Hvordan Big Data har ændret finansiering

Den enorme spredning af data og stigende teknologiske kompleksiteter fortsætter med at omdanne den måde, industrier driver og konkurrerer på. I løbet af de sidste par år er 90 procent af dataene i verden blevet oprettet som et resultat af oprettelsen af ​​2, 5 quintillion byte af data på daglig basis. Ofte benævnt big data, skaber denne hurtige vækst og opbevaring muligheder for indsamling, behandling og analyse af strukturerede og ustrukturerede data.

Efter 3 V's af big data bruger organisationer data og analyse til at få værdifuld indsigt til at informere bedre forretningsbeslutninger. Brancher, der har vedtaget brugen af ​​big data inkluderer finansielle tjenester, teknologi, marketing og sundhedsydelser, for at nævne nogle få. Vedtagelsen af ​​big data fortsætter med at omdefinere industriens konkurrenceprægede landskab. Det anslås, at 89 procent af virksomhederne mener, at de uden en analysestrategi risikerer at miste en konkurrencefordel på markedet.

Specielt finansielle tjenester har bredt anvendt big data-analyse for at informere bedre investeringsbeslutninger med ensartet afkast. I forbindelse med big data bruger algoritmisk handel store historiske data med komplekse matematiske modeller for at maksimere porteføljeafkast. Den fortsatte vedtagelse af big data vil uundgåeligt omdanne landskabet til finansielle tjenester. Sammen med de tilsyneladende fordele forbliver der dog betydelige udfordringer med hensyn til big data's evne til at fange den monterende mængde data.

3 V's Big Data

3 V'erne er grundlæggende for big data: volumen, variation og hastighed. I lyset af stigende konkurrence, lovgivningsmæssige begrænsninger og kundebehov søger finansinstitutter nye måder at udnytte teknologi til for at få effektivitet. Afhængig af branchen kan virksomheder bruge visse aspekter af big data for at få en konkurrencefordel.

Hastighed er den hastighed, hvormed data skal lagres og analyseres. New York Stock Exchange fanger 1 terabyte information i løbet af hver dag. I 2016 var der anslået 18, 9 milliarder netværksforbindelser med ca. 2, 5 forbindelser pr. Person på Jorden. Finansielle institutioner kan differentiere sig fra konkurrencen ved at fokusere på effektiv og hurtig behandling af handler.

Big data kan kategoriseres som ustrukturerede eller strukturerede data. Ustrukturerede data er information, der er uorganiseret og ikke falder ind i en forudbestemt model. Dette inkluderer data indsamlet fra sociale mediekilder, som hjælper institutioner med at indsamle information om kundernes behov. Strukturerede data består af information, der allerede er administreret af organisationen i relationelle databaser og regneark. Som et resultat skal de forskellige former for data administreres aktivt for at informere om bedre forretningsbeslutninger.

Den stigende mængde markedsdata udgør en stor udfordring for finansielle institutioner. Sammen med store historiske data er bank- og kapitalmarkeder nødt til aktivt at administrere ticker-data. Ligeledes bruger investeringsbanker og kapitalforvaltningsfirmaer omfattende data til at træffe sunde investeringsbeslutninger. Forsikrings- og pensioneringsselskaber kan få adgang til tidligere politiske og skadesoplysninger til aktiv risikostyring. (Se mere: Quants: The Rocket Scientists Of Wall Street for mere )

Algoritmisk handel

Algoritmisk handel er blevet synonym med big data på grund af den voksende kapacitet hos computere. Den automatiserede proces gør det muligt for computerprogrammer at udføre økonomiske handler med hastigheder og frekvenser, som en menneskelig erhvervsdrivende ikke kan. Inden for de matematiske modeller giver algoritmisk handel handler, der udføres til de bedst mulige priser og rettidig handelsplacering, og reducerer manuelle fejl på grund af adfærdsfaktorer.

Institutioner kan mere effektivt begrænse algoritmer til at inkorporere store mængder data og udnytte store mængder historiske data til backtest-strategier og således skabe mindre risikable investeringer. Dette hjælper brugere med at identificere nyttige data til at gemme såvel som data med lav værdi, der skal kasseres. I betragtning af at algoritmer kan oprettes med strukturerede og ustrukturerede data, kan integration af realtidsnyheder, sociale medier og aktiedata i en algoritmisk motor generere bedre handelsbeslutninger. I modsætning til beslutningstagning, som kan påvirkes af forskellige informationskilder, menneskelige følelser og bias, udføres algoritmiske handler udelukkende på økonomiske modeller og data.

Robo-rådgivere bruger investeringsalgoritmer og massive mængder data på en digital platform. Investeringer er indrammet gennem Modern Portfolio teori, som typisk støtter langsigtede investeringer for at opretholde ensartet afkast og kræver minimal interaktion med menneskelige økonomiske rådgivere. (Se mere: Grundlæggende om algoritmisk handel: koncepter og eksempler .)

Udfordringer

På trods af den finansielle servicesektor, der øger omfavnelsen af ​​big data, eksisterer der stadig betydelige udfordringer på området. Vigtigst er det, at indsamling af forskellige ustrukturerede data understøtter bekymring over privatlivets fred. Personlige oplysninger kan indsamles om den enkeltes beslutningstagning via sociale medier, e-mails og sundhedsregistre.

Inden for finansielle tjenester specifikt falder størstedelen af ​​kritikken på dataanalyse. Den store datamængde kræver større sofistikering af statistiske teknikker for at opnå nøjagtige resultater. Især overvurderer kritikere signal til støj som mønstre for falske korrelationer, der repræsenterer statistisk robuste resultater rent tilfældigt. Ligeledes peger algoritmer baseret på økonomisk teori typisk på langsigtede investeringsmuligheder på grund af tendenser i historiske data. Effektiv produktion af resultater, der understøtter en kortsigtet investeringsstrategi, er iboende udfordringer i forudsigelige modeller.

Bundlinjen

Big data transformerer fortsat landskabet i forskellige brancher, især finansielle tjenester. Mange finansielle institutioner vedtager big data-analyse for at opretholde en konkurrencefordel. Gennem struktur og ustrukturerede data kan komplekse algoritmer udføre handler ved hjælp af et antal datakilder. Menneskelig følelse og bias kan minimeres gennem automatisering; handel med big data-analyse har dog sit eget specifikke sæt udfordringer. De statistiske resultater, der hidtil er produceret, er ikke fuldt ud omfattet på grund af feltets relative nyhed. I takt med at finansielle tjenester udvikler sig til big data og automatisering, vil sofistikering af statistiske teknikker øge nøjagtigheden.