Com ha canviat el finançament de grans dades

La vasta proliferació de dades i l’augment de complexitats tecnològiques continuen transformant el funcionament i la competència de les indústries. Durant els darrers anys, el 90 per cent de les dades del món s’han creat com a resultat de la creació de 2, 5 bytes de quintillions de bytes de dades cada dia. Generalment conegut com a big data, aquest ràpid creixement i emmagatzematge crea oportunitats de recollida, processament i anàlisi de dades estructurades i no estructurades.

Després dels tres V de grans dades, les organitzacions utilitzen dades i analítiques per obtenir una visió valuosa per informar sobre millors decisions sobre el negoci. Les indústries que han adoptat l’ús de big data inclouen serveis financers, tecnologia, màrqueting i assistència sanitària, per citar alguns. L’adopció de big data continua redefinint el panorama competitiu de les indústries. S’estima que el 89 per cent de les empreses creuen que aquelles que no tenen una estratègia d’analítica corren el risc de perdre un avantatge competitiu en el mercat.

Els serveis financers, en particular, han adoptat àmpliament les analítiques de big data per informar sobre millors decisions d’inversió amb rendiments consistents. Juntament amb les dades grans, el comerç algorítmic utilitza dades històriques vastes amb models matemàtics complexos per maximitzar els rendiments de la cartera. L’adopció continuada de big data transformarà inevitablement el panorama dels serveis financers. Tanmateix, juntament amb els seus aparents beneficis, continuen els reptes importants quant a la capacitat de les grans dades de captar el volum de muntatge de dades.

3 V de Big Data

Els 3 V són fonamentals per a grans dades: volum, varietat i velocitat. Davant de l’augment de la competència, les limitacions normatives i les necessitats dels clients, les institucions financeres busquen noves maneres d’aprofitar la tecnologia per obtenir eficiència. Segons la indústria, les empreses poden utilitzar certs aspectes del big data per obtenir un avantatge competitiu.

La velocitat és la velocitat amb què s’han d’emmagatzemar i analitzar les dades. La Borsa de Nova York recull 1 terabyte d’informació durant cada dia. Al 2016, s'estimava que es van estimar 18, 9 mil milions de connexions de xarxa, amb aproximadament 2, 5 connexions per persona a la Terra. Les institucions financeres poden diferenciar-se de la competència centrant-se en un processament eficaç i ràpid de les operacions.

Les dades grans es poden classificar com a dades no estructurades o estructurades. Les dades no estructurades són informació desorganitzada i que no entren en un model predeterminat. Inclou dades recollides de fonts de mitjans socials, que ajuden a les institucions a recollir informació sobre les necessitats del client. Les dades estructurades consisteixen en informació que ja gestiona l'organització en bases de dades relacionals i fulls de càlcul. Com a resultat, s'han de gestionar activament les diverses formes de dades per informar sobre millors decisions sobre el negoci.

El volum creixent de dades del mercat suposa un gran repte per a les institucions financeres. Juntament amb grans dades històriques, els mercats bancaris i de capitals han de gestionar activament les dades de ticker. Així mateix, els bancs d’inversió i les empreses de gestió d’actius utilitzen dades voluminoses per prendre decisions sòlides sobre inversions. Les empreses d’assegurances i jubilacions poden accedir a la informació de les pòlisses i reclamacions per a la gestió activa del risc. (Per a més informació, vegeu: Quants: els científics del coet de Wall Street .)

Comerç Algorítmic

El comerç algorítmic s’ha convertit en sinònim de grans dades a causa de les creixents capacitats dels ordinadors. El procés automatitzat permet als programes informàtics executar operacions financeres a velocitats i freqüències que un comerciant humà no pot. Dins dels models matemàtics, el comerç algorítmic proporciona operacions executades als millors preus possibles i una col·locació comercial oportuna i redueix els errors manuals per factors de comportament.

Les institucions poden reduir de forma més eficaç els algoritmes per incorporar quantitats massives de dades, aprofitant grans volums de dades històriques a estratègies de prova, creant així inversions menys arriscades. Això ajuda els usuaris a identificar dades útils per conservar, així com a dades de baix valor per eliminar. Atès que es poden crear algoritmes amb dades estructurades i no estructurades, la incorporació de notícies en temps real, les xarxes socials i les dades de borses en un motor algorítmic poden generar millors decisions de negociació. A diferència de la presa de decisions, que pot ser influenciada per diferents fonts d’informació, l’emoció humana i el biaix, les operacions algorítmiques s’executen exclusivament en models i dades financeres.

Els assessors de Robo utilitzen algoritmes d’inversió i quantitats massives de dades en una plataforma digital. Les inversions s’emmarquen a través de la teoria de la moderna cartera, que generalment aprova les inversions a llarg termini per mantenir rendiments consistents i requereixen una interacció mínima amb els assessors financers humans. (Per a més informació, vegeu: Fonaments del comerç algorítmic: conceptes i exemples .)

Desafiaments

Malgrat que la indústria dels serveis financers abasta cada cop més grans dades, encara hi ha reptes importants en el camp. El més important, la recollida de diverses dades no estructurades dóna suport a la preocupació per la privadesa. Podeu recopilar informació personal sobre la presa de decisions d’una persona mitjançant mitjans socials, correus electrònics i registres de salut.

Dins específicament dels serveis financers, la majoria de crítiques són de l'anàlisi de dades. El gran volum de dades requereix una major sofisticació de les tècniques estadístiques per obtenir resultats precisos. En particular, els crítics sobrevaloren el senyal del soroll com a patrons de correlacions espurioses, que representen resultats estadísticament robustos purament per casualitat. Així mateix, els algoritmes basats en la teoria econòmica solen apuntar a oportunitats d’inversions a llarg termini a causa de les tendències de dades històriques. Produir eficientment resultats que recolzin una estratègia d'inversió a curt termini són reptes inherents als models predictius.

La línia de fons

Les grans dades continuen transformant el paisatge de diverses indústries, especialment dels serveis financers. Moltes institucions financeres estan adoptant analítiques de dades grans per mantenir un avantatge competitiu. Mitjançant l'estructura i les dades no estructurades, els algoritmes complexos poden executar operacions mitjançant diverses fonts de dades. L’emoció humana i el biaix es poden minimitzar mitjançant l’automatització; Tanmateix, la negociació amb anàlisis de grans dades té un conjunt de reptes específics Els resultats estadístics produïts fins ara no s’han completat per la relativa novetat del camp. Tanmateix, a mesura que els serveis financers tendeixen a la gran informació i automatització, la sofisticació de les tècniques estadístiques augmentarà la precisió.