נתונים גדולים אינם חדשים בוול סטריט. העולם הפיננסי פועל על נתונים, ולכן כל הזדמנות להשיג יותר ולקבל את זה מהר כבר אימצו על ידי שוק המניות מאז קווי הטלגרף הראשון היו לרוץ. עם זאת, מגוון או מקורות וסוגי נתונים זמינים למשקיעים וסוחרים גדל סיקור שבו המוח האנושי פשוט לא יכול לספוג ולעבד את כל זה. בגלל הגבלה פיזית זו, התפתחה תעשייה חדשה של אנליזה ניבויית כדי להבין את הנתונים הגדולים ולתת למשקיעים בזמן אמת קנייה ומכירה של המלצות המבוססות על הדפוסים שנוצרו בנתונים הרבה לפני שהאותות השוק המסורתיים מתפתחים. במאמר זה, נבחן את הניתוח החזוי ואת משמעותו למשקיעים.

- <->

מהירות, מהירות וכרך

שלוש ה - Vs- מגוון, מהירות ונפח - משמשים לעתים קרובות לתיאור והגדרת נתונים גדולים. אתה צריך את כל השלושה לעשות כל ניתוח משמעותי. מגוון מתייחס לערוצים של נתונים כי הם טפח. זה יכול להיות כל דבר, החל הזכרונות מדיה חברתית על דוחות מזג אוויר ונתוני העסקה בכמות גדולה. נפח הוא כמות הנתונים הקרובים, כמו כל VS, יותר טוב. נפח ומגוון הנתונים מאפשרים outliers להיות מאומת או לבטל ולהוביל נתונים מדויקים יותר הכוללת. מהירות היא פשוט קצב שבו הנתונים זורמים פנימה עבור אנליסטים מנבא להיות בעל ערך במונחים של נהיגה רווחית המסחר, הנתונים צריך להיות זמין במהירות לניתוח, כלומר זרם קבוע של מידע עדכני דקה. (לקריאה נוספת, בדוק: כיצד נתונים גדולים השתנה האוצר .)

-> ->

דוגמנות הנתונים

כל הנתונים הגדולים האלה מוזנים לאלגוריתמים שונים כדי לסנן ולשקול את משמעות הדפוסים המגיעים. האלגוריתמים משלבים ליצירת מודל המספק תחזיות על מהלכי שוק לטווח קצר ופעולה מומלצת המבוססת על התחזית. כמובן, אין סיבה להגביל את זה למודל אחד, כך מודלים מרובים עם התמקדות שונה - התנועה מדד לעומת מלאי מסוים למשל - ניתן להפעיל על זרם זהה של נתונים גדולים. זה דורש הרבה כוח עיבוד ואפילו אחסון יותר, כי המודלים נוצרים ונבדקים על נתונים היסטוריים גדולים, ולכן הנתונים לא ניתן לזרוק משם. (למידע נוסף על מודלים פיננסיים, לבדוק: מודלים פיננסיים אתה יכול ליצור עם Excel .)

מהירות המידע

ההבדל העיקרי בין אנליזה חזויית, למשל, מנהל קרן אנושית הוא המהירות שבה ניתן לקבל החלטות. תארו לעצמכם הקרן שלך יש השקעה במסעדה שרשרת. מנהל קרן ימשיך לצפות בהשקעה לפחות אחת לרבעון, בודק את שולי הרווח, את התשואה על ההון המושקע, את אותן מכירות בחנויות ואת מדדי ביצוע מרכזיים אחרים, שאותם מגלה החברה למשקיעים.אם המנהל יראה מגמה, נניח שהחליקו את המכירות בחנויות, ושחיקה בשולי הרווח לעומת הרבעון הקודם, היא עשויה להחליט למכור את המניה. אם ההפך הוא הנכון, היא עשויה להחליט לקנות יותר.

עכשיו זרוע זה מנהל הקרן אותו עם מודל מנבא משיכת נתונים מכל רחבי. במקום להמתין לדוחות הרבעוניים, היא יכולה לראות דגמים הקרובים בקירוב לשינויים במכירות בחנויות זהות על סמך פוסטים של מדיה חברתית, על ידי הצלב של הלקוח עם נתוני העסקה ונתוני GPS ממשתמשי סמארטפון אופציונליים עבור כל המיקומים. התוכנה האנליטית מסייעת לה לכרות את הנתונים וממליצה על פעולה, המאפשרת לה לפרוק או להוסיף לתפקיד הרבה לפני שהשינוי במכירות מופיע במסמך רשמי. במילים אחרות, אין כבר זמן בפיגור בזמן לראות את התוצאות של החברה כך החלטות השקעה יכול להיעשות על מידע עד לרגע זה, כי בקירוב המצב בפועל של החברה. (לקבלת מידע נוסף, ראה: כריית נתונים למשקיעים .)

כעת הוצא את המנהל מהמשוואה ונותן לדגם לסחור במישרין, ואז יש לנו מושג לגבי האופן שבו האנליזה החזוי תתחיל.

הגבלות

יש עדיין כמה מגבלות במה ניתן לעשות עם נתונים גדולים ככל הניתוח החזוי ללכת. כדי להאכיל את המודלים החזוי, את הנתונים מגוונים לעתים קרובות צריך להיות מומר טופס שמיש. למשל, ניתן לשנות את הפוסטים של המדיה החברתית לאותות סנטימנטיים על ידי ניתוח המילים כשליליות או חיוביות בהקשר של החברה או התעשייה המנותחים. ניתן למדוד את הרגשות הללו ולנתח אותם על מנת לספק קלט למודל.

ישנם סוגים אחרים של נתונים שעשויים להיות מסוגלים להזין ישירות לתוך המודל, אך המגוון שנותן למודל סמכויות ניבוי נוספות פירושו גם שיהיו נתונים שיש לסווגם ולנתחם לפני שניתן יהיה להשתמש בהם. השהיה, קטנה ככל שתהיה, מאטה את הניתוח של זרם הנתונים, ולכן אנחנו לא ממש בנקודה שבה המודל פועל בזמן אמת. עם זאת, בגלל ניתוח המגמה בשימוש כדי לנבא תנועה עתידית, זה לא משוכה משמעותית וזה אחד כי יהיה להתגבר די מהר כמו יותר מוחות ועוד זרימת משאבים כלפי חברות המציעות שירותים אלה.

חשוב יותר, תוחלת החיים המוצלחת של כל דגם מסוים היא מוגבלת כמו אחרים לגלות ולהתחיל לסחור על אותם מקורות נתונים ודפוסים. יש מקום לכמה מקורות נתונים, אך מדעני נתונים יכולים בדרך כלל למצוא גורמים אחרים לעמוד בנתונים קנייניים או מתאמים המשקפים תנועות בנתונים החסרים. לכן, על מנת לשמור על כושר האנליזה החזוי, נדרש כוח המוח להתמודד עם הנתונים הלא מובנים, לצבוט ולבדוק אלגוריתמים חדשים, כמו גם את כוח העיבוד והאחסון בצד ה- IT. בגלל המגבלות והעלויות, האנליזה החזויית למסחר במניות משווקת בדרך כלל לקרנות, בעיקר קרנות גידור, ולא למשקיעים קמעונאיים.(לקבלת מידע נוסף, לבדוק: Investopedia של גידור קרן הדרכה .)

השורה התחתונה

הערך העיקרי של אנליטי ניבוי כרגע הוא ככלי עבור חברה להשתמש פנימי כדי לייעל תהליכים כמו cross-selling, ציות, שיווק וכן הלאה. עם זאת, ניתוחים אנליטיים יכולים לשמש מנקודת מבט השקעה גם ללא גישה מלאה לנתונים הפנימיים של החברה. הטכנולוגיה תשפר את המהירות שבה החלטות המסחר יכול להיעשות הוא הולך מהר ככל הנתונים ואת הדיוק של התחזיות לחזות. ניתוח חזוי יהיה סיוע לסוחרים עם טווחי זמן קצרי. זה גם יאפשר מסחר אוטומטי באמצעות מודלים חזוי, אם כי רבים בשוק עדיין זוכר בעיות אמיתיות מאוד שניתן לעקוב אחורה למסחר המחשב.

האם הניתוח האנליטי יזכה למשקיעים רגילים הוא שאלה גדולה יותר. כמה להתמקד על נתונים לטווח קצר הוא יותר מדי? חלק מהמשקיעים המצליחים ביותר נהנו מהתעלמות מהטווח הקצר בתמורה לביצועים ארוכי טווח. האם הם עדיין יוכלו להתעלם מהטווח הקצר כאשר המדדים מהדו"חות הרבעוניים מתעדכנים מדי יום יחד עם מבול של ערכי סנטימנט שהיו בעבר בלתי אפשריים ללכוד?

קל לומר כי בהשקעה, כמו בשיחה, מידע רב מדי יכול להיות דבר רע, אבל זה יכול להיות רק מקרה של החזקת העולם שאנחנו רגילים. הזמן יגיד אם אנליזה חזויית היא מקור חשוב לתובנה או למקור אחר של רעש שוק לטווח קצר.