Hoe big data de financiën heeft veranderd

De enorme toename van gegevens en de toenemende technologische complexiteit blijven de manier waarop industrieën werken en concurreren veranderen. In de afgelopen paar jaar is 90 procent van de gegevens in de wereld gecreëerd als resultaat van het dagelijks creëren van 2, 5 miljoen bytes aan gegevens. Meestal aangeduid als big data, biedt deze snelle groei en opslag mogelijkheden voor het verzamelen, verwerken en analyseren van gestructureerde en ongestructureerde gegevens.

In navolging van de 3 V's van big data, gebruiken organisaties data en analyses om waardevol inzicht te verkrijgen om betere zakelijke beslissingen te nemen. Industrieën die big data gebruiken, zijn financiële diensten, technologie, marketing en gezondheidszorg, om er maar een paar te noemen. De acceptatie van big data blijft het concurrentielandschap van industrieën opnieuw definiëren. Naar schatting 89 procent van de ondernemingen gelooft dat bedrijven zonder een analysestrategie het risico lopen een concurrentievoordeel in de markt te verliezen.

Met name financiële diensten hebben op grote schaal big data-analyses toegepast om betere investeringsbeslissingen met consistent rendement te ondersteunen. In combinatie met big data gebruikt algoritmische handel enorme historische gegevens met complexe wiskundige modellen om het rendement van de portefeuille te maximaliseren. De voortdurende toepassing van big data zal onvermijdelijk het landschap van financiële diensten veranderen. Naast de duidelijke voordelen, blijven er echter grote uitdagingen bestaan ​​met betrekking tot het vermogen van big data om het toenemende datavolume vast te leggen.

3 V's van Big Data

De 3 V's zijn fundamenteel voor big data: volume, variëteit en snelheid. Geconfronteerd met toenemende concurrentie, wettelijke beperkingen en klantbehoeften, zijn financiële instellingen op zoek naar nieuwe manieren om technologie te gebruiken om efficiëntie te bereiken. Afhankelijk van de branche kunnen bedrijven bepaalde aspecten van big data gebruiken om een ​​concurrentievoordeel te behalen.

Snelheid is de snelheid waarmee gegevens moeten worden opgeslagen en geanalyseerd. De New York Stock Exchange vangt elke dag 1 terabyte aan informatie op. Tegen 2016 waren er naar schatting 18, 9 miljard netwerkverbindingen, met ongeveer 2, 5 verbindingen per persoon op aarde. Financiële instellingen kunnen zich onderscheiden van de concurrentie door zich te concentreren op efficiënte en snelle verwerking van transacties.

Big data kan worden gecategoriseerd als ongestructureerde of gestructureerde data. Ongestructureerde gegevens zijn informatie die ongeorganiseerd is en niet in een vooraf bepaald model valt. Dit omvat gegevens die zijn verzameld uit bronnen van sociale media, die instellingen helpen informatie te verzamelen over de behoeften van klanten. Gestructureerde gegevens bestaan ​​uit informatie die de organisatie al beheert in relationele databases en spreadsheets. Als gevolg hiervan moeten de verschillende vormen van gegevens actief worden beheerd om betere zakelijke beslissingen te nemen.

Het toenemende volume van marktgegevens vormt een grote uitdaging voor financiële instellingen. Naast enorme historische gegevens moeten bank- en kapitaalmarkten actief tickergegevens beheren. Evenzo gebruiken investeringsbanken en vermogensbeheerders volumineuze gegevens om goede beleggingsbeslissingen te nemen. Verzekerings- en pensioenbedrijven hebben toegang tot polissen en claims uit het verleden voor actief risicobeheer. (Zie voor meer informatie: Quants: The Rocket Scientists Of Wall Street .)

Algoritmische handel

Algoritmische handel is synoniem geworden met big data vanwege de groeiende mogelijkheden van computers. Het geautomatiseerde proces stelt computerprogramma's in staat om financiële transacties uit te voeren met snelheden en frequenties die een menselijke handelaar niet kan. Binnen de wiskundige modellen biedt algoritmische handel transacties uitgevoerd tegen de best mogelijke prijzen en tijdige handelsplaatsing, en vermindert handmatige fouten als gevolg van gedragsfactoren.

Instellingen kunnen algoritmen effectiever inperken om enorme hoeveelheden gegevens op te nemen, waarbij grote hoeveelheden historische gegevens worden gebruikt om strategieën te testen, waardoor minder risicovolle investeringen worden gecreëerd. Dit helpt gebruikers bij het identificeren van nuttige gegevens die moeten worden bewaard en gegevens van lage waarde die moeten worden weggegooid. Aangezien algoritmen kunnen worden gecreëerd met gestructureerde en ongestructureerde gegevens, kunnen realtime nieuws, sociale media en aandelengegevens in één algoritmische engine betere handelsbeslissingen genereren. In tegenstelling tot besluitvorming, die kan worden beïnvloed door verschillende informatiebronnen, menselijke emotie en vooringenomenheid, worden algoritmische transacties uitsluitend uitgevoerd op financiële modellen en gegevens.

Robo-adviseurs gebruiken investeringsalgoritmen en enorme hoeveelheden gegevens op een digitaal platform. Investeringen worden omkaderd via de moderne portefeuilletheorie, die doorgaans langetermijninvesteringen onderschrijft om een ​​consistent rendement te behouden en minimale interactie met menselijke financiële adviseurs vereist. (Zie voor meer informatie: Basisprincipes van algoritmische handel: concepten en voorbeelden .)

Uitdagingen

Ondanks het feit dat de financiële dienstverlening steeds meer big data omarmt, bestaan ​​er nog steeds grote uitdagingen op dit gebied. Het belangrijkste is dat het verzamelen van verschillende ongestructureerde gegevens de bezorgdheid over de privacy ondermijnt. Persoonlijke informatie kan worden verzameld over de besluitvorming van een individu via sociale media, e-mails en gezondheidsdossiers.

Binnen financiële dienstverlening valt de meeste kritiek op data-analyse. De enorme hoeveelheid gegevens vereist een grotere verfijning van statistische technieken om nauwkeurige resultaten te verkrijgen. In het bijzonder overschatten critici het signaal op ruis als patronen van onechte correlaties, die puur toeval statistisch robuuste resultaten vertegenwoordigen. Evenzo wijzen algoritmen op basis van economische theorie doorgaans op investeringsmogelijkheden op lange termijn vanwege trends in historische gegevens. Efficiënt produceren van resultaten ter ondersteuning van een investeringsstrategie op korte termijn zijn inherente uitdagingen in voorspellende modellen.

Het komt neer op

Big data blijft het landschap van verschillende industrieën, met name financiële diensten, transformeren. Veel financiële instellingen maken gebruik van big data-analyse om een ​​concurrentievoordeel te behouden. Door structuur en ongestructureerde gegevens kunnen complexe algoritmen transacties uitvoeren met behulp van een aantal gegevensbronnen. Menselijke emotie en vooringenomenheid kunnen worden geminimaliseerd door automatisering; Handelen met big data-analyse heeft echter zijn eigen specifieke uitdagingen. De tot nu toe geproduceerde statistische resultaten zijn niet volledig omarmd vanwege de relatieve nieuwheid van het veld. Naarmate de trend in de financiële dienstverlening naar big data en automatisering toeneemt, zal de verfijning van statistische technieken de nauwkeurigheid vergroten.