Πόσο μεγάλα δεδομένα άλλαξαν τη χρηματοδότηση

Η τεράστια διάδοση των δεδομένων και η αυξανόμενη τεχνολογική πολυπλοκότητα συνεχίζουν να μετασχηματίζουν τον τρόπο λειτουργίας και ανταγωνισμού των βιομηχανιών. Τα τελευταία χρόνια, το 90% των δεδομένων στον κόσμο δημιουργήθηκε ως αποτέλεσμα της δημιουργίας 2, 5 ψηφίων quintillion δεδομένων σε καθημερινή βάση. Αναφερόμενος γενικά ως μεγάλα δεδομένα, αυτή η ταχεία ανάπτυξη και αποθήκευση δημιουργεί ευκαιρίες για συλλογή, επεξεργασία και ανάλυση δομημένων και αδόμητων δεδομένων.

Ακολουθώντας τα 3 V με μεγάλα δεδομένα, οι οργανισμοί χρησιμοποιούν δεδομένα και αναλύσεις για να αποκτήσουν πολύτιμη γνώση για να ενημερώσουν τις καλύτερες επιχειρηματικές αποφάσεις. Οι βιομηχανίες που έχουν υιοθετήσει τη χρήση μεγάλων δεδομένων περιλαμβάνουν τις χρηματοπιστωτικές υπηρεσίες, την τεχνολογία, το μάρκετινγκ και την υγειονομική περίθαλψη, για να αναφέρουμε μερικές. Η υιοθέτηση μεγάλων δεδομένων συνεχίζει να επαναπροσδιορίζει το ανταγωνιστικό τοπίο των βιομηχανιών. Εκτιμάται ότι το 89% των επιχειρήσεων πιστεύει ότι όσοι δεν διαθέτουν στρατηγική ανάλυσης διατρέχουν τον κίνδυνο να χάσουν ένα ανταγωνιστικό πλεονέκτημα στην αγορά.

Ειδικότερα, οι χρηματοπιστωτικές υπηρεσίες υιοθέτησαν ευρέως μεγάλες αναλύσεις δεδομένων για να ενημερώσουν τις καλύτερες επενδυτικές αποφάσεις με σταθερές αποδόσεις. Σε συνδυασμό με τα μεγάλα δεδομένα, το αλγοριθμικό εμπόριο χρησιμοποιεί τεράστια ιστορικά δεδομένα με πολύπλοκα μαθηματικά μοντέλα για τη μεγιστοποίηση των αποδόσεων του χαρτοφυλακίου. Η συνεχής υιοθέτηση μεγάλων δεδομένων αναπόφευκτα θα μετασχηματίσει το τοπίο των χρηματοπιστωτικών υπηρεσιών. Ωστόσο, μαζί με τα προφανή οφέλη, εξακολουθούν να υπάρχουν σημαντικές προκλήσεις όσον αφορά την ικανότητα των μεγάλων δεδομένων να καταγράψουν τον αυξανόμενο όγκο δεδομένων.

3 V από μεγάλα δεδομένα

Τα 3 V είναι θεμελιώδη για τα μεγάλα δεδομένα: όγκος, ποικιλία και ταχύτητα. Αντιμετωπίζοντας τον αυξανόμενο ανταγωνισμό, τους ρυθμιστικούς περιορισμούς και τις ανάγκες των πελατών, τα χρηματοπιστωτικά ιδρύματα επιδιώκουν νέους τρόπους να αξιοποιήσουν την τεχνολογία για να κερδίσουν αποτελεσματικότητα. Ανάλογα με τη βιομηχανία, οι εταιρείες μπορούν να χρησιμοποιήσουν ορισμένες πτυχές των μεγάλων δεδομένων για να αποκτήσουν ένα ανταγωνιστικό πλεονέκτημα.

Η ταχύτητα είναι η ταχύτητα με την οποία τα δεδομένα πρέπει να αποθηκεύονται και να αναλύονται. Το Χρηματιστήριο της Νέας Υόρκης συλλαμβάνει 1 τετράποδα πληροφοριών κατά τη διάρκεια κάθε ημέρας. Μέχρι το 2016, εκτιμήθηκαν 18, 9 δισεκατομμύρια συνδέσεις δικτύου, με περίπου 2, 5 συνδέσεις ανά άτομο στη Γη. Τα χρηματοπιστωτικά ιδρύματα μπορούν να διαφοροποιηθούν από τον ανταγωνισμό εστιάζοντας στην αποτελεσματική και ταχεία επεξεργασία των συναλλαγών.

Τα μεγάλα δεδομένα μπορούν να κατηγοριοποιηθούν ως μη δομημένα ή δομημένα δεδομένα. Τα μη δομημένα δεδομένα είναι πληροφορίες που δεν είναι οργανωμένες και δεν εμπίπτουν σε ένα προκαθορισμένο μοντέλο. Αυτό περιλαμβάνει δεδομένα που συλλέγονται από πηγές κοινωνικών μέσων ενημέρωσης, τα οποία βοηθούν τα ιδρύματα να συλλέγουν πληροφορίες σχετικά με τις ανάγκες των πελατών. Τα δομημένα δεδομένα αποτελούνται από πληροφορίες που ήδη διαχειρίζεται ο οργανισμός σε σχεσιακές βάσεις δεδομένων και υπολογιστικά φύλλα. Κατά συνέπεια, οι διάφορες μορφές δεδομένων πρέπει να διαχειρίζονται ενεργά, προκειμένου να ενημερώνονται καλύτερα οι επιχειρηματικές αποφάσεις.

Ο αυξανόμενος όγκος των δεδομένων της αγοράς αποτελεί μια μεγάλη πρόκληση για τα χρηματοπιστωτικά ιδρύματα. Μαζί με τα τεράστια ιστορικά δεδομένα, οι τραπεζικές και κεφαλαιαγορές πρέπει να διαχειρίζονται ενεργά τα δεδομένα των τρεχουσών συναλλαγών. Ομοίως, οι επενδυτικές τράπεζες και οι εταιρείες διαχείρισης περιουσιακών στοιχείων χρησιμοποιούν ογκώδη δεδομένα για να λαμβάνουν σωστές επενδυτικές αποφάσεις. Οι ασφαλιστικές και συνταξιοδοτικές επιχειρήσεις μπορούν να έχουν πρόσβαση σε παρελθούσες πληροφορίες πολιτικής και αξιώσεις για ενεργή διαχείριση κινδύνων. (Για περισσότερες πληροφορίες, βλ.: Quants: Οι επιστήμονες των Rocket της Wall Street .)

Αλγοριθμική εμπορία

Η αλγοριθμική συναλλαγή έχει γίνει συνώνυμη με τα μεγάλα δεδομένα λόγω των αυξανόμενων δυνατοτήτων των υπολογιστών. Η αυτοματοποιημένη διαδικασία επιτρέπει στα προγράμματα ηλεκτρονικών υπολογιστών να εκτελούν χρηματιστηριακές συναλλαγές με ταχύτητες και συχνότητες που ο ανθρώπινος έμπορος δεν μπορεί. Στα μαθηματικά μοντέλα, η αλγοριθμική διαπραγμάτευση παρέχει συναλλαγές που εκτελούνται στις καλύτερες δυνατές τιμές και έγκαιρη εμπορική τοποθέτηση και μειώνει τα χειροκίνητα σφάλματα λόγω παραγόντων συμπεριφοράς.

Τα ιδρύματα μπορούν να μειώσουν αποτελεσματικότερα τους αλγορίθμους ώστε να ενσωματώσουν τεράστιες ποσότητες δεδομένων, αξιοποιώντας μεγάλους όγκους ιστορικών δεδομένων για να προωθήσουν στρατηγικές, δημιουργώντας έτσι λιγότερο επικίνδυνες επενδύσεις. Αυτό βοηθά τους χρήστες να προσδιορίσουν χρήσιμα δεδομένα για να διατηρήσουν καθώς και δεδομένα χαμηλής αξίας για να απορρίψουν. Δεδομένου ότι οι αλγόριθμοι μπορούν να δημιουργηθούν με δομημένα και αδόμητα δεδομένα, η ενσωμάτωση ειδήσεων σε πραγματικό χρόνο, κοινωνικών μέσων και δεδομένων αποθεμάτων σε έναν αλγόριθμο κινητήρα μπορεί να δημιουργήσει καλύτερες εμπορικές αποφάσεις. Σε αντίθεση με τη λήψη αποφάσεων, η οποία μπορεί να επηρεαστεί από ποικίλες πηγές πληροφόρησης, ανθρώπινη συγκίνηση και προκατάληψη, οι αλγοριθμικές συναλλαγές εκτελούνται αποκλειστικά με οικονομικά μοντέλα και δεδομένα.

Οι σύμβουλοι της Robo χρησιμοποιούν αλγόριθμους επενδύσεων και τεράστια ποσά δεδομένων σε ψηφιακή πλατφόρμα. Οι επενδύσεις πλαισιώνονται από τη θεωρία της σύγχρονης χαρτοφυλακίου, η οποία συνήθως υποστηρίζει μακροπρόθεσμες επενδύσεις για τη διατήρηση σταθερών αποδόσεων και απαιτεί ελάχιστη αλληλεπίδραση με τους ανθρώπινους χρηματοοικονομικούς συμβούλους. (Για περισσότερες πληροφορίες, δείτε: Βασικά στοιχεία αλγοριθμικού εμπορίου: Έννοιες και παραδείγματα .)

Προκλήσεις

Παρά το γεγονός ότι η βιομηχανία χρηματοπιστωτικών υπηρεσιών αυξάνει την αγκαλιά μεγάλων δεδομένων, εξακολουθούν να υπάρχουν σημαντικές προκλήσεις στον τομέα. Το πιο σημαντικό, η συλλογή διαφόρων μη δομημένων δεδομένων υποστηρίζει τις ανησυχίες σχετικά με την ιδιωτικότητα. Μπορούν να συγκεντρωθούν προσωπικές πληροφορίες σχετικά με τη λήψη αποφάσεων ενός ατόμου μέσω κοινωνικών μέσων, ηλεκτρονικών μηνυμάτων και αρχείων υγείας.

Εντός συγκεκριμένων χρηματοπιστωτικών υπηρεσιών, η πλειοψηφία των κριτικών εμπίπτει στην ανάλυση δεδομένων. Ο τεράστιος όγκος δεδομένων απαιτεί μεγαλύτερη εκλέπτυνση των στατιστικών τεχνικών προκειμένου να επιτευχθούν ακριβή αποτελέσματα. Συγκεκριμένα, οι επικριτές υπερεκτιμούν το σήμα προς το θόρυβο ως πρότυπα παραπλανητικών συσχετισμών, που αντιπροσωπεύουν στατιστικά εύρωστα αποτελέσματα καθαρά τυχαία. Ομοίως, οι αλγόριθμοι που βασίζονται στην οικονομική θεωρία συνήθως οδηγούν σε μακροπρόθεσμες ευκαιρίες επενδύσεων λόγω των τάσεων στα ιστορικά δεδομένα. Η αποτελεσματική παραγωγή αποτελεσμάτων που στηρίζουν μια βραχυπρόθεσμη στρατηγική επένδυσης είναι εγγενείς προκλήσεις στα προγνωστικά μοντέλα.

Η κατώτατη γραμμή

Τα μεγάλα δεδομένα συνεχίζουν να μετασχηματίζουν το τοπίο διαφόρων βιομηχανιών, ιδιαίτερα των χρηματοπιστωτικών υπηρεσιών. Πολλά χρηματοπιστωτικά ιδρύματα υιοθετούν μεγάλες αναλύσεις δεδομένων για να διατηρήσουν ανταγωνιστικό πλεονέκτημα. Μέσω της δομής και των αδόμητων δεδομένων, οι σύνθετοι αλγόριθμοι μπορούν να εκτελέσουν συναλλαγές χρησιμοποιώντας διάφορες πηγές δεδομένων. Το ανθρώπινο συναίσθημα και η προκατάληψη μπορούν να ελαχιστοποιηθούν μέσω αυτοματισμού. Ωστόσο, η διαπραγμάτευση με μεγάλη ανάλυση δεδομένων έχει το δικό της συγκεκριμένο σύνολο προκλήσεων. Τα στατιστικά αποτελέσματα που έχουν παραχθεί μέχρι στιγμής δεν έχουν πλήρως αγκαλιαστεί λόγω της σχετικής καινοτομίας του τομέα. Ωστόσο, καθώς η τάση των χρηματοπιστωτικών υπηρεσιών προς μεγάλα δεδομένα και αυτοματοποίηση, η πολυπλοκότητα των στατιστικών τεχνικών θα αυξήσει την ακρίβεια.