ההתפשטות העצומה של נתונים והמורכבות הטכנולוגית הגוברת ממשיכים לשנות את האופן שבו תעשיות פועלות ומתחרות. בשנתיים האחרונות, 90 אחוז מהנתונים בעולם נוצרו כתוצאה של יצירת 2. 5 quintillion בתים של נתונים על בסיס יומי. בדרך כלל מדובר בנתונים גדולים, הצמיחה המהירה והאחסון יוצרת הזדמנויות לאיסוף, עיבוד וניתוח נתונים מובנים ולא מובנים.

בעקבות 3 V של נתונים גדולים, ארגונים להשתמש בנתונים וניתוח כדי לקבל תובנה יקר כדי להודיע ​​החלטות עסקיות טובות יותר. תעשיות אשר אימצו את השימוש בנתונים גדולים כוללים שירותים פיננסיים, טכנולוגיה, שיווק ובריאות, עד כמה שם. אימוץ נתונים גדולים ממשיך להגדיר מחדש את הנוף התחרותי של תעשיות. ההערכה היא כי כ -89% מהמפעלים מאמינים כי ללא אסטרטגיה אנליטית יש סיכון להפסיד יתרון תחרותי בשוק.

-> ->

שירותים פיננסיים, בפרט, אימצו באופן נרחב ניתוח נתונים גדול כדי ליידע החלטות השקעה טובות יותר עם תשואות עקביות. יחד עם נתונים גדולים, מסחר אלגוריתמי משתמש בנתונים היסטוריים עצומים עם מודלים מתמטיים מורכבים על מנת למקסם את תשואות תיק. המשך האימוץ של נתונים גדולים יהפוך בהכרח את הנוף של השירותים הפיננסיים. עם זאת, לצד היתרונות לכאורה שלה, נותרו אתגרים משמעותיים לגבי היכולת של נתונים גדולים לתפוס את נפח הנתונים ההולך וגדל. (לקבלת מידע נוסף, ראה: The Big Play בנתונים גדולים .)

3 V של נתונים גדולים

3 V של הם היסוד לנתונים גדולים: נפח, מגוון ומהירות. מול התחרות הגוברת, אילוצים רגולטוריים וצרכי ​​הלקוחות, מוסדות פיננסיים מחפשים דרכים חדשות למנף טכנולוגיה כדי להשיג יעילות. בהתאם לתעשייה, חברות יכולות להשתמש בהיבטים מסוימים של נתונים גדולים כדי להשיג יתרון תחרותי.

מהירות היא המהירות שבה הנתונים חייבים להיות מאוחסנים ונותחו. בבורסת ניו יורק לוכדת 1 טרה של מידע במהלך כל יום. עד 2016, יהיו כ -8 מיליארד חיבורים לרשת עד 2016, עם בערך 2. 5 מחברים לאדם על כדור הארץ. מוסדות פיננסיים יכולים להבדיל את עצמם מן התחרות על ידי התמקדות ביעילות ובמהירות עיבוד עסקאות.

נתונים גדולים יכולים להיות מסווגים כמו נתונים מובנים או מובנים. נתונים בלתי מובנים הם מידע שאינו מאורגן ואינו נופל לתוך מודל שנקבע מראש. זה כולל נתונים שנאספו ממקורות מדיה חברתית, אשר מסייעים למוסדות לאסוף מידע על צרכי הלקוחות. נתונים מובנים מורכבים ממידע שכבר מנוהל על ידי הארגון במסדי נתונים וגיליונות נתונים יחסיים.כתוצאה מכך, צורות שונות של נתונים חייב להיות מנוהל באופן פעיל על מנת להודיע ​​החלטות עסקיות טובות יותר.

נפח הולך וגדל של נתוני שוק מהווה אתגר גדול עבור מוסדות פיננסיים. יחד עם נתונים היסטוריים עצומים, בנקאות ושוקי הון צריכים לנהל באופן פעיל נתוני טיקר. כמו כן, בנקים להשקעות וחברות לניהול נכסים משתמשים בנתונים רבים כדי לקבל החלטות השקעה טובות. חברות הביטוח והפנסיה יכולות לגשת למדיניות העבר ולנתוני התביעות לניהול סיכונים פעיל. (לפרטים נוספים, ראה: Quants: מדעני הרקטות של וול סטריט )

מסחר אלגוריתמי

המסחר האלגוריתמי הפך שם נרדף לנתונים גדולים עקב היכולות הגדל של המחשבים. התהליך האוטומטי מאפשר לתוכניות מחשב לבצע עסקאות פיננסיות במהירויות ובתדרים שסוחר אנושי אינו יכול. בתוך המודלים המתמטיים, המסחר האלגוריתמי מספק עסקאות שבוצעו במחירים הטובים ביותר האפשריים ומיקום הסחר בזמן, ומפחית שגיאות ידניות עקב גורמים התנהגותיים.

מוסדות יכולים לצמצם באופן יעיל יותר אלגוריתמים כדי לשלב כמויות אדירות של נתונים, מינוף כמויות גדולות של נתונים היסטוריים אסטרטגיות backtest, ובכך יצירת השקעות פחות מסוכן. זה עוזר למשתמשים לזהות נתונים שימושיים כדי לשמור כמו גם נתונים בעלי ערך נמוך כדי להשליך. בהתחשב בכך שניתן ליצור אלגוריתמים עם נתונים מובנים ולא מובנים, שילוב של חדשות בזמן אמת, מדיה חברתית ונתוני מלאי במנוע אלגורמי אחד יכולים ליצור החלטות טובות יותר על המסחר. שלא כמו קבלת החלטות, אשר יכולה להיות מושפעת על ידי מקורות מידע שונים, רגש אנושי הטיה, עסקאות אלגוריתמי מבוצעות רק על מודלים פיננסיים ונתונים.

יועצים של רובו משתמשים באלגוריתמים להשקעה וכמויות אדירות של נתונים בפלטפורמה דיגיטלית. השקעות ממוסגרות באמצעות תיאוריה מודרנית תיק, אשר בדרך כלל תומך השקעות לטווח ארוך כדי לשמור על תשואות עקביות, ודורשים מינימום אינטראקציה עם יועצים פיננסיים אנושיים. (לקבלת מידע נוסף, ראה: יסודות המסחר האלגוריתמי: מושגים ודוגמאות .)

אתגרים

למרות ענף השירותים הפיננסיים אימוץ הולך וגובר של נתונים גדולים, האתגרים המשמעותיים עדיין קיימים בתחום. והכי חשוב, אוסף של נתונים לא מובנים שונים תומך חששות על הפרטיות. מידע אישי ניתן לאסוף על קבלת החלטות של הפרט באמצעות מדיה חברתית, דואר אלקטרוני רשומות בריאות.

בתוך השירותים הפיננסיים במיוחד, רוב הביקורת נופל על ניתוח נתונים. הכמות העצומה של נתונים דורשת תחכום רב יותר של טכניקות סטטיסטיות כדי להשיג תוצאות מדויקות. בפרט, המבקרים overrate את האות לרעש כמו דפוסי מתאם מזויף, המייצג תוצאות חזקות סטטיסטית רק במקרה. כמו כן, אלגוריתמים המבוססים על תיאוריה כלכלית בדרך כלל מצביעים על הזדמנויות השקעה לטווח ארוך בשל מגמות בנתונים היסטוריים. ביצוע יעיל של תוצאות התומכות באסטרטגיית השקעה לטווח קצר הן אתגרים מהותיים במודלים מנבאים.

השורה התחתונה

נתונים גדולים ממשיכים להפוך את הנוף של תעשיות שונות, בעיקר שירותים פיננסיים. מוסדות פיננסיים רבים מאמצים ניתוח נתונים גדול על מנת לשמור על יתרון תחרותי. באמצעות מבנה נתונים בלתי מובנים, אלגוריתמים מורכבים יכולים לבצע עסקאות באמצעות מספר מקורות נתונים. רגש אנושי הטיה ניתן למזער באמצעות אוטומציה; עם זאת, למסחר עם ניתוח נתונים גדול יש קבוצה ספציפית של אתגרים. התוצאות הסטטיסטיות שהופקו עד כה לא אומצו במלואן בשל החידוש היחסי של השדה. עם זאת, כמו מגמה השירותים הפיננסיים כלפי נתונים גדולים ואוטומציה, תחכום של טכניקות סטטיסטיות יגדיל את הדיוק.