Data besar bukan baru di Wall Street. Dunia kewangan berjalan pada data, jadi setiap peluang untuk mendapatkan lebih banyak dan mendapatkannya lebih cepat telah dipeluk oleh pasaran saham sejak jalur telegraf pertama dijalankan. Walau bagaimanapun, pelbagai atau sumber dan jenis data yang tersedia untuk pelabur dan peniaga telah berkembang menjadi sebuah torrent di mana minda manusia tidak dapat menyerap dan memproses semuanya. Oleh kerana batasan fizikal ini, satu industri analisis ramalan baru telah dibangunkan untuk memahami data besar dan memberi pelabur membeli dan menjual cadangan masa nyata berdasarkan corak yang membentuk data sebelum isyarat pasaran tradisional berkembang. Dalam artikel ini, kita akan melihat analisis ramalan dan apa yang dimaksudkan untuk pelabur.

Pelbagai, Halaju dan Volum

Ketiga Vs-pelbagai, halaju dan volum-sering digunakan untuk menggambarkan dan menentukan data besar. Anda memerlukan ketiga-tiga untuk melakukan analisis bermakna. Pelbagai merujuk kepada saluran data yang sedang ditoreh. Ini boleh jadi segalanya dari media sosial menyebutkan laporan cuaca dan data transaksi pukal. Jilid adalah jumlah data masuk dan, seperti semua Vs, lebih baik. Kelantangan dan pelbagai data membolehkan kelebihannya sama ada disahkan atau dihapuskan dan membawa kepada data yang lebih tepat secara keseluruhan. Velocity hanyalah kadar di mana data mengalir masuk. Untuk analisis ramalan menjadi berharga dari segi memandu menguntungkan perdagangan, data harus tersedia dengan cepat untuk analisis, yang bermaksud aliran berterusan maklumat up-to-the-minute. (Untuk bacaan lanjut, lihat: Bagaimana Data Besar Telah Berubah Kewangan .)

Pemodelan Data

Semua data besar ini dimasukkan ke dalam algoritma yang berbeza untuk menapis dan menimbang kepentingan corak yang muncul. Algoritma ini bergabung untuk membuat model yang memberikan ramalan mengenai langkah pasaran jangka pendek dan tindakan yang disyorkan berdasarkan ramalan. Sudah tentu, tidak ada sebab untuk mengehadkannya kepada satu model, begitu banyak model dengan tumpuan berbeza-pergerakan indeks berbanding stok tertentu misalnya-boleh dijalankan pada arus data besar yang sama. Ini memerlukan banyak kuasa pemprosesan dan penyimpanan lebih banyak kerana model dicipta dan diuji pada data besar sejarah, jadi data tidak boleh dibuang. (Untuk lebih lanjut mengenai pemodelan kewangan, lihat: Model Kewangan Anda Boleh Buat Dengan Excel .)

Kelajuan Maklumat

Perbezaan utama antara analisis ramalan dan, sebagai contoh, pengurus dana manusia adalah kelajuan di mana keputusan boleh dibuat. Bayangkan dana anda mempunyai pelaburan di sebuah restoran rantaian. Seorang pengurus dana akan meninjau pelaburan sekurang-kurangnya setiap suku tahun, menyemak margin keuntungan, pulangan atas modal yang dilaburkan, jualan kedai yang sama dan penunjuk prestasi utama lain yang didedahkan oleh syarikat kepada para pelaburnya.Jika pengurus melihat trend, katakan jualan jualan kedai yang sama dan hakisan dalam margin keuntungan berbanding dengan suku tahun lalu, dia mungkin memutuskan menjual stoknya. Jika sebaliknya adalah benar, dia boleh memutuskan untuk membeli lebih banyak.

Sekarang lengan pengurus dana yang sama ini dengan model ramalan yang menarik dalam data dari seluruh. Daripada menunggu laporan suku tahunan, dia dapat melihat model menghitung perubahan dalam jualan sama kedai berdasarkan jawatan media sosial oleh pelanggan silang yang dirujuk dengan data transaksi dan data GPS dari pengguna telefon pintar optik untuk semua lokasi. Perisian analisis membantunya dalam perlombongan data dan mengesyorkan suatu tindakan, membolehkannya untuk membongkar atau menambah kedudukan jauh sebelum perubahan dalam jualan muncul dalam dokumen rasmi. Dengan kata lain, tidak ada lagi masa untuk melihat keputusan syarikat supaya keputusan pelaburan dapat dibuat berdasarkan maklumat terkini yang menghampiri situasi sebenar syarikat. (Untuk maklumat lanjut, lihat: Perlombongan Data untuk Pelabur .)

Sekarang ambil pengurus keluar dari persamaan sepenuhnya dan biarkan model perdagangan secara langsung, dan kemudian kami mempunyai idea di mana analitik ramalan akan berlaku.

Batasan

Masih ada batasan dalam apa yang boleh dilakukan dengan data besar sejauh analitik ramalan pergi. Untuk memberi makan kepada model ramalan, data yang berubah-ubah sering perlu ditukar menjadi bentuk yang boleh digunakan. Jawatan media sosial, sebagai contoh, boleh ditukar menjadi isyarat sentimen dengan menganalisis kata-kata sebagai negatif atau positif dalam konteks syarikat atau industri yang dianalisis. Sentimen ini kemudiannya boleh diukur dan dianalisis lagi untuk memberikan input ke dalam model.

Terdapat jenis data lain yang mungkin dapat memberi makan terus ke dalam model, tetapi variasi yang memberikan model lebih banyak kuasa ramalan juga bermakna akan ada data yang harus diklasifikasikan dan dianalisis sebelum dapat digunakan. Sikap ini, bagaimanapun kecil, perlahan analisis aliran data, jadi kita tidak cukup pada titik di mana model berjalan dalam masa nyata sebenar. Walau bagaimanapun, kerana analisis trend yang digunakan untuk meramalkan pergerakan masa depan, ini bukan halangan penting dan ia adalah yang akan diatasi dengan segera memandangkan lebih banyak minda dan lebih banyak sumber mengalir ke arah syarikat-syarikat yang menawarkan perkhidmatan ini.

Lebih penting lagi, jangka hayat yang berjaya dalam mana-mana model tertentu adalah terhad kerana orang lain menemui dan mula berdagang pada sumber dan corak data yang sama. Terdapat beberapa ruang untuk eksklusiviti beberapa sumber data, tetapi para saintis data biasanya boleh mencari faktor lain untuk berdiam diri untuk data proprietari atau korelasi yang mencerminkan pergerakan data yang hilang. Oleh itu, terus menerus dalam analisis ramalan memerlukan kuasa otak untuk menangani data tidak terstruktur dan tweak dan menguji algoritma baru, serta kuasa pemprosesan dan penyimpanan pada sisi IT. Oleh kerana batasan dan kos ini, analisis ramalan bagi dagangan saham biasanya dipasarkan kepada dana, terutamanya dana lindung nilai, dan bukannya pelabur runcit.(Untuk maklumat lanjut, lihat: Tutorial Funded Hedge Fund .) Bottom Line

Nilai utama analisis ramalan sekarang adalah sebagai alat untuk syarikat menggunakan dalaman untuk mengoptimumkan proses seperti jualan silang, pematuhan, pemasaran dan sebagainya. Yang mengatakan, analisis ramalan boleh digunakan dari sudut pelaburan walaupun tanpa akses penuh ke data dalaman syarikat. Teknologi ini akan bertambah baik dan kelajuan di mana keputusan perdagangan dapat dibuat akan semakin cepat kerana data dan ketepatan ramalan meningkat. Analisis ramalan akan membantu para peniaga dengan jangka waktu jangka pendek. Ia juga akan membolehkan perdagangan automatik menggunakan model ramalan, walaupun ramai di pasaran masih ingat masalah yang sangat nyata yang dapat dikesan kembali ke perdagangan komputer.

Sama ada analitik ramalan akan memberi manfaat kepada pelabur biasa adalah persoalan yang lebih besar. Berapa tumpuan pada data jangka pendek terlalu banyak? Beberapa pelabur yang paling berjaya telah mendapat manfaat dengan mengabaikan gambaran jangka pendek dalam pertukaran untuk prestasi jangka panjang. Adakah mereka masih boleh mengabaikan jangka pendek apabila metrik dari laporan suku tahunan dikemas kini pada setiap hari bersama-sama dengan banjir metrik sentimen yang sebelumnya tidak dapat ditangkap?

Sangat mudah untuk mengatakan bahawa dalam melabur, seperti dalam perbualan, terlalu banyak maklumat boleh menjadi perkara yang buruk, tetapi ini mungkin menjadi satu kes memegang kepada dunia yang biasa digunakan. Masa akan memberitahu sama ada analitik ramalan adalah sumber wawasan yang berharga atau sumber lain bunyi bising pasaran jangka pendek.