Як великі дані змінили фінанси

Величезне розповсюдження даних та зростаючі технологічні складності продовжують трансформувати спосіб діяльності та конкуренцію галузей. За останні кілька років 90 відсотків даних у світі було створено в результаті створення 2, 5 квінтиліонних байт даних щодня. Швидке зростання та зберігання, яке зазвичай називають великими даними, створює можливості для збору, обробки та аналізу структурованих та неструктурованих даних.

Слідом за великими даними 3 V, організації використовують дані та аналітику, щоб отримати цінні уявлення для інформування кращих бізнес-рішень. Галузі, які прийняли використання великих даних, включають фінансові послуги, технології, маркетинг та охорону здоров'я. Прийняття великих даних продовжує визначати конкурентний ландшафт галузей. За оцінками, 89 відсотків підприємств вважають, що ті, хто не має стратегії аналітики, ризикують втратити конкурентну перевагу на ринку.

Фінансові служби, зокрема, широко прийняли аналітику великих даних для інформування кращих інвестиційних рішень з постійною віддачею. У поєднанні з великими даними алгоритмічна торгівля використовує великі історичні дані зі складними математичними моделями для максимізації прибутку портфеля. Постійне прийняття великих даних неминуче перетворить ландшафт фінансових послуг. Однак, поряд із його очевидними перевагами, залишаються значні проблеми щодо здатності великих даних захоплювати основний об'єм даних.

3 V великих даних

3 V є основними для великих даних: обсягу, різноманітності та швидкості. Зустрічаючись із посиленням конкуренції, регуляторними обмеженнями та потребами клієнтів, фінансові установи шукають нових шляхів використання технологій для підвищення ефективності. Залежно від галузі, компанії можуть використовувати певні аспекти великих даних для отримання конкурентної переваги.

Швидкість - швидкість, з якою дані повинні зберігатися та аналізуватися. Нью-Йоркська фондова біржа щодня фіксує 1 терабайт інформації. До 2016 року на Землі було 18, 9 мільярдів мережевих підключень, приблизно 2, 5 з'єднання на людину на Землі. Фінансові установи можуть відмежувати себе від конкуренції, орієнтуючись на ефективну та швидку обробку торгів.

Великі дані можна класифікувати як неструктуровані або структуровані дані. Неструктуровані дані - це інформація, яка неорганізована і не належить до заздалегідь визначеної моделі. Сюди входять дані, зібрані з джерел соціальних медіа, які допомагають установам збирати інформацію про потреби клієнта. Структуровані дані складаються з інформації, якою вже керує організація у реляційних базах даних та електронних таблицях. Як результат, різними формами даних необхідно активно керувати, щоб інформувати кращі бізнес-рішення.

Зростаючий обсяг ринкових даних є великим викликом для фінансових установ. Поряд з величезними історичними даними, банківському та ринковому капіталу потрібно активно керувати даними про тикер. Так само інвестиційні банки та фірми з управління активами використовують обширні дані для прийняття обґрунтованих інвестиційних рішень. Страхові та пенсійні фірми можуть отримати доступ до минулої поліси та інформації про претензії для активного управління ризиками. (Докладніше дивіться: Кванти: Ракетні вчені з Уолл-стріт .)

Алгоритмічна торгівля

Алгоритмічна торгівля стала синонімом великих даних через зростаючі можливості комп'ютерів. Автоматизований процес дозволяє комп’ютерним програмам здійснювати фінансові торги зі швидкістю та частотами, які не може торговець людьми. В рамках математичних моделей алгоритмічна торгівля забезпечує торги, що здійснюються за найкращими можливими цінами та своєчасним розміщенням торгівлі, і зменшує помилки вручну через фактори поведінки.

Установи можуть ефективніше скорочувати алгоритми для включення величезних обсягів даних, використовуючи великі обсяги історичних даних для зворотних стратегій, таким чином створюючи менш ризикові інвестиції. Це допомагає користувачам ідентифікувати корисні дані для збереження, а також дані низького значення, які потрібно відкинути. Зважаючи на те, що алгоритми можна створювати за допомогою структурованих і неструктурованих даних, включення в один алгоритмічний механізм новин у реальному часі, соціальних медіа та даних про запаси може генерувати кращі торгові рішення. На відміну від прийняття рішень, на які можуть впливати різні джерела інформації, емоції та упередженість людини, алгоритмічні торги здійснюються виключно на фінансових моделях та даних.

Радники Robo використовують алгоритми інвестування та величезну кількість даних на цифровій платформі. Інвестиції формуються за допомогою сучасної теорії портфоліо, яка, як правило, підтримує довгострокові інвестиції для підтримки постійної доходності та вимагає мінімальної взаємодії з людськими фінансовими радниками. (Докладніше див.: Основи алгоритмічної торгівлі: поняття та приклади .)

Виклики

Незважаючи на те, що галузь фінансових послуг все більше охоплює великі дані, у цій галузі все ще існують значні проблеми. Найголовніше, що збір різних неструктурованих даних підтримує занепокоєння щодо конфіденційності. Особиста інформація може бути зібрана щодо прийняття рішення особи через соціальні медіа, електронні листи та медичні записи.

Зокрема, саме у фінансових службах більшість критичних питань потрапляє до аналізу даних. Самий об'єм даних вимагає більшої досконалості статистичних методик для отримання точних результатів. Зокрема, критики завищують сигнал на шум як зразки хибних кореляцій, що представляють статистично надійні результати виключно випадково. Аналогічно, алгоритми, засновані на економічній теорії, зазвичай вказують на можливості довгострокового інвестування через тенденції в історичних даних. Ефективне отримання результатів, що підтримують короткострокову інвестиційну стратегію, є властивими проблемами прогнозних моделей.

Суть

Великі дані продовжують трансформувати ландшафт різних галузей, зокрема фінансових послуг. Багато фінансових установ застосовують аналітику великих даних для підтримки конкурентної переваги. За допомогою структури та неструктурованих даних складні алгоритми можуть виконувати торги, використовуючи ряд джерел даних. Людські емоції та упередженість можна мінімізувати за допомогою автоматизації; однак торгівля великим аналізом даних має свій специфічний набір завдань. На сьогодні отримані статистичні результати не були повністю сприйняті завдяки відносній новинці галузі. Однак, оскільки тенденція фінансових послуг до великих даних та автоматизації, вдосконалення статистичних методик підвищить точність.