Obrovské šíření dat a rostoucí technologická složitost nadále mění způsob, jakým průmysl funguje a konkuruje. Během posledních dvou let bylo vytvořeno 90 procent dat na světě jako výsledek vytvoření 2. 5 quintilionových bajtů dat na denní bázi. Běžně označovaný jako velké údaje, tento rychlý růst a ukládání vytváří příležitosti pro shromažďování, zpracování a analýzu strukturovaných a nestrukturovaných dat.

V návaznosti na velké údaje o 3 V organizace používají údaje a analýzy, aby získaly cenné informace, které by umožnily informovat o podnikatelských rozhodnutích. Odvětví, která přijala použití velkých dat, zahrnují finanční služby, technologie, marketing a zdravotní péči. Přijetí velkých dat neustále znovu definuje konkurenční prostředí průmyslových odvětví. Odhaduje se, že 89% podniků se domnívá, že osoby bez strategie analýzy pravděpodobně ztrácejí konkurenční výhodu na trhu.

Finanční služby zejména přijaly rozsáhlou analýzu dat s cílem informovat o investičních rozhodnutích s důslednými výnosy. Ve spojení s velkými daty používá algoritmické obchodování rozsáhlé historické údaje se složitými matematickými modely, které maximalizují návratnost portfolia. Pokračující přijímání velkých dat nevyhnutelně přemění životní prostředí finančních služeb. Nicméně společně se zjevnými výhodami přetrvávají významné problémy, pokud jde o schopnost velkých dat zachytit rostoucí objem dat. (Pro více informací viz: Velká hra ve velkých datech .)

3 V z velkých dat

3 V jsou zásadní pro velké údaje: objem, rozmanitost a rychlost. V souvislosti s narůstající konkurencí, regulačními omezeními a potřebami zákazníků hledají finanční instituce nové způsoby, jak využít technologie k získání efektivity. V závislosti na odvětví mohou společnosti využít určité aspekty velkých dat, aby získaly konkurenční výhodu.

Rychlost je rychlost, při které musí být data uložena a analyzována. New York Stock Exchange zachycuje 1 terabajt informací během každého dne. Do roku 2016 se odhaduje, že do roku 2016 bude k dispozici 18,9 miliardy síťových připojení, přičemž zhruba 2 5 připojení na osobu na Zemi. Finanční instituce se mohou od konkurence lišit tím, že se zaměřují na efektivní a rychlé zpracování obchodů.

Velká data mohou být kategorizována jako nestrukturovaná nebo strukturovaná data. Nestrukturované údaje jsou informace, které jsou neorganizované a nespadají do předem určeného modelu. To zahrnuje údaje shromážděné ze zdrojů sociálních médií, které pomáhají institucím shromažďovat informace o potřebách zákazníků. Strukturované údaje se skládají z informací, které organizace již spravuje v relačních databázích a tabulkách.V důsledku toho musí být různé formy údajů aktivně řízeny, aby bylo možné informovat o podnikatelských rozhodnutích.

Rostoucí objem tržních údajů představuje pro finanční instituce velkou výzvu. Spolu s rozsáhlými historickými daty potřebují bankovní a kapitálové trhy aktivně spravovat údaje o tickerech. Podobně investiční banky a správcovské společnosti používají rozsáhlé údaje k tomu, aby mohly přijímat řádná investiční rozhodnutí. Pojišťovny a důchodové firmy mají přístup k informacím o minulých pojistných událostech a informace o nárocích na aktivní řízení rizik. ( Quants: Rocket vědci na Wall Street .)

Algoritmické obchodování

Algoritmické obchodování se stalo synonymem velkých dat v důsledku rostoucích schopností počítačů. Automatizovaný proces umožňuje počítačovým programům provádět finanční transakce rychlostí a frekvencími, které obchodník s lidskými zdroji nemůže. V rámci matematických modelů zajišťuje algoritmické obchodování obchody prováděné za co nejlepší ceny a včasné obchodní umístění a snižuje manuální chyby způsobené faktory chování.

Instituce mohou účinněji omezit algoritmy, aby mohly zahrnout obrovské množství dat, využívat velké objemy historických dat pro strategii zálohování, a tím vytvářet méně riskantní investice. To pomáhá uživatelům identifikovat užitečná data, která mají zachovávat i údaje o nízké hodnotě. Vzhledem k tomu, že algoritmy mohou být vytvořeny se strukturovanými a nestrukturovanými daty, začlenění zpráv v reálném čase, sociálních médií a údajů o zásobách v jednom algoritmickém motoru může vytvářet lepší obchodní rozhodnutí. Na rozdíl od rozhodování, které mohou být ovlivněny různými zdroji informací, lidskými emocemi a předpojatostmi, jsou algoritmické obchody prováděny výlučně na finančních modelech a datech.

Robo poradci používají investiční algoritmy a velké množství dat na digitální platformě. Investice jsou vymezeny teorií moderního portfolia, která obvykle podporuje dlouhodobé investice s cílem udržet konzistentní výnosy a vyžaduje minimální interakci s finančními poradci. (Více viz: Základy algoritmického obchodování: koncepty a příklady .)

Výzvy

I přes to, že odvětví finančních služeb stále více přijímá velké údaje, v oblasti stále existují významné problémy. A co je nejdůležitější, shromažďování různých nestrukturovaných dat podporuje znepokojení nad soukromím. Osobní informace lze shromáždit o rozhodování jednotlivce prostřednictvím sociálních médií, e-mailů a zdravotních záznamů.

V rámci konkrétních finančních služeb většina kritiky spadá do analýzy dat. Úplný objem dat vyžaduje vyšší sofistikovanost statistických metod, aby bylo dosaženo přesných výsledků. Zejména kritici překonávají signál k šumu jako vzory falešných korelací, což představuje statisticky robustní výsledky čistě náhodou. Stejně tak algoritmy založené na ekonomické teorii zpravidla ukazují na dlouhodobé investice v důsledku trendů v historických datech. Efektivní produkce výsledků podporujících krátkodobou investiční strategii jsou neodmyslitelnými úkoly v predikčních modelech.

Bottom Line

Velká data nadále mění krajinu různých průmyslových odvětví, zejména finančních služeb. Mnoho finančních institucí přijímá rozsáhlou analýzu dat, aby udrželo konkurenční výhodu. Prostřednictvím struktury a nestrukturovaných dat mohou složité algoritmy provádět obchody s využitím řady zdrojů dat. Lidské emoce a zkreslení lze minimalizovat pomocí automatizace; nicméně obchodování s rozsáhlou analýzou dat má vlastní specifickou sadu výzev Dosažené statistické výsledky nebyly dosud plně přijaty kvůli relativní novosti oboru. Nicméně, vzhledem k trendům v oblasti finančních služeb směrem k velkým datům a automatizaci, složitost statistických metod zvýší přesnost.