Proliferasi besar data dan peningkatan kerumitan teknologi terus mengubah cara industri beroperasi dan bersaing. Dalam tempoh dua tahun yang lalu, 90 peratus daripada data di dunia telah dicipta hasil daripada penciptaan 2. 5 quintillion bytes data setiap hari. Secara umumnya disebut sebagai data besar, pertumbuhan dan penyimpanan pesat ini mewujudkan peluang untuk pengumpulan, pemprosesan dan analisis data berstruktur dan tidak berstruktur.

Berikutan data besar 3 V, organisasi menggunakan data dan analisis untuk mendapatkan wawasan yang berharga untuk memaklumkan keputusan perniagaan yang lebih baik. Industri yang menggunakan data besar termasuk perkhidmatan kewangan, teknologi, pemasaran dan penjagaan kesihatan, untuk menamakan beberapa. Penggunaan data besar terus mendefinisikan semula industri lanskap berdaya saing. Dianggarkan 89 peratus perusahaan percaya mereka yang tidak mempunyai strategi analitik menghadapi risiko kehilangan daya saing di pasaran.

Perkhidmatan kewangan, khususnya, telah menggunakan analitik data besar secara meluas untuk memaklumkan keputusan pelaburan yang lebih baik dengan pulangan yang konsisten. Bersempena dengan data besar, perdagangan algoritma menggunakan data sejarah yang luas dengan model matematik kompleks untuk memaksimumkan pulangan portfolio. Penerusan data yang berterusan terus-menerus akan mengubah landskap perkhidmatan kewangan. Walau bagaimanapun, bersama-sama dengan faedah yang nyata, cabaran-cabaran penting masih berkaitan dengan keupayaan data besar untuk menangkap volum data. (Untuk lebih lanjut, lihat: Main Besar Dalam Data Big .)

3 V Big Data

3 V adalah asas kepada data besar: kelantangan, kepelbagaian dan halaju. Menghadapi persaingan yang semakin meningkat, kekangan pengawalseliaan dan keperluan pelanggan, institusi kewangan mencari cara baru untuk memanfaatkan teknologi untuk mendapatkan kecekapan. Bergantung kepada industri, syarikat boleh menggunakan aspek data besar untuk mendapatkan kelebihan daya saing.

Velocity adalah kelajuan di mana data mesti disimpan dan dianalisis. Bursa Saham New York menangkap 1 terabyte maklumat pada setiap hari. Menjelang tahun 2016, akan ada anggaran 18. 9 bilion sambungan rangkaian menjelang 2016, dengan kira-kira 2. 5 menghubungkan setiap orang di Bumi. Institusi kewangan dapat membezakan diri mereka dari persaingan dengan memberi tumpuan kepada pemprosesan yang cekap dan cepat.

Data besar boleh dikategorikan sebagai data tidak berstruktur atau berstruktur. Data tidak berstruktur adalah maklumat yang tidak teratur dan tidak jatuh ke dalam model yang telah ditentukan sebelumnya. Ini termasuk data yang dikumpulkan dari sumber media sosial, yang membantu institusi mengumpulkan maklumat tentang keperluan pelanggan. Data berstruktur terdiri daripada maklumat yang telah diuruskan oleh organisasi dalam pangkalan data dan spreadsheet hubungan.Akibatnya, pelbagai bentuk data mesti diuruskan secara aktif untuk memaklumkan keputusan perniagaan yang lebih baik.

Peningkatan jumlah data pasaran menimbulkan cabaran besar bagi institusi kewangan. Bersama dengan data sejarah yang luas, pasaran perbankan dan modal perlu secara aktif menguruskan data ticker. Begitu juga, bank pelaburan dan firma pengurusan aset menggunakan data yang banyak untuk membuat keputusan pelaburan yang baik. Syarikat insurans dan persaraan boleh mengakses maklumat dasar dan tuntutan lalu untuk pengurusan risiko aktif. (Untuk maklumat lebih lanjut, sila lihat: Quants: The Scientist Rocket Of Wall Street .)

Trading Algoritma

Perdagangan algoritma telah menjadi sinonim dengan data besar disebabkan oleh peningkatan kemampuan komputer. Proses automatik membolehkan program komputer untuk menjalankan perdagangan kewangan pada kelajuan dan kekerapan yang tidak boleh dilakukan peniaga manusia. Dalam model matematik, perdagangan algoritma menyediakan perdagangan yang dilaksanakan pada harga terbaik dan penempatan dagangan yang tepat pada masanya, dan mengurangkan ralat manual disebabkan oleh faktor tingkah laku.

Institusi boleh dengan lebih berkesan menghalang algoritma untuk menggabungkan sejumlah besar data, yang memanfaatkan banyak data sejarah yang besar untuk strategi backtest, sekali gus mewujudkan pelaburan yang kurang berisiko. Ini membantu pengguna mengenal pasti data yang berguna untuk mengekalkan data nilai rendah untuk dibuang. Memandangkan algoritma boleh dibuat dengan data berstruktur dan tidak tersusun, menggabungkan berita masa nyata, media sosial dan data stok dalam satu enjin algoritmik boleh menghasilkan keputusan perdagangan yang lebih baik. Tidak seperti pembuatan keputusan, yang boleh dipengaruhi oleh pelbagai sumber maklumat, emosi dan bias manusia, perdagangan algoritma dilaksanakan hanya pada model dan data kewangan.

Penasihat Robo menggunakan algoritma pelaburan dan jumlah data yang besar pada platform digital. Pelaburan dibingkai melalui teori Portfolio Moden, yang biasanya menyokong pelaburan jangka panjang untuk mengekalkan pulangan yang konsisten, dan memerlukan interaksi yang minima dengan penasihat kewangan manusia. (Untuk lebih lanjut, sila lihat: Asas Dagangan Algoritma: Konsep dan Contoh .)

Cabaran

Walaupun industri perkhidmatan kewangan semakin memeluk data besar, cabaran penting masih wujud di lapangan. Yang paling penting, pengumpulan pelbagai data yang tidak tersusun menyokong kebimbangan terhadap privasi. Maklumat peribadi boleh dikumpulkan mengenai pengambilan keputusan individu melalui media sosial, e-mel dan rekod kesihatan.

Dalam perkhidmatan kewangan khusus, majoriti kritikan jatuh ke analisis data. Kelantangan data semata-mata memerlukan kecanggihan teknik statistik untuk mendapatkan hasil yang tepat. Khususnya, pengkritik menafikan isyarat kepada bunyi bising sebagai corak korelasi palsu, yang mewakili keputusan yang teguh secara murni secara kebetulan. Begitu juga, algoritma berasaskan teori ekonomi biasanya menunjuk kepada peluang pelaburan jangka panjang disebabkan oleh trend dalam data sejarah. Cekap menghasilkan keputusan yang menyokong strategi pelaburan jangka pendek adalah cabaran yang wujud dalam model ramalan.

Garis Bawah

Data besar terus mengubah landskap pelbagai industri, terutamanya perkhidmatan kewangan. Banyak institusi kewangan mengamalkan analisis data besar untuk mengekalkan kelebihan daya saing. Melalui struktur dan data tidak berstruktur, algoritma kompleks boleh menjalankan perdagangan dengan menggunakan sejumlah sumber data. Emosi dan bias manusia boleh dikurangkan melalui automasi; Walau bagaimanapun, perdagangan dengan analisis data yang besar mempunyai set khusus cabaran yang tersendiri. Keputusan statistik yang dihasilkan setakat ini belum sepenuhnya diterima kerana bidang baru yang relatif luas. Walau bagaimanapun, sebagai trend perkhidmatan kewangan ke arah data besar dan automasi, kecanggihan teknik statistik akan meningkatkan ketepatan.