Cik lieli dati ir mainījuši finanses

Datu milzīgā izplatība un pieaugošā tehnoloģiskā sarežģītība turpina mainīt nozaru darbības un konkurences veidus. Dažos pēdējos gados 90 procenti datu pasaulē ir izveidoti 2, 5 kvintilonu baitu datu radīšanas rezultātā katru dienu. Šī straujā izaugsme un glabāšana, ko parasti dēvē par lieliem datiem, rada iespējas strukturētu un nestrukturētu datu apkopošanai, apstrādei un analīzei.

Sekojot lielo datu 3 V, organizācijas izmanto datus un analītiku, lai iegūtu vērtīgu ieskatu labāku biznesa lēmumu pieņemšanā. Nozares, kas ir pieņēmušas lielo datu izmantošanu, ietver dažus finanšu pakalpojumus, tehnoloģijas, mārketingu un veselības aprūpi. Lielo datu pieņemšana turpina no jauna noteikt nozaru konkurences apstākļus. Tiek lēsts, ka 89 procenti uzņēmumu uzskata, ka tiem, kuriem nav analītikas stratēģijas, pastāv risks zaudēt konkurences priekšrocības tirgū.

Īpaši finanšu pakalpojumi ir plaši pieņēmuši lielo datu analīzi, lai informētu par labākiem ieguldījumu lēmumiem ar konsekventu atdevi. Lai palielinātu portfeļa atdevi, algoritmiskā tirdzniecība apvienojumā ar lielajiem datiem izmanto plašus vēsturiskos datus ar sarežģītiem matemātiskiem modeļiem. Pastāvīga lielo datu pieņemšana neizbēgami pārveidos finanšu pakalpojumu ainavu. Tomēr līdztekus acīmredzamajiem ieguvumiem joprojām pastāv nopietnas problēmas attiecībā uz lielo datu spēju uztvert pieaugošo datu apjomu.

3 V lielos datus

3 V ir būtisks lieliem datiem: apjoms, dažādība un ātrums. Saskaroties ar pieaugošo konkurenci, normatīvajiem ierobežojumiem un klientu vajadzībām, finanšu iestādes meklē jaunus veidus, kā izmantot tehnoloģiju, lai panāktu efektivitāti. Atkarībā no nozares uzņēmumi var izmantot noteiktus lielo datu aspektus, lai iegūtu konkurences priekšrocības.

Ātrums ir ātrums, kādā dati jāuzglabā un jāanalizē. Ņujorkas birža katru dienu uztver 1 terabaitu informācijas. Līdz 2016. gadam bija aptuveni 18, 9 miljardi tīkla savienojumu ar aptuveni 2, 5 savienojumiem uz vienu cilvēku uz Zemes. Finanšu iestādes var atšķirties no konkurences, koncentrējoties uz efektīvu un ātru darījumu apstrādi.

Lielos datus var klasificēt kā nestrukturētus vai strukturētus datus. Nestrukturēti dati ir neorganizēta informācija, kas neietilpst iepriekš noteiktā modelī. Tas ietver datus, kas savākti no sociālo mediju avotiem, kas palīdz iestādēm apkopot informāciju par klientu vajadzībām. Strukturētie dati sastāv no informācijas, kuru organizācija jau pārvalda relāciju datu bāzēs un izklājlapās. Tā rezultātā aktīvi jāvada dažādi datu veidi, lai informētu par labākiem uzņēmējdarbības lēmumiem.

Pieaugošais tirgus datu apjoms rada lielas problēmas finanšu iestādēm. Līdztekus plašajiem vēsturiskajiem datiem banku un kapitāla tirgiem ir aktīvi jāpārvalda dati par bilanci. Tāpat investīciju bankas un aktīvu pārvaldīšanas firmas izmanto apjomīgus datus, lai pieņemtu pamatotus lēmumus par ieguldījumiem. Apdrošināšanas un pensiju firmas var piekļūt iepriekšējai politikai un informācijai par aktīvu riska pārvaldību. (Plašāku informāciju skatiet sadaļā Quants: Volstrītas raķešu zinātnieki .)

Algoritmiskā tirdzniecība

Algoritmiskā tirdzniecība ir kļuvusi par sinonīmu lielajiem datiem, pateicoties augošajām datoru iespējām. Automatizētais process ļauj datorprogrammām veikt finanšu darījumus tādā ātrumā un frekvencēs, kādas nevar tirgotājs. Matemātisko modeļu ietvaros algoritmiskā tirdzniecība nodrošina darījumus, kas tiek veikti par vislabākajām iespējamām cenām un savlaicīgu tirdzniecības izvietojumu, kā arī samazina manuālas kļūdas uzvedības faktoru dēļ.

Iestādes var efektīvāk samazināt algoritmus, lai iekļautu lielu datu daudzumu, lielu vēsturisko datu apjomu izmantojot aizmugures stratēģijām, tādējādi radot mazāk riskantus ieguldījumus. Tas lietotājiem palīdz identificēt noderīgus datus, kas jāsaglabā, kā arī mazvērtīgus datus, no kuriem jāiznīcina. Tā kā algoritmus var izveidot ar strukturētiem un nestrukturētiem datiem, reāllaika ziņu, sociālo mediju un krājumu datu apvienošana vienā algoritmiskajā dzinējā var radīt labākus tirdzniecības lēmumus. Atšķirībā no lēmumu pieņemšanas, ko var ietekmēt dažādi informācijas avoti, cilvēku emocijas un aizspriedumi, algoritmiskie darījumi tiek veikti tikai uz finanšu modeļiem un datiem.

Robo konsultanti digitālajā platformā izmanto investīciju algoritmus un milzīgus datu apjomus. Investīcijas tiek veidotas, izmantojot Mūsdienu portfeļa teoriju, kas parasti atbalsta ilgtermiņa ieguldījumus, lai uzturētu nemainīgu peļņu, un nepieciešama minimāla mijiedarbība ar cilvēku finanšu konsultantiem. (Plašāku informāciju skatiet sadaļā Algoritmiskās tirdzniecības pamati: jēdzieni un piemēri .)

Izaicinājumi

Neskatoties uz to, ka finanšu pakalpojumu nozare arvien vairāk izmanto lielos datus, šajā jomā joprojām pastāv ievērojamas problēmas. Vissvarīgākais ir tas, ka dažādu nestrukturētu datu vākšana atbalsta bažas par privātumu. Personīgu informāciju par indivīda lēmumu pieņemšanu var iegūt, izmantojot sociālos medijus, e-pastus un veselības ierakstus.

Īpaši finanšu pakalpojumu jomā kritika lielākoties attiecas uz datu analīzi. Lai iegūtu precīzus rezultātus, milzīgajam datu apjomam ir nepieciešama statistikas metožu sarežģītāka izstrāde. Jo īpaši kritiķi pārvērtē signālu par troksni kā nepatiesu korelāciju paraugus, statistiski ticamus rezultātus atspoguļojot tikai nejauši. Tāpat algoritmi, kas balstīti uz ekonomikas teoriju, parasti norāda uz ilgtermiņa ieguldījumu iespējām vēsturisko datu tendenču dēļ. Prognozējošo modeļu raksturīgās problēmas ir efektīvas rezultātu iegūšana, atbalstot īstermiņa ieguldījumu stratēģiju.

Grunts līnija

Lieli dati turpina pārveidot dažādu nozaru, jo īpaši finanšu pakalpojumu, ainavu. Daudzas finanšu iestādes pieņem lielu datu analīzi, lai saglabātu konkurences priekšrocības. Izmantojot struktūru un nestrukturētus datus, sarežģīti algoritmi var veikt darījumus, izmantojot vairākus datu avotus. Cilvēka emocijas un aizspriedumus var samazināt, izmantojot automatizāciju; tomēr tirdzniecībai ar lielu datu analīzi ir savs izaicinājumu kopums. Līdz šim iegūtie statistikas rezultāti nav pilnībā izmantoti, ņemot vērā lauka relatīvo novitāti. Tomēr, tā kā finanšu pakalpojumi virzās uz lielo datu un automatizāciju, statistikas metožu sarežģītība palielinās precizitāti.