியின் செயல்திறனைப் பற்றிய நல்ல விளக்கத்தை இது வழங்குகிறது.

வகைகள் ஹெட்டோரோஸ்கெடாஸ்டிசிட்டி

நிபந்தனையற்ற

நிபந்தனையற்ற ஹீட்டோரோஸ்கெடாஸ்டிசிட்டி கணிக்கக்கூடியது, மேலும் பெரும்பாலும் இயற்கையால் சுழற்சியான மாறிகள் தொடர்பானது. பாரம்பரிய விடுமுறை ஷாப்பிங் காலத்தில் அறிவிக்கப்பட்ட அதிக சில்லறை விற்பனை அல்லது வெப்பமான மாதங்களில் ஏர் கண்டிஷனர் பழுதுபார்க்கும் அழைப்புகளின் அதிகரிப்பு இதில் அடங்கும்.

மாற்றங்கள் பாரம்பரியமாக பருவகாலமாக இல்லாவிட்டால், மாறுபாட்டிலுள்ள மாற்றங்கள் குறிப்பிட்ட நிகழ்வுகள் அல்லது முன்கணிப்பு குறிப்பான்கள் நிகழ்வோடு நேரடியாக இணைக்கப்படலாம். இது ஒரு புதிய மாடலின் வெளியீட்டில் ஸ்மார்ட்போன் விற்பனையின் அதிகரிப்புடன் தொடர்புடையது, ஏனெனில் நிகழ்வின் அடிப்படையில் செயல்பாடு சுழற்சியானது, ஆனால் பருவத்தால் தீர்மானிக்கப்படுவதில்லை.

நிபந்தனை

நிபந்தனைக்குட்பட்ட ஹீட்டோரோஸ்கெடாஸ்டிசிட்டி இயற்கையால் கணிக்க முடியாது. எந்த நேரத்திலும் தரவு அதிகமாகவோ அல்லது குறைவாகவோ சிதறடிக்கப்படும் என்று ஆய்வாளர்கள் நம்புவதற்கு எந்தவிதமான அடையாளமும் இல்லை. பெரும்பாலும், நிதி தயாரிப்புகள் நிபந்தனைக்குட்பட்ட ஹீட்டோரோஸ்கெடாஸ்டிசிட்டிக்கு உட்பட்டதாகக் கருதப்படுகின்றன, ஏனெனில் எல்லா மாற்றங்களும் குறிப்பிட்ட நிகழ்வுகள் அல்லது பருவகால மாற்றங்களுக்கு காரணமாக இருக்க முடியாது.

சிறப்பு பரிசீலனைகள்

ஹெட்டோரோஸ்கெடாஸ்டிசிட்டி மற்றும் நிதி மாடலிங்

பின்னடைவு மாடலிங் செய்வதில் ஹெட்டோரோஸ்கெடாஸ்டிசிட்டி ஒரு முக்கியமான கருத்தாகும், மேலும் முதலீட்டு உலகில், பத்திரங்கள் மற்றும் முதலீட்டு இலாகாக்களின் செயல்திறனை விளக்க பின்னடைவு மாதிரிகள் பயன்படுத்தப்படுகின்றன. இவற்றில் மிகவும் நன்கு அறியப்பட்டவை மூலதன சொத்து விலை மாதிரி (சிஏபிஎம்), இது ஒரு சந்தையின் செயல்திறனை விளக்குகிறது, இது ஒட்டுமொத்த சந்தையுடன் ஒப்பிடும்போது அதன் ஏற்ற இறக்கம். இந்த மாதிரியின் நீட்டிப்புகள் அளவு, உந்தம், தரம் மற்றும் பாணி (மதிப்பு மற்றும் வளர்ச்சிக்கு எதிராக) போன்ற பிற முன்கணிப்பு மாறிகளைச் சேர்த்துள்ளன.

இந்த முன்கணிப்பு மாறிகள் சேர்க்கப்பட்டுள்ளன, ஏனெனில் அவை சார்பு மாறியில் மாறுபாட்டை விளக்குகின்றன அல்லது கணக்கிடுகின்றன. போர்ட்ஃபோலியோ செயல்திறன் CAPM ஆல் விளக்கப்படுகிறது. எடுத்துக்காட்டாக, சிஏபிஎம் மாதிரியின் டெவலப்பர்கள் தங்கள் மாதிரி ஒரு சுவாரஸ்யமான ஒழுங்கின்மையை விளக்கத் தவறிவிட்டதை அறிந்திருந்தனர்: உயர்தர பங்குகள், குறைந்த தரம் வாய்ந்த பங்குகளை விடக் குறைந்த நிலையற்றவை, சிஏபிஎம் மாதிரியை முன்னறிவித்ததை விட சிறப்பாக செயல்படுகின்றன. அதிக ஆபத்துள்ள பங்குகள் குறைந்த ஆபத்துள்ள பங்குகளை விட அதிகமாக இருக்க வேண்டும் என்று சிஏபிஎம் கூறுகிறது. வேறு வார்த்தைகளில் கூறுவதானால், உயர்-ஏற்ற இறக்கம் பங்குகள் குறைந்த-நிலையற்ற பங்குகளை வெல்ல வேண்டும். ஆனால் உயர்தர பங்குகள், குறைந்த நிலையற்றவை, CAPM கணித்ததை விட சிறப்பாக செயல்படுகின்றன.

பின்னர், பிற ஆராய்ச்சியாளர்கள் CAPM மாதிரியை நீட்டித்தனர் (இது ஏற்கனவே அளவு, பாணி மற்றும் உந்தம் போன்ற பிற முன்கணிப்பு மாறிகள் சேர்க்க நீட்டிக்கப்பட்டது) தரத்தை ஒரு கூடுதல் முன்கணிப்பு மாறியாக சேர்க்க, இது "காரணி" என்றும் அழைக்கப்படுகிறது. இந்த காரணி இப்போது மாதிரியில் சேர்க்கப்பட்டுள்ளதால், குறைந்த நிலையற்ற பங்குகளின் செயல்திறன் ஒழுங்கின்மை கணக்கிடப்பட்டது. மல்டி காரணி மாதிரிகள் என அழைக்கப்படும் இந்த மாதிரிகள் காரணி முதலீடு மற்றும் ஸ்மார்ட் பீட்டாவின் அடிப்படையை உருவாக்குகின்றன.