Како су велики подаци променили финансије

Огромно ширење података и све већа технолошка сложеност и даље трансформишу начин на који индустрије раде и конкуришу. У посљедњих неколико година 90 посто података у свијету настало је као резултат стварања 2, 5 квинтилијун бајта података на дневној бази. Опћенито назван великим подацима, овај брзи раст и складиштење ствара могућности за прикупљање, обраду и анализу структурираних и неструктурираних података.

Након 3 В великих података, организације користе податке и аналитику да би стекле драгоцени увид за боље информисање о пословним одлукама. Индустрије које су усвојиле употребу великих података укључују финансијске услуге, технологију, маркетинг и здравство, да их само набројимо. Усвајање великих података наставља да редефинише конкурентни пејзаж индустрија. Процењује се да 89 процената предузећа верује да они без аналитичке стратегије ризикују да изгубе конкурентску предност на тржишту.

Конкретно, финансијске службе су широко усвојиле аналитику великих података ради бољег информисања о одлукама о инвестирању са сталним приносима. Заједно са великим подацима, алгоритамско трговање користи огромне историјске податке са сложеним математичким моделима како би максимизирао приносе портфеља. Стално усвајање великих података неминовно ће трансформисати пејзаж финансијских услуга. Међутим, уз његове привидне предности, остају значајни изазови у погледу способности великих података да ухвате све већи обујам података.

3 В од великих података

3 В су основни за велике податке: запремину, разноликост и брзину. Суочавајући се са све већом конкуренцијом, регулаторним ограничењима и потребама клијената, финансијске институције траже нове начине да искористе технологију за постизање ефикасности. Зависно од индустрије, компаније могу да користе одређене аспекте великих података да би стекле конкурентску предност.

Брзина је брзина којом се подаци морају чувати и анализирати. Њујоршка берза сваког дана биљежи 1 терабајт информација. До 2016. године процијењено је 18, 9 милијарди мрежних веза, с отприлике 2, 5 прикључка по особи на Земљи. Финансијске институције могу се разликовати од конкуренције фокусирајући се на ефикасну и брзу обраду обрта.

Велики подаци могу се категорисати као неструктурирани или структурирани подаци. Неструктурирани подаци су информације које су неорганизоване и не спадају у унапред одређени модел. Ово укључује податке прикупљене из извора друштвених медија који институцијама помажу у прикупљању информација о потребама клијента. Структурирани подаци састоје се од информација које организација већ управља у релацијским базама података и прорачунским таблицама. Као резултат тога, различитим облицима података се мора активно управљати у циљу информисања о бољим пословним одлукама.

Све већа количина тржишних података представља велики изазов за финансијске институције. Уз огромне историјске податке, банкарско и тржиште капитала морају активно управљати подацима. Слично томе, инвестиционе банке и компаније за управљање имовином користе обилне податке за доношење здравих одлука о инвестирању. Осигуравајуће и пензионе фирме могу приступити информацијама о полисама и захтевима за активно управљање ризиком. (За више детаља, погледајте: Куантс: Тхе Роцкет Сциентист Оф Валл Стреет .)

Алгоритамско трговање

Алгоритамска трговина постала је синоним за велике податке због растућих могућности рачунара. Аутоматизовани процес омогућава рачунарским програмима да обављају финансијске трансакције брзином и фреквенцијом коју људски трговац не може. Унутар математичких модела, алгоритамско трговање омогућава трговање извршено по најповољнијим ценама и правовремено постављање трговине, а смањује и мануелне грешке због фактора понашања.

Институције могу ефикасније смањити алгоритме да укључе огромне количине података, користећи велику количину историјских података да би подржале стратегије, стварајући тако мање ризичне инвестиције. Ово помаже корисницима да идентификују корисне податке које ће задржати као и податке мале вредности које треба одбацити. С обзиром на то да се алгоритми могу креирати са структуираним и неструктурираним подацима, укључивањем вести у реалном времену, друштвеним медијима и подацима о залихама у један алгоритамски мотор може се донети боље одлуке о трговању. За разлику од одлучивања, на које могу утицати различити извори информација, људске емоције и пристрасности, алгоритмички се послови обављају искључиво на финансијским моделима и подацима.

Робо саветници користе алгоритме улагања и огромне количине података на дигиталној платформи. Инвестиције су уоквирене кроз модерну теорију портфеља, која обично подржава дугорочне инвестиције за одржавање доследних приноса и захтева минималну интеракцију са људским финансијским саветницима. (За више видети: Основе алгоритамске трговине: концепти и примери .)

Изазови

Упркос томе што индустрија финансијских услуга све више прихвата велике податке, на терену и даље постоје значајни изазови. Најважније је да прикупљање различитих неструктурираних података подржава бригу о приватности. Лични подаци о појединцу могу се доносити путем друштвених медија, е-маилова и здравствених картона.

Унутар финансијских услуга, већина критика пада на анализу података. Чиста количина података захтева већу софистицираност статистичких техника да би се добили тачни резултати. Нарочито, критичари прецењују сигнал за шум као обрасце лажних корелација, које представљају статистички робусне резултате чисто случајно. Слично томе, алгоритми засновани на економској теорији типично указују на дугорочне могућности улагања због трендова у историјским подацима. Учинковито постизање резултата који подржавају краткорочну стратегију инвестирања су урођени изазови у предиктивним моделима.

Доња граница

Велики подаци настављају да трансформишу пејзаж разних индустрија, посебно финансијских услуга. Многе финансијске институције усвајају аналитику великих података да би одржале конкурентску предност. Кроз структуру и неструктуриране податке, сложени алгоритми могу извршавати трговине користећи бројне изворе података. Људске емоције и пристрасности могу се минимизирати аутоматизацијом; међутим, трговање анализом великих података има свој специфичан скуп изазова. До сада произведени статистички резултати нису у потпуности прихваћени због релативне новости на терену. Међутим, како се финансијске услуге крећу ка великим подацима и аутоматизацији, софистицираност статистичких техника повећаће тачност.