De enorme toename van gegevens en de toenemende technologische complexiteit blijven de manier waarop industrieën werken en concurreren, veranderen. In de afgelopen twee jaar is 90 procent van de gegevens in de wereld gecreëerd als gevolg van de dagelijkse creatie van 2. 5 quintillion bytes aan gegevens. Deze snelle groei en opslag, meestal Big Data genoemd, biedt mogelijkheden voor het verzamelen, verwerken en analyseren van gestructureerde en ongestructureerde gegevens.

AD:

Na de 3 V's van big data gebruiken organisaties data en analyses om waardevolle inzichten te verzamelen om betere zakelijke beslissingen te nemen. Industrieën die het gebruik van big data hebben overgenomen, zijn onder meer financiële diensten, technologie, marketing en gezondheidszorg. De adoptie van big data blijft het competitieve landschap van industrieën herdefiniëren. Naar schatting 89 procent van de bedrijven is van mening dat mensen zonder een analysestrategie het risico lopen een concurrentievoordeel op de markt te verliezen.

AD:

Met name financiële diensten hebben big data-analyses algemeen toegepast om betere investeringsbeslissingen met consistente rendementen te bevorderen. In combinatie met big data gebruikt algoritmische handel uitgebreide historische gegevens met complexe wiskundige modellen om het rendement van de portefeuille te maximaliseren. De aanhoudende adoptie van big data zal onvermijdelijk het landschap van financiële diensten veranderen. Naast de schijnbare voordelen blijven er echter nog grote uitdagingen bestaan ​​met betrekking tot het vermogen van big data om het toenemende datavolume vast te leggen. (Zie voor meer informatie: The Big Play In Big Data .)

AD:

3 V's of Big Data

De 3 V's zijn essentieel voor big data: volume, variëteit en snelheid. Geconfronteerd met toenemende concurrentie, regelgevende beperkingen en klantbehoeften, zoeken financiële instellingen 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 zullen er naar schatting 18,9 miljard netwerkverbindingen zijn tegen 2016, met ongeveer 2,5 connectie per persoon op aarde. Financiële instellingen kunnen zich onderscheiden van de concurrentie door zich te richten op het efficiënt en snel verwerken van transacties.

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

Het toenemende volume van marktgegevens vormt een grote uitdaging voor financiële instellingen. Naast de enorme historische gegevens, moeten de bank- en kapitaalmarkten actief tickergegevens beheren. Evenzo gebruiken investeringsbanken en vermogensbeheerders omvangrijke gegevens om goede beleggingsbeslissingen te nemen. Verzekerings- en pensioenfirma's hebben toegang tot eerdere beleids- en claiminformatie voor actief risicobeheer. (Zie voor meer: ​​ Quants: The Rocket Scientists Of Wall Street .)

Algorithmic Trading

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

Instellingen kunnen algoritmen effectiever beperken om enorme hoeveelheden gegevens te verwerken, waarbij grote hoeveelheden historische gegevens worden gebruikt voor backteststrategieën, waardoor minder risicovolle investeringen worden gecreëerd. Dit helpt gebruikers bij het identificeren van nuttige gegevens om gegevens zo laag mogelijk te houden en weg te gooien. Aangezien algoritmen kunnen worden gemaakt met gestructureerde en ongestructureerde gegevens, kunnen realtime nieuws, sociale media en voorraadgegevens in één algoritmische engine betere handelsbeslissingen genereren. In tegenstelling tot besluitvorming, die kan worden beïnvloed door uiteenlopende informatiebronnen, menselijke emoties 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 door de moderne Portfolio-theorie, die doorgaans langetermijninvesteringen onderschrijft om consistente rendementen te behouden en minimale interactie met menselijke financiële adviseurs vereist. (Zie voor meer informatie: Basisprincipes van algoritmische handel: concepten en voorbeelden .)

Uitdagingen

Ondanks de toenemende omarming van big data door de financiële sector, zijn er nog steeds aanzienlijke uitdagingen op dit gebied. Het belangrijkste is dat de verzameling van verschillende ongestructureerde gegevens bezorgdheid over privacy schraagt. Via sociale media, e-mails en medische dossiers kan persoonlijke informatie over de besluitvorming van een persoon worden verzameld.

Met name in financiële dienstverlening valt de meeste kritiek op gegevensanalyse. De enorme hoeveelheid gegevens vereist meer verfijning van statistische technieken om nauwkeurige resultaten te verkrijgen. In het bijzonder overschatten critici signaal-tot-geluid als patronen van valse correlaties, die statistisch robuuste resultaten puur toevallig weergeven. Evenzo wijzen algoritmen die gebaseerd zijn op economische theorie doorgaans op kansen voor langetermijninvesteringen als gevolg van trends in historische gegevens. Het efficiënt produceren van resultaten die een kortetermijninvesteringsstrategie ondersteunen, zijn inherente uitdagingen in voorspellende modellen.

De bottom line

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