Big data is niet nieuw voor Wall Street. De financiële wereld draait op gegevens, dus elke gelegenheid om meer te krijgen en sneller te worden is al sinds de eerste telegraaflijnen door de aandelenmarkt omarmd. De variëteit of bronnen en soorten gegevens die beschikbaar zijn voor beleggers en handelaars is echter uitgegroeid tot een stortvloed waar een menselijke geest eenvoudigweg niet alles kan absorberen en verwerken. Vanwege deze fysieke beperking is een nieuwe industrie van voorspellende analyse ontwikkeld om big data te begrijpen en beleggers realtime aanbevelingen voor aan- en verkoop te geven op basis van de patronen die zich in de gegevens vormen lang voordat traditionele marktsignalen zich ontwikkelen. In dit artikel zullen we kijken naar voorspellende analyses en wat dit betekent voor beleggers.

Variety, Velocity and Volume

De drie Vs-variëteit, snelheid en volume worden vaak gebruikt om big data te beschrijven en te definiëren. Je hebt ze alle drie nodig om een ​​zinvolle analyse uit te voeren. Variatie verwijst naar de kanalen van gegevens die worden afgeluisterd. Dit kan van alles zijn, van meldingen van sociale media tot weerberichten en bulktransactiegegevens. Volume is de hoeveelheid data die binnenkomt en, zoals alle Vs, is meer beter. Het volume en de verscheidenheid aan gegevens zorgen ervoor dat uitbijters kunnen worden geverifieerd of verwijderd en kunnen leiden tot nauwkeurigere gegevens in het algemeen. Snelheid is eenvoudig de snelheid waarmee de gegevens stromen. Om voorspellende analyses waardevol te laten zijn voor het aansturen van winstgevende handel, moeten de gegevens snel beschikbaar zijn voor analyse, wat betekent een constante stroom van actuele informatie. (Voor meer informatie, kijk op: Hoe grote hoeveelheden gegevens van Finance zijn veranderd .)

Modellering van de gegevens

Al deze big data worden in verschillende algoritmen ingevoerd om de betekenis van de patronen die naar voren komen te filteren en te wegen. De algoritmen combineren om een ​​model te maken dat voorspellingen biedt over korte termijn marktbewegingen en een aanbevolen actie op basis van de voorspelling. Natuurlijk is er geen reden om het tot één model te beperken, dus meerdere modellen met verschillende focus - de beweging een index versus een bepaalde voorraad bijvoorbeeld - kunnen op dezelfde stroom big data worden uitgevoerd. Dit vereist veel rekenkracht en zelfs meer opslag omdat de modellen worden gemaakt en getest op historische big data, zodat de gegevens niet kunnen worden weggegooid. (Ga voor meer informatie over financiële modellering naar: Financiële modellen die u kunt maken met Excel .)

De snelheid van informatie

Het belangrijkste verschil tussen voorspellende analyses en, bijvoorbeeld, een menselijke fondsbeheerder is de snelheid waarmee beslissingen kunnen worden genomen. Stel je voor dat je fonds een investering in een ketenrestaurant doet. Een fondsbeheerder bekijkt de investering minstens op kwartaalbasis en controleert de winstmarges, het rendement op geïnvesteerd kapitaal, dezelfde winkelverkopen en andere essentiële prestatie-indicatoren die door het bedrijf aan zijn beleggers worden bekendgemaakt.Als de manager een trend ziet, bijvoorbeeld het stelen van de verkoop van identieke winkels en een erosie in de winstmarges ten opzichte van het vorige kwartaal, kan ze besluiten de aandelen te verkopen. Als het tegendeel waar is, kan ze besluiten om meer te kopen.

Breng nu dezelfde fondsmanager in de arm met een voorspellend model dat gegevens van overal binnenhaalt. In plaats van te wachten op de driemaandelijkse rapporten, kan ze modellen zien die de veranderingen in de gelijk winkelverkoop benaderen op basis van social media-berichten door de klant die kruisverwijzingen geeft met de transactiegegevens en GPS-gegevens van opt-in smartphonegebruikers voor alle locaties. Analytische software helpt haar bij het ontginnen van de gegevens en beveelt een actie aan die haar in staat stelt om uit te laden of toe te voegen aan de positie lang voordat de verandering in de verkoop in een officieel document verschijnt. Met andere woorden, er is geen tijdverlies meer om de resultaten van het bedrijf te zien, dus kunnen investeringsbeslissingen worden genomen op basis van de meest actuele informatie die de werkelijke situatie van het bedrijf benadert. (Zie voor meer informatie: Datamining voor beleggers .)

Neem de manager nu volledig uit de vergelijking en laat het model direct handelen, en dan hebben we een idee van waar voorspellende analyses naartoe gaan.

Beperkingen

Er zijn nog enkele beperkingen in wat er met big data kan worden gedaan voor zover voorspellende analyses werken. Om de voorspellende modellen te voeden, moeten de gevarieerde gegevens vaak worden omgezet in een bruikbare vorm. Social media-berichten kunnen bijvoorbeeld worden omgezet in sentimentsignalen door de woorden als negatief of positief te analyseren in de context van het bedrijf of de industrie die wordt geanalyseerd. Deze gevoelens kunnen vervolgens worden gemeten en verder worden geanalyseerd om een ​​input in het model te leveren.

Er zijn andere soorten gegevens die mogelijk rechtstreeks in het model kunnen worden ingevoerd, maar de variëteit die het model meer voorspellende krachten geeft, betekent ook dat er gegevens moeten worden geclassificeerd en geanalyseerd voordat deze kunnen worden gebruikt. Deze vertraging, hoe klein ook, vertraagt ​​de analyse van de gegevensstroom, dus we zijn nog niet helemaal op het punt waar het model in ware realtime wordt uitgevoerd. Vanwege de trendanalyse die wordt gebruikt om toekomstige bewegingen te voorspellen, is dit echter geen belangrijke hindernis en het is diegene die snel zal worden overwonnen naarmate meer geesten en meer middelen naar bedrijven gaan die deze diensten aanbieden.

Wat nog belangrijker is, is dat de succesvolle levensduur van een bepaald model beperkt is terwijl anderen dezelfde gegevensbronnen en -patronen ontdekken en beginnen te verhandelen. Er is enige ruimte voor exclusiviteit van sommige gegevensbronnen, maar gegevenswetenschappers kunnen meestal andere factoren vinden om in aanmerking te komen voor bedrijfseigen gegevens of correlaties die bewegingen in de ontbrekende gegevens weergeven. Dus het bijhouden van voorspellende analyses vereist de kracht van de hersenen om om te gaan met de ongestructureerde gegevens en om nieuwe algoritmen en de verwerkingskracht en opslag aan de IT-kant aan te passen en te testen. Vanwege deze beperkingen en kosten, worden voorspellende analyses voor de handel in aandelen gewoonlijk verkocht aan fondsen, met name hedgefondsen, in plaats van beleggers te verkopen.(Zie voor meer informatie: Investopedia's Hedge Funds zelfstudie .)

The Bottom Line

De primaire waarde van voorspellende analyses is nu als een hulpmiddel voor een bedrijf om intern te gebruiken om processen te optimaliseren zoals cross-selling, compliance, marketing enzovoort. Dat gezegd hebbende, kunnen voorspellende analyses worden gebruikt vanuit een investeringsstandpunt, zelfs zonder volledige toegang tot de interne gegevens van een bedrijf. De technologie zal verbeteren en de snelheid waarmee handelsbeslissingen kunnen worden genomen zal sneller worden naarmate de gegevens en de nauwkeurigheid van de voorspellingen toenemen. Voorspellende analyses zullen een hulp zijn voor handelaars met een kortetermijnplan. Het zal ook geautomatiseerde handel mogelijk maken met behulp van voorspellende modellen, hoewel velen op de markt nog steeds zeer reële problemen herinneren die terug te voeren zijn op computerhandel.

Of een voorspellende analyse ten goede komt aan reguliere beleggers, is een grotere vraag. Hoeveel van een focus op de kortetermijngegevens is te veel? Enkele van de meest succesvolle beleggers hebben geprofiteerd van het negeren van het korte termijnplaatje in ruil voor prestaties op de lange termijn. Zullen ze de korte termijn nog steeds kunnen negeren wanneer de statistieken van de kwartaalrapporten dagelijks worden bijgewerkt, samen met een stortvloed aan sentimentgegevens die voorheen niet konden worden vastgelegd?

Het is gemakkelijk om te zeggen dat bij het beleggen, zoals in een gesprek, teveel informatie een slechte zaak kan zijn, maar dit kan gewoon een kwestie zijn van vasthouden aan de wereld die we gewend zijn. De tijd zal uitwijzen of voorspellende analyse een waardevolle bron van inzicht is of een andere oorzaak van kortetermijnmarktruis.