Store data er ikke nye for Wall Street. Den finansielle verden løber på data, så alle muligheder for at få mere og få det hurtigere er blevet omhygget af aktiemarkedet siden de første telegraflinier blev kørt. Men sorten eller kilderne og typerne af data, der er tilgængelige for investorer og forhandlere, er vokset til en torrent, hvor et menneskeligt sind simpelthen ikke kan absorbere og behandle det hele. På grund af denne fysiske begrænsning har en ny industri med prædiktiv analyse udviklet sig for at give mening om store data og give investorer i realtid køb og salg af anbefalinger baseret på de mønstre der dannes i dataene længe før traditionelle markedssignaler udvikler sig. I denne artikel vil vi se på predictive analytics og hvad det betyder for investorer.

Sort, hastighed og volumen

De tre Vs-variationer, hastighed og volumen-bruges ofte til at beskrive og definere store data. Du har brug for alle tre til at foretage en meningsfuld analyse. Variety refererer til kanalerne for data, der bliver tappet. Dette kan være alt fra sociale medier nævner vejrrapporter og bulktransaktionsdata. Lydstyrke er mængden af ​​data, der kommer ind, og ligesom alle Vs, mere er bedre. Volumenet og antallet af data gør det muligt for outliers at verificeres eller elimineres og føre til mere præcise data samlet. Hastighed er simpelthen den hastighed, hvormed dataene strømmer ind. For at forudsigende analyser kan være værdifulde med hensyn til kørsel af rentabel handel, skal dataene være tilgængelige hurtigt til analyse, hvilket betyder en konstant strøm af up-to-the-minute information. (For yderligere læsning skal du tjekke: Hvordan store data har ændret finansiering .)

Modellering af dataene

Alle disse store data indføres i forskellige algoritmer til at filtrere og veje betydningen af ​​de mønstre, der opstår. Algoritmerne kombinerer for at skabe en model, der giver forudsigelser om kortsigtede markedsbevægelser og en anbefalet handling baseret på forudsigelsen. Selvfølgelig er der ingen grund til at begrænse den til en model, så flere modeller med forskellige fokuserer-bevægelsen et indeks versus et bestemt lager for eksempel-kan køres på samme strøm af store data. Dette kræver en masse processorkraft og endnu mere opbevaring, fordi modellerne er oprettet og testet på historiske store data, så dataene ikke kan smides væk. (For mere om finansiel modellering, tjek: Finansielle modeller, du kan oprette med Excel .)

Informationshastigheden

Kerneforskellen mellem predictive analytics og for eksempel en human fund manager er den hastighed, hvormed beslutninger kan træffes. Forestil dig, at din fond har en investering i en kædenrestaurant. En fondsleder overvåger investeringen mindst kvartalsvis, kontrollerer fortjenstmargenerne, afkastet på investeret kapital, samme butikssalg og andre nøgleindikatorer, som selskabet oplyser til sine investorer.Hvis lederen ser en tendens, siger glidende salg med samme butik og en erosion i fortjenstmargenerne i forhold til sidste kvartal, kan hun beslutte at sælge bestanden. Hvis modsat er sandt, kan hun beslutte at købe mere.

Nu arm denne samme fondschef med en prædiktiv model, der trækker data fra hele verden. I stedet for at vente på kvartalsrapporterne kan hun se modeller, der svarer til ændringerne i samme butiks-salg baseret på sociale medier indlæg ved kundens kryds refereret til transaktionsdata og GPS-data fra opt-in smartphone-brugere til alle steder. Analytisk software hjælper hende med at minde dataene og anbefaler en handling, der giver hende mulighed for at aflæse eller tilføje til positionen længe før omsætningsændringen fremgår af et officielt dokument. Med andre ord er der ikke længere nogen forsinkelse i at se selskabets resultater, så investeringsbeslutninger kan træffes på up-to-the-minute information, der er tilnærmelsesvis virksomhedens faktiske situation. (Se yderligere: Data Mining for Investors .)

Tag nu lederen ud af ligningen fuldstændigt, og lad modellen handle direkte, og så har vi en ide om, hvor predictive analytics går.

Begrænsninger

Der er stadig nogle begrænsninger i hvad der kan gøres med store data, så vidt prædiktive analyser går. For at kunne matche de prædiktive modeller skal de varierede data ofte konverteres til en brugbar form. Sociale medier, for eksempel, kan omdannes til sentiment signaler ved at analysere ordene som negative eller positive i sammenhæng med virksomhed eller industri, der analyseres. Disse følelser kan så måles og analyseres yderligere for at give input til modellen.

Der findes andre typer data, der muligvis kan fodre direkte ind i modellen, men den variant, der giver modellen mere prædiktive kræfter betyder også, at der skal være data, som skal klassificeres og analyseres, før det kan bruges. Denne ulempe, dog lille, gør analysen af ​​datastrømmen langsommere, så vi er ikke helt på det punkt, hvor modellen kører i ægte realtid. På grund af den trendanalyse, der bruges til at forudsige fremtidig bevægelse, er dette imidlertid ikke en betydelig hindring, og det er den, der vil blive overvundet, snarere som flere sind og flere ressourcer flyder til virksomheder, der tilbyder disse tjenester.

Endnu vigtigere er den vellykkede levetid for en bestemt model begrænset, da andre opdager og begynder at handle på de samme datakilder og mønstre. Der er noget plads til eksklusivitet af nogle datakilder, men datavidenskabsfolk kan normalt finde andre faktorer, der kan bruges til proprietære data eller korrelationer, der afspejler bevægelser i de manglende data. For at fortsætte i prædiktiv analyse kræver hjernekraften at håndtere de ustrukturerede data og tweak og teste nye algoritmer, samt processorkraft og lagring på IT-siden. På grund af disse begrænsninger og omkostninger markedsføres predictive analytics for aktiehandel normalt til midler, især hedgefonde, i stedet for at sælge investorer.(For mere information, se venligst: Investopedia's Hedge Funds Tutorial .)

Bundlinjen

Den primære værdi af predictive analytics lige nu er som et værktøj for et firma til intern brug for at optimere processer ligesom cross-selling, compliance, marketing og så videre. Når det er sagt, kan predictive analytics bruges ud fra et investeringssynspunkt selv uden fuld adgang til virksomhedens interne data. Teknologien vil blive bedre, og den hastighed, hvormed handelsbeslutninger kan træffes, bliver hurtigere, da dataene og nøjagtigheden af ​​forudsigelserne stiger. Prediktiv analyse vil være en hjælp til handlende med kortsigtede tidsrammer. Det vil også give mulighed for automatiseret handel ved hjælp af prædiktive modeller, selv om mange på markedet stadig kan huske meget reelle problemer, der kan spores tilbage til computerhandel.

Om predictive analytics vil gavne regelmæssige investorer er et større spørgsmål. Hvor meget fokus er kortfristede data for meget? Nogle af de mest succesrige investorer har haft glæde af at ignorere det kortsigtede billede i bytte for langsigtet præstation. Vil de stadig kunne ignorere det kortsigtede, når beregningerne fra kvartalsrapporterne opdateres dagligt sammen med en oversvømmelse af sentimentmålinger, der tidligere var umulige at fange?

Det er let at sige at ved investering, som i samtale, kan for meget information være en dårlig ting, men det kan bare være tilfældet med at holde fast i den verden, vi er vant til. Tid vil fortælle om predictive analytics er en værdifuld kilde til indsigt eller en anden kilde til kortvarig markedsstøj.