Огромное распространение данных и растущие технологические сложности продолжают трансформировать то, как отрасли работают и конкурируют. За последние два года 90% данных в мире было создано в результате создания ежедневных ежедневных данных объемом 2,5 байта. Этот быстрый рост и хранение обычно называют большими данными, что создает возможности для сбора, обработки и анализа структурированных и неструктурированных данных.

После 3 В больших данных, организации используют данные и аналитику, чтобы получить ценную информацию, чтобы информировать о более эффективных бизнес-решениях. Отрасли, принявшие использование больших данных, включают в себя финансовые услуги, технологии, маркетинг и здравоохранение, чтобы назвать некоторые из них. Принятие больших данных продолжает пересматривать конкурентный ландшафт отраслей. По оценкам, 89 процентов предприятий считают, что те, у кого нет стратегии аналитики, рискуют потерять конкурентное преимущество на рынке.

Финансовые услуги, в частности, широко применяют большую аналитику данных для более эффективного принятия инвестиционных решений с последовательной отдачей. В сочетании с большими данными алгоритмическая торговля использует огромные исторические данные со сложными математическими моделями для максимизации доходности портфеля. Продолжающееся принятие больших данных неизбежно преобразит ландшафт финансовых услуг. Однако наряду с очевидными преимуществами остаются значительные проблемы в отношении способности больших данных фиксировать объем данных. (Подробнее см. Большая игра в больших данных .)

3 V больших данных

3 V являются фундаментальными для больших данных: объем, разнообразие и скорость. Перед растущей конкуренцией, ограничениями регулирования и потребностями клиентов финансовые учреждения ищут новые способы использования технологий для повышения эффективности. В зависимости от отрасли компании могут использовать определенные аспекты больших данных для получения конкурентного преимущества.

Скорость - это скорость, с которой данные должны храниться и анализироваться. Нью-Йоркская фондовая биржа фиксирует 1 терабайт информации в течение каждого дня. К 2016 году к 2016 году к 2016 году будет подключено 18,9 миллиарда сетевых подключений с примерно 2,5 подключениями на человека на Земле. Финансовые учреждения могут отличать себя от конкуренции, сосредоточившись на эффективной и быстрой обработке сделок.

Большие данные могут быть классифицированы как неструктурированные или структурированные данные. Неструктурированные данные представляют собой неорганизованную информацию и не попадают в заранее определенную модель. Сюда входят данные, собранные из источников в социальных сетях, которые помогают учреждениям собирать информацию о потребностях клиентов. Структурированные данные состоят из информации, уже управляемой организацией в реляционных базах данных и электронных таблицах.В результате необходимо активно управлять различными формами данных, чтобы информировать о более эффективных бизнес-решениях.

Возрастающий объем рыночных данных представляет собой серьезную проблему для финансовых учреждений. Наряду с обширными историческими данными, банки и рынки капитала должны активно управлять данными тикера. Аналогичным образом, инвестиционные банки и фирмы по управлению активами используют объемные данные для принятия обоснованных инвестиционных решений. Страховые и пенсионные фирмы могут получить доступ к прошлой политике и информации о претензиях для активного управления рисками. (Более подробно см .: Quants: Rocket Scientists of Wall Street .)

Алгоритмическая торговля

Алгоритмическая торговля стала синонимом больших данных из-за растущих возможностей компьютеров. Автоматизированный процесс позволяет компьютерным программам выполнять финансовые сделки со скоростью и частотами, которые человек-трейдер не может. В рамках математических моделей алгоритмическая торговля обеспечивает проведение торгов по максимально возможным ценам и своевременному размещению торговых мест и снижает ручные ошибки из-за поведенческих факторов.

Учреждения могут более эффективно сокращать алгоритмы для включения огромных объемов данных, используя большие объемы исторических данных для стратегий backtest, тем самым создавая менее рискованные инвестиции. Это помогает пользователям идентифицировать полезные данные для хранения, а также данные с низким значением, которые нужно удалить. Учитывая, что алгоритмы могут быть созданы с использованием структурированных и неструктурированных данных, включение новостей в реальном времени, социальных сетей и данных о запасах в один алгоритмический движок может генерировать лучшие торговые решения. В отличие от принятия решений, на которые могут влиять различные источники информации, человеческие эмоции и предвзятость, алгоритмические сделки выполняются исключительно на финансовых моделях и данных.

Консультанты Robo используют инвестиционные алгоритмы и огромное количество данных на цифровой платформе. Инвестиции основаны на современной теории портфеля, которая, как правило, поддерживает долгосрочные инвестиции для поддержания постоянной доходности и требует минимального взаимодействия с человеческими финансовыми консультантами. (Подробнее см. Ниже: Основы алгоритмической торговли: концепции и примеры .)

Задачи

Несмотря на то, что индустрия финансовых услуг увеличивает охват больших данных, в этой области по-прежнему существуют значительные проблемы. Самое главное, что сбор различных неструктурированных данных поддерживает проблемы конфиденциальности. Личная информация может быть собрана о принятии решения лицом через социальные сети, электронные письма и записи о здоровье.

В рамках финансовых услуг, в частности, большая часть критики приходится на анализ данных. Огромный объем данных требует большей сложности статистических методов для получения точных результатов. В частности, критики перенаправляют сигнал на шум как образцы ложных корреляций, представляя статистически устойчивые результаты исключительно случайно. Аналогично, алгоритмы, основанные на экономической теории, обычно указывают на возможности долгосрочных инвестиций из-за тенденций в исторических данных. Эффективное получение результатов, поддерживающих краткосрочную инвестиционную стратегию, является неотъемлемой частью прогнозирующих моделей.

Нижняя линия

Большие данные продолжают трансформировать ландшафт различных отраслей, особенно финансовых услуг. Многие финансовые учреждения используют большую аналитику данных для поддержания конкурентного преимущества. Через структуру и неструктурированные данные сложные алгоритмы могут выполнять сделки с использованием нескольких источников данных. Человеческая эмоция и предвзятость могут быть сведены к минимуму благодаря автоматизации; однако торговля крупным анализом данных имеет свой собственный набор проблем. Статистические результаты, полученные до сих пор, не были полностью охвачены из-за относительной новизны поля. Однако, поскольку финансовые услуги направлены на большие данные и автоматизацию, сложность статистических методов повысит точность.