Τα μεγάλα δεδομένα δεν είναι νέα στη Wall Street. Ο χρηματοπιστωτικός κόσμος τρέχει σε δεδομένα, οπότε κάθε ευκαιρία για να πάρει περισσότερα και να πάρει ταχύτερα έχει αγκαλιαστεί από το χρηματιστήριο από την πρώτη τηλεγραφήματα γραμμών τρέχουν. Ωστόσο, η ποικιλία ή οι πηγές και οι τύποι δεδομένων που είναι διαθέσιμα στους επενδυτές και τους εμπόρους έχουν αυξηθεί σε ένα χείμαρρο, όπου ένα ανθρώπινο μυαλό απλά δεν μπορεί να απορροφήσει και να επεξεργαστεί όλα αυτά. Λόγω αυτού του φυσικού περιορισμού αναπτύχθηκε ένας νέος κλάδος προγνωστικών αναλύσεων που έχει νόημα για μεγάλα δεδομένα και δίνει στους επενδυτές τη δυνατότητα να αγοράζουν και να πωλούν σε πραγματικό χρόνο συστάσεις βάσει των προτύπων που διαμορφώνονται στα δεδομένα πολύ πριν αναπτυχθούν τα παραδοσιακά σήματα της αγοράς. Σε αυτό το άρθρο, θα εξετάσουμε τα προγνωστικά και τι σημαίνει για τους επενδυτές.

AD:

Ποικιλία, ταχύτητα και όγκος

Η ποικιλία, η ταχύτητα και ο όγκος των τριών Vs χρησιμοποιούνται συχνά για να περιγράψουν και να ορίσουν μεγάλα δεδομένα. Χρειάζεστε και τα τρία για να κάνετε οποιαδήποτε σημαντική ανάλυση. Η ποικιλία αναφέρεται στα κανάλια των δεδομένων που χρησιμοποιούνται. Αυτό μπορεί να είναι τα πάντα, από τα μέσα κοινωνικής δικτύωσης αναφέρει σε αναφορές καιρού και δεδομένα μαζικών συναλλαγών. Ο όγκος είναι η ποσότητα των δεδομένων που εισέρχονται και, όπως όλα τα Vs, περισσότερα είναι καλύτερα. Ο όγκος και η ποικιλία των δεδομένων επιτρέπουν την επαλήθευση ή την εξάλειψη των ακραίων τιμών και τη συνολική βελτίωση των δεδομένων. Η ταχύτητα είναι απλώς ο ρυθμός με τον οποίο ρέουν τα δεδομένα. Για να είναι πολύτιμες οι αναλυτικές μέθοδοι από την άποψη της οδήγησης κερδοφόρων συναλλαγών, τα δεδομένα πρέπει να είναι διαθέσιμα γρήγορα για ανάλυση, πράγμα που σημαίνει μια συνεχή ροή ενημερωμένων πληροφοριών. (Για περαιτέρω ανάγνωση, δείτε: Πόσο μεγάλα δεδομένα άλλαξαν οικονομικά .)

AD:

Μοντελοποίηση των δεδομένων

Όλα αυτά τα μεγάλα δεδομένα τροφοδοτούνται σε διαφορετικούς αλγόριθμους για να φιλτράρουν και να ζυγίζουν τη σημασία των μοτίβων που προκύπτουν. Οι αλγόριθμοι συνδυάζονται για τη δημιουργία ενός μοντέλου που παρέχει προβλέψεις για βραχυπρόθεσμες κινήσεις της αγοράς και μια συνιστώμενη ενέργεια βασισμένη στην πρόβλεψη. Φυσικά, δεν υπάρχει κανένας λόγος να περιοριστεί σε ένα μοντέλο, έτσι ώστε πολλά μοντέλα με διαφορετικές εστίες - η κίνηση δείκτη έναντι συγκεκριμένου αποθέματος για παράδειγμα - μπορούν να τρέξουν στην ίδια ροή μεγάλων δεδομένων. Αυτό απαιτεί πολλή ισχύ επεξεργασίας και ακόμα περισσότερη αποθήκευση επειδή τα μοντέλα δημιουργούνται και δοκιμάζονται με ιστορικά μεγάλα δεδομένα, έτσι ώστε τα δεδομένα δεν μπορούν να πεταχτούν. (Για περισσότερα σχετικά με τη χρηματοοικονομική μοντελοποίηση, δείτε: Οικονομικά μοντέλα που μπορείτε να δημιουργήσετε με το Excel .)

Η ταχύτητα της πληροφόρησης

Η βασική διαφορά μεταξύ των προγνωστικών αναλύσεων και, για παράδειγμα, ενός διαχειριστή ανθρώπινου ταμείου είναι η ταχύτητα με την οποία μπορούν να ληφθούν αποφάσεις. Φανταστείτε ότι το ταμείο σας έχει μια επένδυση σε ένα αλυσίδα εστιατορίου. Ο διαχειριστής αμοιβαίων κεφαλαίων θα παρακολουθεί την επένδυση τουλάχιστον ανά τρίμηνο, ελέγχοντας τα περιθώρια κέρδους, την απόδοση του επενδεδυμένου κεφαλαίου, τις ίδιες πωλήσεις καταστημάτων και άλλους βασικούς δείκτες απόδοσης που αποκαλύπτει η εταιρεία στους επενδυτές της.Αν ο διευθυντής διαπιστώσει μια τάση, πείτε την ύφεση των πωλήσεων του ίδιου καταστήματος και μια διάβρωση στα περιθώρια κέρδους σε σχέση με το τελευταίο τρίμηνο, μπορεί να αποφασίσει να πουλήσει το απόθεμα. Εάν το αντίθετο ισχύει, μπορεί να αποφασίσει να αγοράσει περισσότερα.

Τώρα ανοίξτε τον ίδιο διαχειριστή χαρτοφυλακίου με ένα μοντέλο πρόβλεψης που τραβάει δεδομένα από παντού. Αντί να περιμένει τις τριμηνιαίες αναφορές, μπορεί να δει μοντέλα που προσεγγίζουν τις αλλαγές στις πωλήσεις του ίδιου καταστήματος με βάση τις δημοσιεύσεις κοινωνικών μέσων από τη διασταύρωση του πελάτη με τα δεδομένα συναλλαγών και τα δεδομένα GPS από τους χρήστες opt-in smartphone για όλες τις τοποθεσίες. Αναλυτικό λογισμικό την βοηθά στην εξόρυξη των δεδομένων και συνιστά μια ενέργεια, επιτρέποντάς της να εκφορτωθεί ή να προστεθεί στη θέση πολύ πριν από την αλλαγή των πωλήσεων εμφανίζονται σε ένα επίσημο έγγραφο. Με άλλα λόγια, δεν υπάρχει πλέον καθυστέρηση στην παρακολούθηση των αποτελεσμάτων της εταιρείας, έτσι ώστε οι επενδυτικές αποφάσεις να μπορούν να λαμβάνονται με ενημερωμένες πληροφορίες που προσεγγίζουν την πραγματική κατάσταση της εταιρείας. (

Εξόρυξη Δεδομένων για Επενδυτές .) Τώρα πάρτε τον διευθυντή από την εξίσωση εντελώς και αφήστε το μοντέλο να διαπραγματευτεί άμεσα και έπειτα έχουμε μια ιδέα για το πού πηγαίνει η προβλεπτική ανάλυση.

Περιορισμοί

Υπάρχουν ακόμα μερικοί περιορισμοί στο τι μπορεί να γίνει με τα μεγάλα δεδομένα όσον αφορά την πρόβλεψη των αναλυτικών στοιχείων. Προκειμένου να τροφοδοτηθούν τα μοντέλα πρόβλεψης, τα ποικίλα δεδομένα πρέπει συχνά να μετατραπούν σε μια χρήσιμη μορφή. Οι θέσεις των κοινωνικών μέσων, για παράδειγμα, μπορούν να μετατραπούν σε σήματα συναισθημάτων με την ανάλυση των λέξεων ως αρνητικών ή θετικών στο πλαίσιο της επιχείρησης ή της βιομηχανίας που αναλύεται. Αυτά τα συναισθήματα μπορούν έπειτα να μετρηθούν και να αναλυθούν περαιτέρω για να δώσουν μια εισροή στο μοντέλο.

Υπάρχουν και άλλοι τύποι δεδομένων που μπορούν να τροφοδοτούν άμεσα το μοντέλο, αλλά η ποικιλία που δίνει στο μοντέλο περισσότερες δυνατότητες πρόβλεψης σημαίνει επίσης ότι θα υπάρχουν δεδομένα που πρέπει να ταξινομηθούν και να αναλυθούν πριν να χρησιμοποιηθούν. Αυτή η υστέρηση, όσο μικρή, καθυστερεί την ανάλυση της ροής δεδομένων, οπότε δεν είμαστε αρκετά στο σημείο όπου το μοντέλο τρέχει σε πραγματικό πραγματικό χρόνο. Ωστόσο, λόγω της ανάλυσης τάσεων που χρησιμοποιείται για την πρόβλεψη μελλοντικών μετακινήσεων, αυτό δεν αποτελεί σημαντικό εμπόδιο και είναι αυτό που θα ξεπεραστεί πολύ σύντομα, καθώς περισσότερα νοήματα και περισσότεροι πόροι εισρέουν στις εταιρείες που προσφέρουν αυτές τις υπηρεσίες.

Το πιο σημαντικό είναι ότι η επιτυχημένη διάρκεια ζωής ενός συγκεκριμένου μοντέλου είναι περιορισμένη καθώς άλλοι ανακαλύπτουν και αρχίζουν να εμπορεύονται τις ίδιες πηγές και πρότυπα δεδομένων. Υπάρχει κάποιο περιθώριο για την αποκλειστικότητα ορισμένων πηγών δεδομένων, αλλά οι επιστήμονες δεδομένων συνήθως βρίσκουν άλλους παράγοντες για να παραμείνουν στα ιδιόκτητα δεδομένα ή συσχετισμοί που αντικατοπτρίζουν τις κινήσεις των δεδομένων που λείπουν. Συνεπώς, η παρακολούθηση των προγνωστικών αναλύσεων απαιτεί τη δύναμη του εγκεφάλου να ασχοληθεί με τα μη δομημένα δεδομένα και να δοκιμάσει και να δοκιμάσει νέους αλγόριθμους, καθώς και την ισχύ επεξεργασίας και την αποθήκευση στην πλευρά της πληροφορικής. Λόγω αυτών των περιορισμών και του κόστους, οι προγνωστικές αναλύσεις για τη διαπραγμάτευση των χρηματιστηριακών προϊόντων συνήθως διατίθενται στο χρηματιστήριο, ιδίως σε αμοιβαία κεφάλαια κινδύνου, αντί να προμηθεύουν επενδυτές.(

Η κατώτατη γραμμή

Η βασική αξία των προγνωστικών αναλύσεων είναι αυτή τη στιγμή ως εργαλείο για μια επιχείρηση που χρησιμοποιεί εσωτερικά για τη βελτιστοποίηση των διαδικασιών όπως σταυροειδείς πωλήσεις, συμμόρφωση, εμπορία και ούτω καθεξής. Τούτου λεχθέντος, οι αναλυτικές προβλέψεις μπορούν να χρησιμοποιηθούν από επενδυτική άποψη ακόμη και χωρίς πλήρη πρόσβαση στα εσωτερικά δεδομένα μιας εταιρείας. Η τεχνολογία θα βελτιωθεί και η ταχύτητα με την οποία μπορούν να γίνουν αποφάσεις εμπορικών συναλλαγών θα γίνει ταχύτερη καθώς τα δεδομένα και η ακρίβεια των προβλέψεων αυξάνονται. Τα προγνωστικά αναλυτικά στοιχεία θα βοηθήσουν τους εμπόρους με βραχυπρόθεσμα χρονικά πλαίσια. Θα επιτρέψει επίσης την αυτοματοποιημένη διαπραγμάτευση χρησιμοποιώντας προγνωστικά μοντέλα, αν και πολλά στην αγορά θυμούνται πολύ πραγματικά προβλήματα που μπορούν να εντοπιστούν πίσω στην εμπορία ηλεκτρονικών υπολογιστών.

Εάν η πρόβλεψη των αναλυτικών στοιχείων θα ωφελήσει τους τακτικούς επενδυτές είναι μια μεγαλύτερη ερώτηση. Πόσο μεγάλη εστίαση στα βραχυπρόθεσμα δεδομένα είναι πάρα πολύ; Μερικοί από τους πιο επιτυχημένους επενδυτές έχουν επωφεληθεί αγνοώντας τη βραχυπρόθεσμη εικόνα με αντάλλαγμα τις μακροπρόθεσμες επιδόσεις. Θα εξακολουθούν να είναι σε θέση να αγνοούν το βραχυπρόθεσμο, όταν οι μετρήσεις από τις τριμηνιαίες αναφορές ενημερώνονται σε καθημερινή βάση μαζί με έναν κατακλυσμό μετρήσεων συναισθημάτων που προηγουμένως ήταν αδύνατο να καταγράψουμε;

Είναι εύκολο να πούμε ότι στην επένδυση, όπως και στην συζήτηση, πάρα πολλές πληροφορίες μπορεί να είναι κακό, αλλά αυτό μπορεί να είναι απλώς μια περίπτωση κράτησης στον κόσμο που είχαμε συνηθίσει. Ο χρόνος θα δείξει εάν οι αναλυτικές μέθοδοι πρόβλεψης είναι μια πολύτιμη πηγή γνώσης ή άλλης πηγής βραχυπρόθεσμου θορύβου στην αγορά.