Большие данные не являются новыми для Уолл-стрит. Финансовый мир работает с данными, поэтому каждая возможность получить больше и получить его быстрее была охвачена фондовым рынком с момента запуска первых телеграфных линий. Тем не менее, разнообразие или источники и типы данных, доступных для инвесторов и трейдеров, выросли до потока, когда человеческий разум просто не может поглощать и обрабатывать все это. Из-за этого физического ограничения новая индустрия прогнозирующего анализа разработала, чтобы осмыслить большие данные и дать инвесторам рекомендации по покупке и продаже в режиме реального времени на основе шаблонов, формирующихся в данных задолго до развития традиционных рыночных сигналов. В этой статье мы рассмотрим прогнозную аналитику и что это означает для инвесторов.

Разнообразие, скорость и объем

Три разновидности Vs, скорость и громкость часто используются для описания и определения больших данных. Вам нужно, чтобы все трое делали какой-либо осмысленный анализ. Разнообразие относится к каналам данных, которые используются. Это может быть все, от упоминаний социальных сетей до метеорологических отчетов и объемных данных транзакций. Объем - это объем поступающих данных и, как и все Vs, лучше. Объем и разнообразие данных позволяют исключить или исключить выбросы и привести к более точным данным в целом. Скорость - это просто скорость, с которой поступают данные. Для того, чтобы интеллектуальная аналитика была ценной с точки зрения вождения прибыльной торговли, данные должны быть доступны быстро для анализа, что означает постоянный поток самой последней информации. (Для дальнейшего чтения, проверьте: Как изменились большие данные по финансам .)

Моделирование данных

Все эти большие данные передаются в разные алгоритмы для фильтрации и взвешивания значения шаблонов, которые появляются. Алгоритмы объединяются для создания модели, которая дает прогнозы на краткосрочные рыночные движения и рекомендуемое действие, основанное на предсказании. Разумеется, нет никаких оснований ограничивать его одной моделью, поэтому несколько моделей с разными фокусами - например, движение индекса по сравнению с конкретным запасом - могут выполняться в одном и том же потоке больших данных. Это требует большой вычислительной мощности и даже большего объема памяти, поскольку модели создаются и тестируются на исторических больших данных, поэтому данные не могут быть выброшены. (Подробнее о финансовом моделировании см. Финансовые модели, которые вы можете создать с помощью Excel .)

Скорость информации

Основное различие между прогнозирующей аналитикой и, например, менеджером человеческих фондов - это скорость принятия решений. Представьте, что ваш фонд имеет инвестиции в сеть ресторанов. Управляющий фондом будет следить за инвестициями, по крайней мере, ежеквартально, проверяя рентабельность, доходность инвестированного капитала, продажи в том же магазине и другие ключевые показатели эффективности, которые раскрываются компанией для своих инвесторов.Если менеджер увидит тренд, скажем, что продажи с аналогичными магазинами и эрозия прибыли по сравнению с прошлым кварталом, она может решить продать акции. Если наоборот, она может решить купить больше.

Теперь держите этого же менеджера фонда с прогностической моделью, потянув за собой данные со всех сторон. Вместо того, чтобы ждать ежеквартальных отчетов, она может видеть модели, приближающиеся к изменениям в продажах в том же магазине, на основе сообщений социальных сетей по перекрестку клиента, на которые ссылаются данные транзакции и данные GPS от пользователей-пользователей смартфонов для всех местоположений. Аналитическое программное обеспечение помогает ей в добыче данных и рекомендует действие, позволяющее ей выгружать или добавлять к позиции задолго до того, как изменения в продажах появятся в официальном документе. Другими словами, больше нет времени на то, чтобы увидеть результаты компании, поэтому инвестиционные решения могут быть сделаны по самой последней информации, которая приближается к фактической ситуации компании. (Подробнее см. Ниже: Data Mining для инвесторов .)

Теперь полностью отвлечь менеджера от уравнения и позволить модели напрямую торговать, а затем мы имеем представление о том, куда идет прогнозная аналитика.

Ограничения

Есть все еще некоторые ограничения в том, что можно сделать с большими данными, насколько это возможно. Чтобы подавать предсказательные модели, разнообразные данные часто должны быть преобразованы в пригодную для использования форму. Например, сообщения в социальных сетях могут быть преобразованы в сигналы настроений путем анализа слов как отрицательных или позитивных в контексте анализируемой компании или отрасли. Затем эти чувства могут быть измерены и проанализированы далее для обеспечения ввода в модель.

Существуют и другие типы данных, которые могут напрямую загружаться в модель, но разнообразие, которое дает модели более прогностическую способность, также означает, что данные будут классифицированы и проанализированы до того, как их можно будет использовать. Это отставание, хотя и небольшое, замедляет анализ потока данных, поэтому мы не совсем в том месте, где модель работает в реальном реальном времени. Однако из-за того, что анализ тенденций используется для прогнозирования будущих движений, это не является значительным препятствием, и это тот, который будет преодолен в ближайшее время, когда все больше умов и больше ресурсов будут направлены на компании, предлагающие эти услуги.

Что еще более важно, успешная продолжительность жизни любой конкретной модели ограничена, так как другие открывают и начинают торговать с одними и теми же источниками данных и шаблонами. Существует некоторая возможность для эксклюзивности некоторых источников данных, но ученые-данные, как правило, могут найти другие факторы, чтобы стоять за запатентованные данные или корреляции, которые отражают движения в недостающих данных. Таким образом, продвижение в аналитическом анализе требует, чтобы мозг мог справляться с неструктурированными данными, а также настраивать и тестировать новые алгоритмы, а также вычислительную мощность и память на стороне ИТ. Из-за этих ограничений и издержек интеллектуальная аналитика для торговли акциями обычно продается фондам, в частности хедж-фондам, а не продает инвесторам.(Для получения дополнительной информации ознакомьтесь с учебным пособием Investoredia Учебное пособие по хедж-фондам .)

Нижняя строка

Основное значение прогнозирующей аналитики прямо сейчас является инструментом, который компания может использовать внутри для оптимизации процессов как перекрестная продажа, соответствие, маркетинг и так далее. Тем не менее, интеллектуальная аналитика может использоваться с инвестиционной точки зрения даже без полного доступа к внутренним данным компании. Технология будет улучшаться, и скорость, с которой могут быть приняты торговые решения, будет стремиться быстрее по мере увеличения данных и точности прогнозов. Прогностическая аналитика будет помогать трейдерам с кратковременными таймфреймами. Это также позволит автоматизировать торговлю с использованием прогнозирующих моделей, хотя многие на рынке все еще помнят очень реальные проблемы, которые можно проследить до компьютерной торговли.

Будет ли прогнозирующая аналитика приносить пользу обычным инвесторам, это более важный вопрос. Сколько внимания уделяется краткосрочным данным? Некоторые из наиболее успешных инвесторов выиграли, проигнорировав краткосрочную картину в обмен на долгосрочную работу. Смогут ли они по-прежнему игнорировать краткосрочный период, когда показатели ежеквартальных отчетов обновляются ежедневно, а также потоки показателей настроений, которые ранее невозможно было зафиксировать?

Легко сказать, что при инвестировании, как и в разговоре, слишком много информации может быть плохой, но это может быть только случай удержания в мире, к которому мы привыкли. Время покажет, является ли интеллектуальная аналитика ценным источником понимания или другим источником краткосрочного рыночного шума.