ਵਿੱਤ ਵਿੱਚ ਅੰਕੜਿਆਂ ਦੇ ਉਪਯੋਗ
ਅੰਕੜਾ ਗਣਿਤ ਦੀ ਇੱਕ ਸ਼ਾਖਾ ਹੈ ਜਿਸਨੂੰ ਅਕਸਰ ਸਖ਼ਤ ਅਤੇ ਸਿਧਾਂਤਕ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ, ਪਰ ਅਸਲੀਅਤ ਵਿੱਚ, ਇਸਦੇ ਵਿੱਤ ਸਮੇਤ ਵੱਖ-ਵੱਖ ਖੇਤਰਾਂ ਵਿੱਚ ਵਿਆਪਕ ਉਪਯੋਗ ਹਨ। ਵਿੱਤੀ ਸੰਸਾਰ ਵਿੱਚ ਅੰਕੜਾ ਵਿਸ਼ਲੇਸ਼ਣ, ਫੈਸਲਾ ਲੈਣ, ਭਵਿੱਖਬਾਣੀ ਅਤੇ ਜੋਖਮ ਪ੍ਰਬੰਧਨ ਵਿੱਚ ਅੰਕੜਾ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਭੂਮਿਕਾ ਨਿਭਾਉਂਦਾ ਹੈ। ਇਹ ਲੇਖ ਵਿੱਤ ਵਿੱਚ ਅੰਕੜਿਆਂ ਦੇ ਕੁਝ ਮੁੱਖ ਉਪਯੋਗਾਂ ਦੀ ਸਮੀਖਿਆ ਕਰੇਗਾ ਅਤੇ ਕਿਵੇਂ ਅੰਕੜਾ ਡੇਟਾ ਅਤੇ ਵਿਧੀਆਂ ਵਿੱਤ ਪੇਸ਼ੇਵਰਾਂ ਨੂੰ ਚੁਣੌਤੀਆਂ ਅਤੇ ਮੌਕਿਆਂ ਦਾ ਸਾਹਮਣਾ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦੀਆਂ ਹਨ।
1. ਡਾਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਅਤੇ ਭਵਿੱਖਬਾਣੀ
ਵਿੱਤ ਵਿੱਚ ਅੰਕੜਿਆਂ ਦੇ ਮੁੱਖ ਉਪਯੋਗਾਂ ਵਿੱਚੋਂ ਇੱਕ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਅਤੇ ਭਵਿੱਖਬਾਣੀ ਹੈ। ਭਵਿੱਖ ਦੇ ਰੁਝਾਨਾਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਇਤਿਹਾਸਕ ਡੇਟਾ ਦੀ ਪ੍ਰਕਿਰਿਆ ਕਰਨਾ ਵਿੱਤੀ ਉਦਯੋਗ ਵਿੱਚ ਇੱਕ ਆਮ ਅਭਿਆਸ ਹੈ। ਉਦਾਹਰਣ ਵਜੋਂ, ਵਿੱਤੀ ਵਿਸ਼ਲੇਸ਼ਕ ਭਵਿੱਖ ਦੀਆਂ ਕੀਮਤਾਂ ਦੀਆਂ ਗਤੀਵਿਧੀਆਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਇਤਿਹਾਸਕ ਸਟਾਕ ਕੀਮਤ ਡੇਟਾ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ। ਇਸ ਉਦੇਸ਼ ਲਈ ਅਕਸਰ ਅੰਕੜਾ ਵਿਧੀਆਂ ਜਿਵੇਂ ਕਿ ਰੇਖਿਕ ਰਿਗਰੈਸ਼ਨ ਅਤੇ ਸਮਾਂ-ਸੀਰੀਜ਼ ਵਿਸ਼ਲੇਸ਼ਣ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।
ਲੀਨੀਅਰ ਰਿਗਰੈਸ਼ਨ
ਲੀਨੀਅਰ ਰਿਗਰੈਸ਼ਨ ਦੀ ਵਰਤੋਂ ਸੁਤੰਤਰ ਅਤੇ ਨਿਰਭਰ ਵੇਰੀਏਬਲਾਂ ਵਿਚਕਾਰ ਸਬੰਧਾਂ ਨੂੰ ਮਾਡਲ ਕਰਨ ਲਈ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਉਦਾਹਰਨ ਲਈ, ਇੱਕ ਵਿੱਤੀ ਸੰਦਰਭ ਵਿੱਚ, ਇਸਦੀ ਵਰਤੋਂ ਵਿਆਜ ਦਰਾਂ, ਮਹਿੰਗਾਈ, ਜਾਂ ਹੋਰ ਆਰਥਿਕ ਸੂਚਕਾਂ (ਸੁਤੰਤਰ ਵੇਰੀਏਬਲ) ਵਰਗੇ ਵੱਖ-ਵੱਖ ਕਾਰਕਾਂ ਦੇ ਅਧਾਰ ਤੇ ਸਟਾਕ ਕੀਮਤਾਂ (ਨਿਰਭਰ ਵੇਰੀਏਬਲ) ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ। ਇੱਕ ਸਧਾਰਨ ਲੀਨੀਅਰ ਰਿਗਰੈਸ਼ਨ ਸਮੀਕਰਨ ਹੈ:
\[ ਵਾਈ = \ਅਲਫ਼ਾ + \ਬੀਟਾ ਐਕਸ + \ਐਪਸੀਲੋਨ \]
ਮਨ:
– \( Y \) ਨਿਰਭਰ ਵੇਰੀਏਬਲ ਹੈ (ਜਿਵੇਂ ਕਿ, ਸਟਾਕ ਕੀਮਤ),
– \( X \) ਸੁਤੰਤਰ ਵੇਰੀਏਬਲ ਹੈ (ਜਿਵੇਂ ਕਿ, ਵਿਆਜ ਦਰ),
– \( \alpha \) ਅਤੇ \( \beta \) ਮਾਡਲ ਪੈਰਾਮੀਟਰ ਹਨ,
– \( \epsilon \) ਰਹਿੰਦ-ਖੂੰਹਦ ਜਾਂ ਗਲਤੀ ਹੈ।
ਸਮਾਂ-ਲੜੀ ਵਿਸ਼ਲੇਸ਼ਣ
ਸਮਾਂ-ਸੀਰੀਜ਼ ਵਿਸ਼ਲੇਸ਼ਣ ਖਾਸ ਪੈਟਰਨਾਂ ਜਾਂ ਰੁਝਾਨਾਂ ਦੀ ਪਛਾਣ ਕਰਨ ਲਈ ਸਮੇਂ ਦੇ ਨਾਲ ਡੇਟਾ ਦੀ ਜਾਂਚ ਕਰਦਾ ਹੈ। ਵਿੱਤ ਵਿੱਚ, ਸਮਾਂ-ਸੀਰੀਜ਼ ਵਿਸ਼ਲੇਸ਼ਣ ਦੀ ਵਰਤੋਂ ਸੰਪਤੀ ਦੀਆਂ ਕੀਮਤਾਂ, ਵਪਾਰਕ ਮਾਤਰਾ ਅਤੇ ਆਰਥਿਕ ਸੂਚਕਾਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਹਨਾਂ ਮਾਡਲਾਂ ਵਿੱਚ ਆਟੋ-ਰਿਗਰੈਸਿਵ ਇੰਟੀਗ੍ਰੇਟਿਡ ਮੂਵਿੰਗ ਐਵਰੇਜ (ARIMA) ਅਤੇ ਜਨਰਲਾਈਜ਼ਡ ਆਟੋਰਿਗਰੈਸਿਵ ਕੰਡੀਸ਼ਨਲ ਹੇਟਰੋਸਕੇਡੈਸਟੀਸਿਟੀ (GARCH) ਵਰਗੀਆਂ ਤਕਨੀਕਾਂ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।
2. ਜੋਖਮ ਪ੍ਰਬੰਧਨ
ਅੰਕੜੇ ਜੋਖਮ ਪ੍ਰਬੰਧਨ ਵਿੱਚ ਵੀ ਮਹੱਤਵਪੂਰਨ ਭੂਮਿਕਾ ਨਿਭਾਉਂਦੇ ਹਨ, ਇੱਕ ਕੰਪਨੀ ਜਾਂ ਨਿਵੇਸ਼ਕ ਦਾ ਸਾਹਮਣਾ ਕਰ ਸਕਣ ਵਾਲੇ ਵਿੱਤੀ ਜੋਖਮਾਂ ਦੀ ਪਛਾਣ ਕਰਨ, ਮਾਪਣ ਅਤੇ ਨਿਯੰਤਰਣ ਕਰਨ ਦੀ ਪ੍ਰਕਿਰਿਆ। ਜੋਖਮ ਪ੍ਰਬੰਧਨ ਵਿੱਚ ਅਕਸਰ ਵਰਤੇ ਜਾਣ ਵਾਲੇ ਕੁਝ ਅੰਕੜਾ ਸਾਧਨਾਂ ਵਿੱਚ ਮੁੱਲ ਜੋਖਮ (VaR), ਤਣਾਅ ਜਾਂਚ, ਅਤੇ ਮੋਂਟੇ ਕਾਰਲੋ ਵਿਸ਼ਲੇਸ਼ਣ ਸ਼ਾਮਲ ਹਨ।
ਜੋਖਮ 'ਤੇ ਮੁੱਲ (VaR)
VaR ਇੱਕ ਅੰਕੜਾਤਮਕ ਮਾਪ ਹੈ ਜੋ ਇੱਕ ਦਿੱਤੇ ਗਏ ਸਮੇਂ ਦੌਰਾਨ ਇੱਕ ਪੋਰਟਫੋਲੀਓ ਜਾਂ ਇੱਕ ਖਾਸ ਸੰਪਤੀ ਦੇ ਵੱਧ ਤੋਂ ਵੱਧ ਸੰਭਾਵੀ ਨੁਕਸਾਨ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਂਦਾ ਹੈ, ਇੱਕ ਜਾਣੇ-ਪਛਾਣੇ ਵਿਸ਼ਵਾਸ ਪੱਧਰ ਦੇ ਨਾਲ। ਉਦਾਹਰਨ ਲਈ, $1 ਮਿਲੀਅਨ ਦੇ 95% 1-ਦਿਨ ਦੇ VaR ਦਾ ਮਤਲਬ ਹੈ ਕਿ 95% ਵਿਸ਼ਵਾਸ ਹੈ ਕਿ ਪੋਰਟਫੋਲੀਓ ਨੁਕਸਾਨ ਇੱਕ ਦਿਨ ਵਿੱਚ $1 ਮਿਲੀਅਨ ਤੋਂ ਵੱਧ ਨਹੀਂ ਹੋਵੇਗਾ। VaR ਦੀ ਗਣਨਾ ਇਤਿਹਾਸਕ ਤਰੀਕਿਆਂ, ਵਿਸ਼ਲੇਸ਼ਣਾਤਮਕ ਤਰੀਕਿਆਂ, ਜਾਂ ਮੋਂਟੇ ਕਾਰਲੋ ਸਿਮੂਲੇਸ਼ਨਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ।
ਤਣਾਅ ਦੀ ਜਾਂਚ
ਤਣਾਅ ਜਾਂਚ ਵਿੱਚ ਵੱਖ-ਵੱਖ ਅਤਿਅੰਤ ਬਾਜ਼ਾਰ ਸਥਿਤੀਆਂ ਦੀ ਨਕਲ ਕਰਨਾ ਸ਼ਾਮਲ ਹੈ ਤਾਂ ਜੋ ਇਹ ਮਾਪਿਆ ਜਾ ਸਕੇ ਕਿ ਇਹ ਸਥਿਤੀਆਂ ਪੋਰਟਫੋਲੀਓ ਦੇ ਮੁੱਲ ਨੂੰ ਕਿਵੇਂ ਪ੍ਰਭਾਵਤ ਕਰ ਸਕਦੀਆਂ ਹਨ। ਉਦਾਹਰਣ ਵਜੋਂ, ਇੱਕ ਵਿਸ਼ਵਵਿਆਪੀ ਵਿੱਤੀ ਸੰਕਟ ਇੱਕ ਨਿਵੇਸ਼ ਪੋਰਟਫੋਲੀਓ ਨੂੰ ਕਿਵੇਂ ਪ੍ਰਭਾਵਤ ਕਰੇਗਾ? ਇਹਨਾਂ ਅਤਿਅੰਤ ਦ੍ਰਿਸ਼ਾਂ ਦੀ ਨਕਲ ਕਰਕੇ, ਵਿੱਤੀ ਸੰਸਥਾਵਾਂ ਮਹੱਤਵਪੂਰਨ ਨੁਕਸਾਨ ਦੀ ਸੰਭਾਵਨਾ ਲਈ ਤਿਆਰੀ ਕਰ ਸਕਦੀਆਂ ਹਨ।
3. ਪੋਰਟਫੋਲੀਓ ਵਿਭਿੰਨਤਾ
ਵਿਭਿੰਨਤਾ ਇੱਕ ਨਿਵੇਸ਼ ਰਣਨੀਤੀ ਹੈ ਜਿਸਦਾ ਉਦੇਸ਼ ਵੱਖ-ਵੱਖ ਤਰ੍ਹਾਂ ਦੀਆਂ ਅਸਬੰਧਿਤ ਸੰਪਤੀਆਂ ਵਿੱਚ ਨਿਵੇਸ਼ਾਂ ਨੂੰ ਵੰਡ ਕੇ ਜੋਖਮ ਨੂੰ ਘਟਾਉਣਾ ਹੈ। ਅੰਕੜੇ ਵੱਖ-ਵੱਖ ਸੰਪਤੀਆਂ ਵਿਚਕਾਰ ਸਬੰਧ ਅਤੇ ਸਹਿ-ਪ੍ਰਸਾਰ ਦੀ ਗਣਨਾ ਕਰਕੇ ਪੋਰਟਫੋਲੀਓ ਵਿਭਿੰਨਤਾ ਵਿੱਚ ਸਹਾਇਤਾ ਕਰਦੇ ਹਨ।
ਸਹਿ-ਸਬੰਧ ਅਤੇ ਸਹਿ-ਪ੍ਰਵਾਹ
ਸਹਿ-ਸਬੰਧ ਦੋ ਵੇਰੀਏਬਲਾਂ ਵਿਚਕਾਰ ਰੇਖਿਕ ਸਬੰਧ ਦੀ ਤਾਕਤ ਅਤੇ ਦਿਸ਼ਾ ਨੂੰ ਮਾਪਦਾ ਹੈ। ਉਦਾਹਰਨ ਲਈ, ਜੇਕਰ ਇੱਕ ਸੰਪਤੀ ਅਕਸਰ ਦੂਜੀ ਦੇ ਨਾਲ ਮਿਲ ਕੇ ਵਧਦੀ ਹੈ, ਤਾਂ ਸੰਪਤੀਆਂ ਨੂੰ ਸਕਾਰਾਤਮਕ ਤੌਰ 'ਤੇ ਸਹਿ-ਸਬੰਧਤ ਕਿਹਾ ਜਾਂਦਾ ਹੈ। ਇਸਦੇ ਉਲਟ, ਜੇਕਰ ਇੱਕ ਸੰਪਤੀ ਵਧਦੀ ਹੈ ਜਦੋਂ ਕਿ ਦੂਜੀ ਡਿੱਗਦੀ ਹੈ, ਤਾਂ ਇੱਕ ਨਕਾਰਾਤਮਕ ਸਹਿ-ਸਬੰਧ ਹੁੰਦਾ ਹੈ। ਸਹਿ-ਸਬੰਧ ਗੁਣਾਂਕ -1 (ਸੰਪੂਰਨ ਨਕਾਰਾਤਮਕ ਸਹਿ-ਸਬੰਧ) ਤੋਂ +1 (ਸੰਪੂਰਨ ਸਕਾਰਾਤਮਕ ਸਹਿ-ਸਬੰਧ) ਤੱਕ ਹੁੰਦਾ ਹੈ। ਵਿਭਿੰਨਤਾ ਦੁਆਰਾ ਜੋਖਮ ਨੂੰ ਘਟਾਉਣ ਵਿੱਚ ਘੱਟ ਜਾਂ ਨਕਾਰਾਤਮਕ ਸਹਿ-ਸਬੰਧ ਵਾਲੀਆਂ ਸੰਪਤੀਆਂ ਦੀ ਚੋਣ ਕਰਨਾ ਸ਼ਾਮਲ ਹੈ।
ਅਨੁਕੂਲ ਪੋਰਟਫੋਲੀਓ
ਮਾਰਕੋਵਿਟਜ਼ ਪੋਰਟਫੋਲੀਓ ਥਿਊਰੀ, ਜਾਂ ਮੀਨ-ਵੇਰੀਅਨਸ ਓਪਟੀਮਾਈਜੇਸ਼ਨ, ਰਿਟਰਨ ਨੂੰ ਵੱਧ ਤੋਂ ਵੱਧ ਕਰਕੇ ਅਤੇ ਜੋਖਮ ਨੂੰ ਘੱਟ ਕਰਕੇ ਅਨੁਕੂਲ ਪੋਰਟਫੋਲੀਓ ਨਿਰਧਾਰਤ ਕਰਨ ਲਈ ਅੰਕੜਿਆਂ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ। ਇਸ ਪਹੁੰਚ ਵਿੱਚ ਇੱਕ ਪੋਰਟਫੋਲੀਓ ਦੇ ਔਸਤ (ਔਸਤ ਰਿਟਰਨ) ਅਤੇ ਪਰਿਵਰਤਨ (ਜੋਖਮ) ਦੀ ਗਣਨਾ ਕਰਨਾ ਸ਼ਾਮਲ ਹੈ, ਨਾਲ ਹੀ ਪੋਰਟਫੋਲੀਓ ਦੇ ਅੰਦਰ ਵੱਖ-ਵੱਖ ਸੰਪਤੀਆਂ ਵਿਚਕਾਰ ਸਬੰਧ ਵੀ ਸ਼ਾਮਲ ਹੈ।
4. ਕ੍ਰੈਡਿਟ ਸਕੋਰਿੰਗ
ਬੈਂਕਿੰਗ ਉਦਯੋਗ ਵਿੱਚ ਅੰਕੜੇ ਮਹੱਤਵਪੂਰਨ ਭੂਮਿਕਾ ਨਿਭਾਉਂਦੇ ਹਨ, ਖਾਸ ਕਰਕੇ ਉਧਾਰ ਦੇਣ ਵਿੱਚ। ਅੰਕੜਿਆਂ ਦੇ ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ ਵਿਅਕਤੀਆਂ ਜਾਂ ਕੰਪਨੀਆਂ ਦੀ ਕ੍ਰੈਡਿਟ ਯੋਗਤਾ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਜੋ ਇਤਿਹਾਸਕ ਡੇਟਾ ਅਤੇ ਉਧਾਰ ਲੈਣ ਵਾਲੇ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੇ ਅਧਾਰ ਤੇ ਵਿਕਸਤ ਕੀਤੇ ਜਾਂਦੇ ਹਨ।
ਲੌਜਿਸਟਿਕ ਰਿਗਰੈਸ਼ਨ
ਕ੍ਰੈਡਿਟ ਮੁਲਾਂਕਣ ਵਿੱਚ ਅਕਸਰ ਵਰਤਿਆ ਜਾਣ ਵਾਲਾ ਇੱਕ ਤਰੀਕਾ ਲੌਜਿਸਟਿਕ ਰਿਗਰੈਸ਼ਨ ਹੈ। ਇਹ ਮਾਡਲ ਕੁਝ ਵੇਰੀਏਬਲ ਜਿਵੇਂ ਕਿ ਕ੍ਰੈਡਿਟ ਹਿਸਟਰੀ, ਆਮਦਨ ਅਤੇ ਰੁਜ਼ਗਾਰ ਦੀ ਕਿਸਮ ਦੇ ਆਧਾਰ 'ਤੇ ਕਰਜ਼ਾ ਲੈਣ ਵਾਲੇ ਦੇ ਡਿਫਾਲਟ ਹੋਣ ਦੀ ਸੰਭਾਵਨਾ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਂਦਾ ਹੈ।
\[ \text{Logit}(P) = \alpha + \beta_1 X_1 + \beta_2 X_2 + \dots + \beta_n X_n \]
ਜਿੱਥੇ \( P \) ਡਿਫਾਲਟ ਦੀ ਸੰਭਾਵਨਾ ਹੈ, \( \alpha \) ਇੰਟਰਸੈਪਟ ਹੈ, ਅਤੇ \( \beta \) ਰਿਗਰੈਸ਼ਨ ਗੁਣਾਂਕ ਹੈ।
5. ਡੈਰੀਵੇਟਿਵ ਅਤੇ ਵਿਕਲਪ
ਡੈਰੀਵੇਟਿਵਜ਼ ਅਤੇ ਵਿਕਲਪ ਕੀਮਤ ਨਿਰਧਾਰਤ ਕਰਨ ਵਿੱਚ ਅੰਕੜੇ ਵੀ ਬਹੁਤ ਮਹੱਤਵਪੂਰਨ ਹਨ। ਬਲੈਕ-ਸਕੋਲਸ ਮਾਡਲ ਵਿਕਲਪ ਕੀਮਤ ਨਿਰਧਾਰਤ ਕਰਨ ਲਈ ਸਭ ਤੋਂ ਮਸ਼ਹੂਰ ਮਾਡਲਾਂ ਵਿੱਚੋਂ ਇੱਕ ਹੈ।
ਬਲੈਕ-ਸਕੋਲਜ਼ ਮਾਡਲ
ਇਹ ਮਾਡਲ ਕਿਸੇ ਵਿਕਲਪ ਦੀ ਸਿਧਾਂਤਕ ਕੀਮਤ ਦੀ ਗਣਨਾ ਕਰਨ ਲਈ, ਅੰਡਰਲਾਈੰਗ ਸੰਪਤੀ ਦੀ ਕੀਮਤ ਅਸਥਿਰਤਾ ਸਮੇਤ ਕਈ ਅੰਕੜਾਤਮਕ ਇਨਪੁਟਸ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ। ਬਲੈਕ-ਸਕੋਲਸ ਫਾਰਮੂਲਾ ਹੈ:
\[ C = S_0 N(d_1) – X e^{-rt} N(d_2) \]
ਮਨ:
– \( C \) ਕਾਲ ਵਿਕਲਪ ਦੀ ਕੀਮਤ ਹੈ,
– \( S_0 \) ਮੌਜੂਦਾ ਸੰਪਤੀ ਕੀਮਤ ਹੈ,
– \( X \) ਸਟ੍ਰਾਈਕ ਕੀਮਤ ਹੈ,
– \( r \) ਜੋਖਮ-ਮੁਕਤ ਵਿਆਜ ਦਰ ਹੈ,
– \( t \) ਪਰਿਪੱਕਤਾ ਦਾ ਸਮਾਂ ਹੈ,
– \( N(d) \) ਆਮ ਵੰਡ ਦਾ ਸੰਚਤ ਵੰਡ ਫੰਕਸ਼ਨ ਹੈ,
– \( d_1 \) ਅਤੇ \( d_2 \) ਮਾਡਲ ਇਨਪੁਟ ਤੋਂ ਲਏ ਗਏ ਵੇਰੀਏਬਲ ਹਨ।
ਸਿੱਟਾ
ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਤੋਂ ਲੈ ਕੇ ਜੋਖਮ ਪ੍ਰਬੰਧਨ ਅਤੇ ਪੋਰਟਫੋਲੀਓ ਨਿਰਮਾਣ ਤੱਕ, ਅੰਕੜੇ ਵਿੱਤ ਵਿੱਚ ਕੇਂਦਰੀ ਭੂਮਿਕਾ ਨਿਭਾਉਂਦੇ ਹਨ। ਅੰਕੜਾਤਮਕ ਤਰੀਕਿਆਂ ਦੀ ਵਰਤੋਂ ਵਿੱਤੀ ਪੇਸ਼ੇਵਰਾਂ ਨੂੰ ਬਿਹਤਰ ਮੁਲਾਂਕਣ, ਭਵਿੱਖਬਾਣੀ ਅਤੇ ਫੈਸਲੇ ਲੈਣ ਵਿੱਚ ਸਹਾਇਤਾ ਕਰਦੀ ਹੈ, ਜਿਸ ਨਾਲ ਵਿੱਤੀ ਉਦਯੋਗ ਵਿੱਚ ਵਧੇਰੇ ਨਵੀਨਤਾ ਅਤੇ ਸਥਿਰਤਾ ਮਿਲਦੀ ਹੈ। ਹਾਲਾਂਕਿ, ਵਰਤੇ ਗਏ ਕਿਸੇ ਵੀ ਅੰਕੜਾ ਮਾਡਲ ਦੀਆਂ ਧਾਰਨਾਵਾਂ ਅਤੇ ਸੀਮਾਵਾਂ ਤੋਂ ਹਮੇਸ਼ਾ ਜਾਣੂ ਰਹਿਣਾ ਮਹੱਤਵਪੂਰਨ ਹੈ।
ਤਕਨੀਕੀ ਤਰੱਕੀ ਅਤੇ ਡੇਟਾ ਦੀ ਵੱਧਦੀ ਉਪਲਬਧਤਾ ਦੇ ਨਾਲ, ਵਿੱਤ ਵਿੱਚ ਅੰਕੜਾਤਮਕ ਉਪਯੋਗ ਵਿਕਸਤ ਹੁੰਦੇ ਰਹਿਣਗੇ ਅਤੇ ਹੋਰ ਵੀ ਗੁੰਝਲਦਾਰ ਬਣ ਜਾਣਗੇ। ਵਿੱਤ ਦੀ ਬਦਲਦੀ ਦੁਨੀਆ ਵਿੱਚ ਵਧੇਰੇ ਸੂਚਿਤ ਅਤੇ ਸੂਚਿਤ ਫੈਸਲੇ ਲੈਣ ਲਈ ਅੰਕੜਿਆਂ ਨੂੰ ਸਿੱਖਦੇ ਰਹੋ ਅਤੇ ਉਹਨਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਰਹੋ।
