Jak velká data změnila finance

Rozsáhlé rozšiřování údajů a rostoucí technologické složitosti stále mění způsob fungování a konkurence průmyslových odvětví. Během několika posledních let bylo 90 procent dat na světě vytvořeno v důsledku vytváření 2, 5 kvintilionů bajtů dat denně. Tento rychlý růst a ukládání, běžně označovaný jako velká data, vytváří příležitosti pro sběr, zpracování a analýzu strukturovaných a nestrukturovaných dat.

V návaznosti na 3 V velkých dat používají organizace data a analytiku k získání cenných informací pro lepší obchodní rozhodnutí. Mezi průmyslová odvětví, která přijala použití velkých dat, patří například finanční služby, technologie, marketing a zdravotní péče. Přijímání velkých dat nadále předefinuje konkurenční prostředí průmyslových odvětví. Odhaduje se, že 89 procent podniků věří, že bez analytické strategie riskují ztrátu konkurenční výhody na trhu.

Zejména finanční služby zavedly analytiku velkých dat s cílem informovat lepší investiční rozhodnutí s konzistentními výnosy. Ve spojení s velkými daty využívá algoritmické obchodování obrovské historické údaje s komplexními matematickými modely k maximalizaci výnosů portfolia. Pokračující přijímání velkých dat nevyhnutelně promění krajinu finančních služeb. Avšak spolu s jeho zjevnými výhodami přetrvávají významné výzvy, pokud jde o schopnost velkých dat zachytit rostoucí objem dat.

3 V z velkých dat

3 V jsou zásadní pro velká data: objem, rozmanitost a rychlost. Finanční instituce, které čelí rostoucí konkurenci, regulačním omezením a potřebám zákazníků, hledají nové způsoby, jak využít technologii k dosažení efektivity. V závislosti na odvětví mohou společnosti využít určité aspekty velkých dat k získání konkurenční výhody.

Rychlost je rychlost, při které musí být data ukládána a analyzována. Burza cenných papírů v New Yorku zachycuje každý den 1 terabajt informací. Do roku 2016 bylo odhadováno 18, 9 miliard připojení k síti, s přibližně 2, 5 připojeními na osobu na Zemi. Finanční instituce se mohou od konkurence odlišit zaměřením na efektivní a rychlé zpracování obchodů.

Velká data lze klasifikovat jako nestrukturovaná nebo strukturovaná data. Nestrukturovaná data jsou informace, které jsou neorganizované a nespadají do předem určeného modelu. To zahrnuje data získaná ze zdrojů sociálních médií, která pomáhají institucím shromažďovat informace o potřebách zákazníků. Strukturovaná data sestávají z informací, které již organizace spravuje v relačních databázích a tabulkách. V důsledku toho musí být různé formy dat aktivně spravovány, aby bylo možné lépe informovat o obchodních rozhodnutích.

Rostoucí objem údajů o trhu představuje pro finanční instituce velkou výzvu. Spolu s rozsáhlými historickými údaji musí bankovní a kapitálové trhy aktivně spravovat data tickerů. Stejně tak investiční banky a společnosti spravující aktiva používají objemná data k přijímání správných investičních rozhodnutí. Pojišťovací a penzijní společnosti mohou přistupovat k minulým pojistkám a informacím o nárokech za účelem aktivního řízení rizik. (Více viz: Quants: The Rocket Scientists Of Wall Street .)

Algoritmické obchodování

Algoritmické obchodování se stalo synonymem pro velká data díky rostoucím schopnostem počítačů. Automatizovaný proces umožňuje počítačovým programům provádět finanční obchody rychlostí a frekvencemi, které lidský obchodník nemůže. V rámci matematických modelů poskytuje algoritmické obchodování obchody prováděné za nejlepší možné ceny a včasné umístění obchodů a snižuje manuální chyby v důsledku behaviorálních faktorů.

Instituce mohou účinněji omezit algoritmy pro začlenění velkého množství dat a využívat velké objemy historických dat k nejstarším strategiím, a vytvářet tak méně rizikové investice. To pomáhá uživatelům identifikovat užitečná data, která mají být uchována, stejně jako data s nízkou hodnotou, která se mají zahodit. Vzhledem k tomu, že algoritmy lze vytvářet se strukturovanými a nestrukturovanými daty, může začlenění zpráv v reálném čase, sociálních médií a dat o akciích do jednoho algoritmického motoru generovat lepší obchodní rozhodnutí. Na rozdíl od rozhodování, které může být ovlivněno různými zdroji informací, lidskými emocemi a zaujatostí, jsou algoritmické obchody prováděny výhradně na finančních modelech a datech.

Robo poradci používají investiční algoritmy a obrovské množství dat na digitální platformě. Investice jsou koncipovány prostřednictvím teorie moderního portfolia, která obvykle podporuje dlouhodobé investice k udržení konzistentních výnosů a vyžaduje minimální interakci s lidskými finančními poradci. (Více viz: Základy algoritmického obchodování: koncepty a příklady .)

Výzvy

Navzdory tomu, že odvětví finančních služeb stále více přijímá velká data, v této oblasti stále přetrvávají významné výzvy. A co je nejdůležitější, sběr různých nestrukturovaných dat podporuje obavy o soukromí. Osobní informace lze shromažďovat o rozhodování jednotlivce prostřednictvím sociálních médií, e-mailů a zdravotních záznamů.

Konkrétně u finančních služeb spadá většina kritiky do analýzy dat. Čistý objem dat vyžaduje větší sofistikovanost statistických technik, aby bylo možné získat přesné výsledky. Kritici zejména přecenili signál na šum jako vzorce falešných korelací, což představuje statisticky robustní výsledky čistě náhodou. Podobně algoritmy založené na ekonomické teorii obvykle poukazují na dlouhodobé investiční příležitosti díky trendům v historických datech. Efektivní vytváření výsledků podporujících krátkodobou investiční strategii jsou pro prediktivní modely neodmyslitelnou výzvou.

Sečteno a podtrženo

Velká data nadále transformují krajinu různých průmyslových odvětví, zejména finančních služeb. Mnoho finančních institucí přijímá analytiku velkých dat, aby si udrželo konkurenční výhodu. Prostřednictvím struktury a nestrukturovaných dat mohou složité algoritmy provádět obchody pomocí řady zdrojů dat. Lidské emoce a zaujatost lze minimalizovat automatizací; obchodování s analýzou velkých dat však má svůj vlastní specifický soubor výzev. Dosud vytvořené statistické výsledky nebyly vzhledem k relativní novosti pole plně přijaty. S trendem finančních služeb směrem k velkým datům a automatizaci však sofistikovanost statistických technik zvýší přesnost.