Kaip dideli duomenys pakeitė finansus

Didelis duomenų gausėjimas ir didėjantis technologinis sudėtingumas ir toliau keičia pramonės veiklą ir konkurenciją. Per pastaruosius kelerius metus 90 procentų duomenų pasaulyje buvo sukurti dėl to, kad kasdien sukuriama 2, 5 kvintilono baitų duomenų. Šis spartus augimas ir saugojimas, paprastai vadinamas dideliais duomenimis, sukuria galimybes rinkti, apdoroti ir analizuoti struktūrizuotus ir nestruktūrizuotus duomenis.

Atsižvelgdamos į 3 V didelius duomenis, organizacijos naudoja duomenis ir analizę, kad įgytų vertingos informacijos apie geresnius verslo sprendimus. Pramonės šakos, kurios pradėjo naudoti didelius duomenis, apima finansines paslaugas, technologijas, rinkodarą ir sveikatos priežiūrą. Priėmus didelius duomenis ir toliau iš naujo apibrėžta pramonės konkurencinė aplinka. Apskaičiuota, kad 89 proc. Įmonių mano, kad neturinčios analizės strategijos rizikuoja prarasti konkurencinį pranašumą rinkoje.

Visų pirma, finansinės paslaugos plačiai pritaikė didžiųjų duomenų analizę, kad galėtų priimti geresnius investavimo sprendimus ir gauti nuoseklią grąžą. Kartu su dideliais duomenimis, norint padidinti portfelio grąžą, algoritminė prekyba naudoja daugybę istorinių duomenų su sudėtingais matematiniais modeliais. Nuolatinis didelių duomenų priėmimas neišvengiamai pakeis finansinių paslaugų aplinką. Tačiau kartu su akivaizdžiais pranašumais išlieka dideli iššūkiai, susiję su didelių duomenų gebėjimu surinkti didėjantį duomenų kiekį.

3 V didžiųjų duomenų

3 V yra labai svarbūs dideliems duomenims: tūris, įvairovė ir greitis. Susidūrusios su didėjančia konkurencija, reguliavimo apribojimais ir klientų poreikiais, finansų įstaigos ieško naujų būdų, kaip panaudoti technologijas, kad būtų padidintas efektyvumas. Priklausomai nuo pramonės šakos, įmonės gali naudoti tam tikrus didelių duomenų aspektus, kad įgytų konkurencinį pranašumą.

Greitis yra greitis, kuriuo duomenys turi būti saugomi ir analizuojami. Niujorko vertybinių popierių birža per dieną užfiksuoja 1 terabaitą informacijos. Apytiksliai iki 2016 m. Buvo 18, 9 milijardo tinklo jungčių, apytiksliai 2, 5 jungčių vienam asmeniui Žemėje. Finansų institucijos gali atskirti save nuo konkurencijos, daugiausia dėmesio skirdamos efektyviam ir greitam sandorių apdorojimui.

Didelius duomenis galima suskirstyti į nestruktuotus ar struktūrizuotus duomenis. Nestruktūrizuoti duomenys yra neorganizuota informacija, nepatenkanti į iš anksto nustatytą modelį. Tai apima duomenis, surinktus iš socialinės žiniasklaidos šaltinių, kurie padeda įstaigoms rinkti informaciją apie klientų poreikius. Struktūrinius duomenis sudaro informacija, kurią organizacija jau valdo reliacinėse duomenų bazėse ir skaičiuoklėse. Dėl to reikia aktyviai valdyti įvairias duomenų formas, kad būtų galima priimti geresnius verslo sprendimus.

Didėjantis rinkos duomenų kiekis yra didelis iššūkis finansų įstaigoms. Kartu su gausiais istoriniais duomenimis, bankų ir kapitalo rinkose reikia aktyviai valdyti duomenis apie variklius. Investiciniai bankai ir turto valdymo įmonės taip pat naudoja didelius duomenis priimant pagrįstus investicinius sprendimus. Draudimo ir išėjimo į pensiją įmonės gali naudotis ankstesne politika ir pretenzijų informacija, kad galėtų aktyviai valdyti riziką. (Norėdami sužinoti daugiau, skaitykite: „ Quants: Wall Street Scotists“ .)

Algoritminė prekyba

Dėl augančių kompiuterių galimybių algoritminė prekyba tapo stambių duomenų sinonimu. Automatizuotas procesas leidžia kompiuterių programoms vykdyti finansinius sandorius tokiu greičiu ir dažnumu, kokio negali prekybininkas žmogus. Matematiniuose modeliuose algoritminė prekyba suteikia sandorius, vykdomus geriausiomis įmanomomis kainomis ir tinkamu laiku parduoti, ir sumažina rankinio pobūdžio klaidas dėl elgesio veiksnių.

Įstaigos gali veiksmingiau sutrumpinti algoritmus, kad būtų galima įtraukti didžiulius duomenų kiekius, panaudojant didelius istorinių duomenų kiekius atgaline data pagrįstoms strategijoms, taip sukuriant mažiau rizikingų investicijų. Tai padeda vartotojams nustatyti naudingus duomenis, kuriuos reikia saugoti, taip pat mažos vertės duomenis, kuriuos reikia atsisakyti. Atsižvelgiant į tai, kad algoritmus galima sukurti naudojant struktūrizuotus ir nestruktūrizuotus duomenis, į vieną algoritminį variklį įtraukiant realaus laiko naujienas, socialinę terpę ir akcijų duomenis, galima sugeneruoti geresnius prekybos sprendimus. Skirtingai nuo sprendimų priėmimo, kuriam gali turėti įtakos įvairūs informacijos šaltiniai, žmogaus emocijos ir šališkumas, algoritminiai sandoriai vykdomi tik pagal finansinius modelius ir duomenis.

„Robo“ patarėjai naudoja investavimo algoritmus ir didžiulį duomenų kiekį skaitmeninėje platformoje. Investicijos yra nustatomos remiantis šiuolaikinio portfelio teorija, kuri paprastai patvirtina ilgalaikes investicijas, kad būtų išlaikyta pastovi grąža, ir reikalaujančios minimalios sąveikos su žmogiškaisiais finansų patarėjais. (Norėdami sužinoti daugiau, skaitykite: Algoritminės prekybos pagrindai: sąvokos ir pavyzdžiai .)

Iššūkiai

Nepaisant to, kad finansinių paslaugų pramonė vis labiau įsisavina didelius duomenis, vis dar yra rimtų iššūkių šioje srityje. Svarbiausia, kad įvairių nestruktūrizuotų duomenų rinkimas palaiko susirūpinimą dėl privatumo. Asmeninę informaciją apie asmens sprendimus galima rinkti per socialinę terpę, elektroninius laiškus ir sveikatos įrašus.

Kalbant konkrečiai apie finansines paslaugas, daugiausia kritikos tenka duomenų analizei. Didesniam duomenų kiekiui reikia tikslesnių statistinių metodų, kad būtų gauti tikslūs rezultatai. Visų pirma, kritikai pervertina triukšmo signalą kaip apgaulingų koreliacijų modelius, statistiškai patikimus rezultatus pateikdami tik atsitiktinai. Taip pat algoritmai, pagrįsti ekonomine teorija, paprastai nurodo ilgalaikių investicijų galimybes dėl istorinių duomenų tendencijų. Prognozuojamųjų modelių iššūkiai yra veiksmingi rezultatai, palaikantys trumpalaikę investavimo strategiją.

Esmė

Dideli duomenys ir toliau keičia įvairių pramonės sričių, ypač finansinių paslaugų, kraštovaizdį. Daugelis finansų įstaigų, norėdamos išlaikyti konkurencinį pranašumą, renkasi didelę duomenų analizę. Dėl struktūros ir nestruktūrizuotų duomenų sudėtingi algoritmai gali vykdyti sandorius naudodamiesi daugybe duomenų šaltinių. Žmogaus emocijas ir šališkumą galima sumažinti automatizuojant; tačiau prekyba didelių duomenų analize turi savo specifinius iššūkius. Iki šiol pateikti statistiniai rezultatai nebuvo visiškai įvertinti dėl santykinio srities naujumo. Tačiau kadangi finansinės paslaugos keičiasi dideliais duomenimis ir automatizavimu, statistinių metodų tobulinimas padidins tikslumą.