बैंकिंग में टाइम सीरीज़ एनालिसिस: ट्रेंड, सीज़नैलिटी और फोरकास्टिंग
बैंकिंग में टाइम सीरीज़ एनालिसिस (Time series analysis) समय के क्रमिक बिंदुओं पर दर्ज किए गए डेटा का सांख्यिकीय अध्ययन है — मासिक जमा, त्रैमासिक क्रेडिट ग्रोथ, दैनिक फॉरेक्स रेट — ताकि बैंक अंतर्निहित पैटर्न को रैंडम शोर से अलग कर सके और आगे क्या होगा इसका पूर्वानुमान लगा सके। CAIIB Advanced Bank Management (ABM) के उम्मीदवार के लिए यह टॉपिक सांख्यिकी और वास्तविक बैंक प्लानिंग के बीच का सेतु है: ब्रांच मैनेजर इसका उपयोग कैश बजट बनाने में करते हैं, ट्रेजरी डेस्क लिक्विडिटी प्लानिंग में, और क्रेडिट टीमें सीज़नल डिमांड का अंदाज़ा लगाने में।
क्रॉस-सेक्शनल डेटा (एक ही समय पर कई ग्राहकों का स्नैपशॉट) के उलट, टाइम सीरीज़ समय के क्रम में होती है, और वह क्रम अपने आप में जानकारी रखता है। NPA रेशियो या डिपॉज़िट बैलेंस की एक सीरीज़ केवल संख्याओं की सूची नहीं है — यह ग्रोथ, सीज़नल उतार-चढ़ाव, बिज़नेस साइकल और कभी-कभार होने वाले झटकों की एक कहानी है। टाइम सीरीज़ एनालिसिस बैंकरों को अंदाज़ा लगाने के बजाय इस कहानी को व्यवस्थित तरीके से पढ़ने का ज़रिया देता है।
📈 बैंकिंग में टाइम सीरीज़ एनालिसिस वास्तव में क्या मापता है
मूल रूप से, बैंकिंग में टाइम सीरीज़ एनालिसिस डेटा सीरीज़ को उन पैटर्न में तोड़ता है जो दोहराते या बने रहते हैं, ताकि फोरकास्टर उन्हें उचित भरोसे के साथ आगे प्रोजेक्ट कर सके। एक विशिष्ट बैंक टाइम सीरीज़ — मान लीजिए, पिछले पांच वर्षों के मासिक सेविंग्स अकाउंट इनफ्लो — के बारे में माना जाता है कि यह लॉन्ग-टर्म दिशा, दोहराने वाली सीज़नल रिदम, धीमी बिज़नेस-साइकल स्विंग और अप्रत्याशित एक-बार के झटकों के मिश्रण से बनती है।
इस एक्सरसाइज़ की वैल्यू व्यावहारिक है, अकादमिक नहीं। हार्वेस्ट-सीज़न लोन डिमांड का पूर्वानुमान लगाने वाला एक रीजनल रूरल बैंक, महीने के अंत के CRR/SLR आउटफ्लो का प्रोजेक्शन बनाने वाला ट्रेजरी डेस्क, या फेस्टिव-सीज़न कार्ड स्पेंड का अंदाज़ा लगाने वाला रिटेल बैंक — ये सभी असल में एक ही काम कर रहे हैं: कल की प्लानिंग के लिए इतिहास पढ़ना। इसे सही करना सीधे लिक्विडिटी प्लानिंग, स्टाफिंग, प्रोविज़निंग एस्टिमेट और बजट टारगेट में जाता है।
टाइम सीरीज़ का काम एसेट-लायबिलिटी मैनेजमेंट का भी आधार है। बैंक एसेट और लायबिलिटी को मैच्योरिटी के अनुसार बकेट करते हैं और "नॉन-मैच्योरिटी" डिपॉज़िट (सेविंग्स और करंट अकाउंट) के ऐतिहासिक व्यवहार का उपयोग यह अनुमान लगाने के लिए करते हैं कि उस बैलेंस का कितना हिस्सा वास्तव में स्थिर कोर मनी है और कितना सीज़नल या वोलेटाइल। यह अनुमान खुद एक टाइम सीरीज़ एक्सरसाइज़ है — यह देखता है कि पिछले साइकल में बैलेंस कैसे मूव हुआ है ताकि नॉर्मल और स्ट्रेस्ड दोनों कंडीशन में भविष्य के व्यवहार का अंदाज़ा लगाया जा सके।
चूंकि यह तकनीक पर्याप्त ऐतिहासिक ऑब्ज़र्वेशन होने पर निर्भर करती है, बैंक प्रमुख इंडिकेटर्स — डिपॉज़िट, एडवांस, NPA, फॉरेक्स फ्लो — के लिए मासिक या त्रैमासिक डेटा की लंबी सीरीज़ बनाए रखते हैं, ठीक इसलिए ताकि ट्रेंड और सीज़नल पैटर्न को मुट्ठी भर डेटा पॉइंट से अंदाज़ा लगाने के बजाय भरोसे के साथ एस्टीमेट किया जा सके।
🔍 बैंकिंग टाइम सीरीज़ के चार घटक
क्लासिकल टाइम सीरीज़ डीकंपोज़िशन किसी भी ऑब्ज़र्व्ड वैल्यू को चार घटकों में बांटता है। ट्रेंड (Trend) घटक (T) लॉन्ग-टर्म दिशा है — मान लीजिए, ब्रांच नेटवर्क और ग्राहक आधार बढ़ने के साथ बैंक के कुल डिपॉज़िट बेस में कई वर्षों की लगातार बढ़त। सीज़नल (Seasonal) घटक (S) एक पैटर्न है जो तय, आमतौर पर वार्षिक, कैलेंडर साइकल पर दोहराता है — बुवाई और कटाई के मौसम में एग्रीकल्चरल क्रेडिट डिमांड बढ़ना, या फेस्टिव क्वार्टर में रिटेल लोन डिस्बर्समेंट में स्पाइक।
साइक्लिकल (Cyclical) घटक (C) एक लंबी, कम नियमित लहर है जो व्यापक बिज़नेस या क्रेडिट साइकल से जुड़ी होती है — क्रेडिट एक्सपेंशन के दौर के बाद धीमी ग्रोथ के दौर, जो अक्सर मॉनेटरी पॉलिसी द्वारा तय इंटरेस्ट-रेट साइकल से जुड़े होते हैं। यह सीज़नैलिटी से अलग है क्योंकि साइकल तय कैलेंडर शेड्यूल पर नहीं दोहराते; ये कई वर्षों तक चल सकते हैं और लंबाई व तीव्रता में बदलते रहते हैं। इर्रेगुलर (Irregular) या रैंडम घटक (I) बाकी बचे सबकुछ को कैप्चर करता है — जैसे प्राकृतिक आपदा, अचानक रेगुलेटरी बदलाव, या एक बार का बड़ा कॉर्पोरेट लोन डिस्बर्सल, जिसे ट्रेंड, सीज़न या साइकल से नहीं समझाया जा सकता।
इन घटकों को आमतौर पर दो तरीकों में से एक में मिलाया जाता है: एक एडिटिव मॉडल (Additive model) (Value = T + S + C + I), जिसका उपयोग तब होता है जब सीज़नल उतार-चढ़ाव ट्रेंड लेवल चाहे जो भी हो, लगभग स्थिर एब्सोल्यूट साइज़ में रहते हैं, या एक मल्टीप्लिकेटिव मॉडल (Multiplicative model) (Value = T × S × C × I), जिसका उपयोग तब होता है जब ओवरऑल ट्रेंड लेवल बढ़ने के साथ सीज़नल उतार-चढ़ाव भी अनुपात में बढ़ते हैं। सही मॉडल चुनना मायने रखता है — प्रोपोर्शनली बढ़ रही सीज़नैलिटी वाले डेटा पर एडिटिव मॉडल इस्तेमाल करने से भविष्य के पीक कम आंके जाएंगे।
ट्रेंड लाइन का एस्टीमेशन Correlation and Regression चैप्टर में कवर किए गए रिग्रेशन वर्क से गहरा जुड़ा है, क्योंकि ट्रेंड फिट करने का सबसे आम तरीका मेथड ऑफ लीस्ट स्क्वेयर्स है, जिसमें समय को इंडिपेंडेंट वेरिएबल माना जाता है।
🧮 बैंकरों को जो फोरकास्टिंग मेथड्स जानने चाहिए
ABM सिलेबस में कई फोरकास्टिंग तकनीकें आती हैं, हर एक में सिंपलिसिटी और हाल के बदलावों के प्रति रिस्पॉन्सिवनेस के बीच अलग ट्रेड-ऑफ है।
नाइव मेथड (Naive method) बस यह मान लेता है कि अगला पीरियड पिछले ऑब्ज़र्व्ड वैल्यू के बराबर होगा — क्रूड, लेकिन एक उपयोगी बेसलाइन। मूविंग एवरेज मेथड (Moving average method) पिछले कुछ पीरियड का औसत लेकर शॉर्ट-टर्म शोर को स्मूथ करता है, जिससे सीज़नल स्पाइक और रैंडम शोर दोनों दब जाते हैं लेकिन यह असली ट्रेंड बदलावों से पीछे रह जाता है। मेथड ऑफ लीस्ट स्क्वेयर्स (Method of least squares) ऐतिहासिक डेटा में एक सीधी रेखा (या कर्व) फिट करता है जो स्क्वेयर्ड डेविएशन के योग को न्यूनतम करती है, जिससे एक गणितीय रूप से परिभाषित ट्रेंड लाइन मिलती है जिसे आगे प्रोजेक्ट किया जा सकता है।
एक्सपोनेंशियल स्मूथिंग (Exponential smoothing) पुराने ऑब्ज़र्वेशन को क्रमशः घटता हुआ वेट देता है, ताकि हाल के डेटा पॉइंट दूर के डेटा पॉइंट से ज़्यादा फोरकास्ट को प्रभावित करें — यह इसे सिंपल मूविंग एवरेज से हाल के टर्निंग पॉइंट के प्रति ज़्यादा रिस्पॉन्सिव बनाता है, बिना इतिहास को पूरी तरह छोड़े। ज़्यादा एडवांस्ड अप्रोच इन फंडामेंटल्स पर बनते हैं और सीज़नैलिटी व साइक्लिकैलिटी को ट्रेंड के साथ स्पष्ट रूप से मॉडल करते हैं, लेकिन ऊपर के चार मेथड ही परीक्षा में पूछे जाने वाले मुख्य आधार हैं।
जो भी मेथड इस्तेमाल हो, फोरकास्ट एरर के फैलाव को समझना सीधे बेसिक स्टैटिस्टिक्स के measures of dispersion कॉन्सेप्ट से जुड़ता है — एक फोरकास्ट उतना ही उपयोगी है जितना भरोसा बैंकर उस पर रख सकता है, और वह भरोसा पिछले फोरकास्ट एरर की वेरिएबिलिटी से व्यक्त होता है।
💡 Exam Tip: अगर कोई प्रश्न आपसे सीज़नल और साइक्लिकल वेरिएशन को अलग करने को कहे, तो याद रखें: सीज़नल एक तय कैलेंडर पीरियड (आमतौर पर एक वर्ष के भीतर) पर दोहराता है; साइक्लिकल की कोई तय लंबाई नहीं होती और यह व्यापक इकोनॉमिक या क्रेडिट साइकल से जुड़ा होता है।
🏦 भारतीय बैंक प्लानिंग में एप्लीकेशन
बैंकिंग में टाइम सीरीज़ एनालिसिस भारतीय बैंक की लगभग हर प्लानिंग फंक्शन में दिखाई देता है। ट्रेजरी डिपार्टमेंट कॉल मनी रेट, CRR/SLR मेंटेनेंस साइकल और गवर्नमेंट बॉन्ड यील्ड में ऐतिहासिक पैटर्न का उपयोग शॉर्ट-टर्म लिक्विडिटी प्लान करने के लिए करते हैं। रिटेल बैंकिंग टीमें त्योहारों और कृषि कैलेंडर के आसपास कार्ड स्पेंड, पर्सनल लोन डिस्बर्समेंट और गोल्ड लोन डिमांड में सीज़नल पैटर्न देखकर स्टाफिंग और मार्केटिंग स्पेंड प्लान करती हैं।
क्रेडिट डिपार्टमेंट एग्रीकल्चरल और MSME क्रेडिट ऑफ-टेक में सीज़नल पैटर्न ट्रैक करते हैं — एक फार्म-सेक्टर पोर्टफोलियो में आमतौर पर बुवाई और कटाई की विंडो के आसपास डिमांड इकट्ठा होती है, और प्रोविज़निंग टीमें निष्कर्ष निकालने से पहले यह देखती हैं कि NPA ट्रेंड वास्तविक बिगड़ते ट्रेंड को दर्शाता है या एक अस्थायी सीज़नल या साइक्लिकल उतार-चढ़ाव को। एसेट-लायबिलिटी मैनेजमेंट (ALM) कमेटियां "स्टिकी" डिपॉज़िट — सेविंग्स और करंट अकाउंट बैलेंस जिनकी कोई कॉन्ट्रैक्चुअल मैच्योरिटी नहीं होती लेकिन जो समय के साथ अनुमानित रूप से व्यवहार करते हैं — के टाइम सीरीज़ व्यवहार पर निर्भर करती हैं यह तय करने के लिए कि उस बैलेंस का कितना हिस्सा लॉन्ग-टर्म स्टेबल फंडिंग माना जा सकता है।
इंटरेस्ट इनकम और कॉस्ट प्रोजेक्शन भी व्यापक रेट साइकल के प्रति संवेदनशील होते हैं, जो खुद मॉनेटरी पॉलिसी निर्णयों से आकार लेता है; Monetary Policy Committee structure द्वारा तय पॉलिसी रेट साइकल बैंक की अपनी क्रेडिट और डिपॉज़िट सीरीज़ के साइक्लिकल घटक में कैसे फीड होता है, यह समझना ABM स्टैटिस्टिक्स मॉड्यूल को सेंट्रल बैंकिंग इलेक्टिव से जोड़ने का एक उपयोगी तरीका है।
यह मॉडलिंग शुरू होने से पहले, बैंकों को साफ, सही तरीके से सैंपल किया गया ऐतिहासिक डेटा चाहिए — यही वजह है कि sampling methods in banking की सांख्यिकीय बुनियाद उतनी ही मायने रखती है जितनी बाद में चुनी गई फोरकास्टिंग तकनीक।
⚠️ हर बैंकर को जो सीमाएं ध्यान में रखनी चाहिए
टाइम सीरीज़ फोरकास्टिंग एक केंद्रीय धारणा पर टिकी है: कि अतीत में देखा गया पैटर्न भविष्य में भी काफी हद तक वैसा ही जारी रहेगा। यह धारणा तब टूट जाती है जब कोई स्ट्रक्चरल शिफ्ट हो — अचानक रेगुलेटरी बदलाव, बड़ा इकोनॉमिक डिसरप्शन, या नई टेक्नोलॉजी या नए कॉम्पिटिंग प्रोडक्ट से प्रेरित ग्राहक व्यवहार में बदलाव। सिर्फ इतिहास को एक्सट्रापोलेट करके बनाए गए फोरकास्ट ऐसे ब्रेक के दौरान गंभीर रूप से गलत हो सकते हैं, इसलिए क्वालिटेटिव जजमेंट और बिज़नेस कॉन्टेक्स्ट को हमेशा सांख्यिकीय आउटपुट के साथ रखना चाहिए।
दूसरी सीमा डेटा की लंबाई है। विश्वसनीय सीज़नल और साइक्लिकल एस्टीमेट के लिए कई वर्षों का लगातार, तुलनीय डेटा चाहिए; छोटे ऑपरेटिंग इतिहास वाले बैंक, या जिसने हाल ही में अपना प्रोडक्ट मिक्स या रिपोर्टिंग डेफिनिशन बदला है, उसके पास सीज़नैलिटी को शोर से भरोसे के साथ अलग करने के लिए पर्याप्त लंबी सीरीज़ नहीं हो सकती।
तीसरी सीमा मॉडल चुनाव से जुड़ी है। जब असली सीज़नल पैटर्न मल्टीप्लिकेटिव हो और एडिटिव मॉडल चुना जाए (या इसके उलट), तो यह फोरकास्ट को व्यवस्थित रूप से बिगाड़ता है, खासकर टर्निंग पॉइंट पर। सीज़नल इंडेक्स भी पुराने पड़ सकते हैं — कई साल पुराने डेटा से एस्टीमेट किया गया सीज़नल पैटर्न मौजूदा ग्राहक व्यवहार को नहीं दर्शा सकता, इसलिए समय-समय पर री-एस्टीमेशन ज़रूरी है।
अंत में, कोई भी फोरकास्टिंग मेथड यह टेस्ट करने की ज़रूरत को खत्म नहीं करता कि देखा गया ट्रेंड सांख्यिकीय रूप से सार्थक है या महज़ एक संयोग — यह सवाल ग्राफ के कैज़ुअल विज़ुअल निरीक्षण के बजाय hypothesis testing के ज़रिए औपचारिक रूप से हल किया जाता है।
⚠️ Watch Out: मूविंग एवरेज फोरकास्ट हमेशा डेटा में असली टर्निंग पॉइंट से पीछे रहेगा — यह पिछली वैल्यू को स्मूथ करता है, इसलिए यह संरचनात्मक रूप से नए ट्रेंड को पकड़ने में धीमा है। यह मान लेने की गलती न करें कि फ्लैट होती मूविंग-एवरेज लाइन का मतलब है कि डिमांड बढ़ना बंद हो गई है।
| Method | कब सबसे बेहतर | हाल के बदलाव पर रिस्पॉन्सिव | सीज़नैलिटी सीधे कैप्चर करता है |
|---|---|---|---|
| Naive method | बहुत शॉर्ट-टर्म, स्थिर सीरीज़ | ✅ | ❌ |
| Moving average | रैंडम शोर को स्मूथ करना | ❌ | ❌ |
| Least squares trend | लॉन्ग-टर्म दिशा का अनुमान लगाना | ❌ | ❌ |
| Exponential smoothing | कभी-कभार टर्निंग पॉइंट वाली सीरीज़ | ✅ | ❌ |
| Seasonal decomposition (T+S+C+I) | स्पष्ट दोहराने वाले साइकल वाली सीरीज़ | Depends on model | ✅ |
📌 Quick Recap: ट्रेंड लंबी दिशा है, सीज़नल तय कैलेंडर पर दोहराता है, साइक्लिकल व्यापक इकोनॉमिक लहर का अनुसरण करता है, और इर्रेगुलर बिना समझाई गई बाकी चीज़ है। एडिटिव मॉडल स्थिर सीज़नल उतार-चढ़ाव के लिए उपयुक्त है; मल्टीप्लिकेटिव मॉडल ट्रेंड के साथ बढ़ने वाले उतार-चढ़ाव के लिए।
किसी भी फोरकास्ट के पीछे की एस्टीमेशन लॉजिक — कि एक बैंकर किसी प्रोजेक्टेड नंबर पर कितना भरोसा कर सकता है, और वह किस रेंज में उचित रूप से आ सकता है — Estimation के तहत कवर किए गए पॉइंट और इंटरवल एस्टीमेशन कॉन्सेप्ट से जुड़ती है, और Advanced Bank Management सिलेबस के पूरे स्टैटिस्टिक्स हिस्से को आपस में जोड़ती है।
📌 मुख्य बिंदु
- बैंकिंग में टाइम सीरीज़ एनालिसिस डीकंपोज़िशन से शुरू होता है — कुछ भी फोरकास्ट करने से पहले ट्रेंड, सीज़नल, साइक्लिकल और इर्रेगुलर घटकों को अलग करें।
- मूविंग एवरेज सीरीज़ को स्मूथ करता है; एक्सपोनेंशियल स्मूथिंग हाल के ऑब्ज़र्वेशन को ज़्यादा वेट देता है। दोनों बैंकिंग में टाइम सीरीज़ एनालिसिस के मुख्य टूल हैं।
- फोरकास्ट एक्युरेसी को MAD, MSE और MAPE जैसे एरर मेजर से आंका जाता है — परीक्षा में आपसे मेथड्स की तुलना करना अपेक्षित है, केवल एक की गणना नहीं।
- डिपॉज़िट ग्रोथ प्रोजेक्शन, ATM कैश प्लानिंग और NPA स्लिपेज एस्टीमेट बैंकिंग में टाइम सीरीज़ एनालिसिस के व्यावहारिक उपयोग हैं जिन पर परीक्षक प्रश्न बनाते हैं।
ऐसी एक्सरसाइज़ में उपयोग होने वाली आधिकारिक डेटा सीरीज़ के लिए, RBI का statistics publications देखें।
🧠 Practice MCQs: Time Series Analysis in Banking
Q1. Which of the following is NOT one of the four classical components of a time series? (a) Trend (b) Seasonal (c) Cyclical (d) Correlational
Answer: (d) - चार क्लासिकल घटक हैं ट्रेंड, सीज़नल, साइक्लिकल और इर्रेगुलर (रैंडम); करेलेशन एक अलग सांख्यिकीय कॉन्सेप्ट है, टाइम सीरीज़ घटक नहीं।
Q2. A repeating pattern in bank credit demand tied to the agricultural sowing and harvest calendar is best described as which component? (a) Trend (b) Seasonal (c) Irregular (d) Structural
Answer: (b) - एक पैटर्न जो तय कैलेंडर साइकल पर दोहराता है, जैसे कृषि सीज़न, उसे सीज़नल वेरिएशन के रूप में वर्गीकृत किया जाता है।
Q3. In a multiplicative time series model, the components are combined by: (a) Adding them together (b) Multiplying them together (c) Subtracting the irregular component (d) Averaging trend and cycle only
Answer: (b) - मल्टीप्लिकेटिव मॉडल ऑब्ज़र्व्ड वैल्यू को ट्रेंड × सीज़नल × साइक्लिकल × इर्रेगुलर के रूप में व्यक्त करता है, और इसका उपयोग तब होता है जब ट्रेंड लेवल बढ़ने के साथ सीज़नल उतार-चढ़ाव भी बढ़ते हैं।
Q4. Which forecasting method assigns progressively smaller weights to older observations? (a) Naive method (b) Simple moving average (c) Exponential smoothing (d) Method of least squares
Answer: (c) - एक्सपोनेंशियल स्मूथिंग हाल के ऑब्ज़र्वेशन को पुराने ऑब्ज़र्वेशन से ज़्यादा वेट देता है, जिससे यह सिंपल मूविंग एवरेज से हाल के टर्निंग पॉइंट के प्रति ज़्यादा रिस्पॉन्सिव बनता है।
Q5. A major limitation of time series forecasting for bank planning is that it: (a) Cannot be applied to monthly data (b) Assumes past patterns continue and can be misled by structural breaks (c) Only works for forex data (d) Requires no historical data at all
Answer: (b) - टाइम सीरीज़ फोरकास्ट ऐतिहासिक पैटर्न को एक्सट्रापोलेट करते हैं, इसलिए एक अचानक स्ट्रक्चरल ब्रेक (रेगुलेटरी बदलाव, झटका, या ग्राहक व्यवहार में बदलाव) फोरकास्ट को अविश्वसनीय बना सकता है।
Want chapter-wise mock tests with 100+ MCQs? Start practising free
Frequently Asked Questions
बैंक के टाइम सीरीज़ डेटा में सीज़नल और साइक्लिकल वेरिएशन में क्या फर्क है?
सीज़नल वेरिएशन तय कैलेंडर साइकल पर दोहराता है, आमतौर पर एक वर्ष के भीतर, जैसे फेस्टिव-सीज़न रिटेल लोन डिमांड। साइक्लिकल वेरिएशन लंबा और अनियमित लंबाई का होता है, जो कैलेंडर के बजाय व्यापक बिज़नेस या क्रेडिट साइकल से जुड़ा है।
बैंक ट्रेंड एस्टीमेशन के लिए मेथड ऑफ लीस्ट स्क्वेयर्स का उपयोग क्यों करते हैं?
मेथड ऑफ लीस्ट स्क्वेयर्स ऐतिहासिक डेटा में एक रेखा फिट करता है जो उस रेखा से स्क्वेयर्ड डेविएशन के योग को न्यूनतम करती है, जिससे सब्जेक्टिव फ्रीहैंड एस्टीमेट के बजाय एक ऑब्जेक्टिव, गणितीय रूप से परिभाषित ट्रेंड मिलता है।
टाइम सीरीज़ एनालिसिस एसेट-लायबिलिटी मैनेजमेंट (ALM) को कैसे सपोर्ट करता है?
ALM कमेटियां सेविंग्स और करंट अकाउंट जैसे नॉन-मैच्योरिटी डिपॉज़िट के ऐतिहासिक व्यवहार का अध्ययन करती हैं यह अनुमान लगाने के लिए कि उस बैलेंस का कितना हिस्सा स्थिर "कोर" फंडिंग है और कितना वोलेटाइल बैलेंस, जो सीधे लिक्विडिटी और इंटरेस्ट-रेट-रिस्क प्लानिंग में जाता है।
क्या मूविंग एवरेज फोरकास्ट बैंकिंग डेटा में असली टर्निंग पॉइंट मिस कर सकता है?
हां। मूविंग एवरेज डिज़ाइन के अनुसार शॉर्ट-टर्म उतार-चढ़ाव को स्मूथ करता है, इसलिए यह असली नए ट्रेंड पर धीमी प्रतिक्रिया देता है और डेटा में असली टर्निंग पॉइंट को कम आंक सकता है या पहचानने में देरी कर सकता है।
बैंकिंग में टाइम सीरीज़ एनालिसिस कोई एक बार की सांख्यिकीय एक्सरसाइज़ नहीं है — यह एक बार-बार उपयोग होने वाला प्लानिंग टूल है जो बैंक भर में ट्रेजरी, क्रेडिट, ALM और बजटिंग फंक्शन को छूता है। CAIIB ABM के लिए, चार घटकों के नाम याद रखने, एडिटिव को मल्टीप्लिकेटिव मॉडल से अलग करने, और हर फोरकास्टिंग मेथड को उसकी उपयुक्त स्थिति से मिलाने पर फोकस करें। इसे व्यापक CAIIB course सामग्री के साथ आगे बढ़ाएं और परीक्षा से पहले free chapter-wise practice tests से अपनी याद्दाश्त जांचें।
Quick quiz on this topic
5 exam-style questions from our free test bank — check yourself before you move on.
Practice this topic
मुफ़्त मॉक टेस्ट दें, चैप्टर PDF डाउनलोड करें या वीडियो क्लास देखें — सब iibf.store पर मुफ़्त है।
