Hur Big Data har förändrat ekonomin

Den stora spridningen av data och den ökande tekniska komplexiteten fortsätter att förändra hur industrier driver och konkurrerar. Under de senaste åren har 90 procent av uppgifterna i världen skapats som ett resultat av skapandet av 2, 5 quintillion byte data på en daglig basis. Vanligtvis kallad big data, skapar denna snabba tillväxt och lagring möjligheter för insamling, bearbetning och analys av strukturerade och ostrukturerade data.

Efter 3 V: s stora data använder organisationer data och analyser för att få värdefull insikt för att informera om bättre affärsbeslut. Branscher som har använt användningen av big data inkluderar finansiella tjänster, teknik, marknadsföring och hälsovård, för att nämna några. Antagandet av big data fortsätter att omdefiniera branschernas konkurrenskraftiga landskap. Uppskattningsvis 89 procent av företagen tror att de utan en analysstrategi riskerar att förlora en konkurrensfördel på marknaden.

Finansiella tjänster, i synnerhet, har vidtagit stora analyser av big data för att informera bättre investeringsbeslut med jämn avkastning. I samband med big data använder algoritmisk handel stora historiska data med komplexa matematiska modeller för att maximera portföljavkastningen. Den fortsatta antagandet av big data kommer oundvikligen att förändra landskapet i finansiella tjänster. Men med dess uppenbara fördelar kvarstår dock betydande utmaningar när det gäller stordata förmåga att fånga upp den stigande datavolymen.

3 V av Big Data

3 V är grundläggande för big data: volym, variation och hastighet. I stället för ökad konkurrens, regleringsbegränsningar och kundbehov söker finansinstitut nya sätt att utnyttja teknik för att få effektivitet. Beroende på bransch kan företag använda vissa aspekter av big data för att få en konkurrensfördel.

Hastighet är hastigheten med vilken data måste lagras och analyseras. New York Stock Exchange fångar 1 terabyte information under varje dag. År 2016 fanns det uppskattningsvis 18, 9 miljarder nätverksanslutningar, med ungefär 2, 5 anslutningar per person på jorden. Finansinstitut kan skilja sig från konkurrensen genom att fokusera på effektiv och snabb bearbetning av affärer.

Big data kan kategoriseras som ostrukturerad eller strukturerad data. Ostrukturerad data är information som är oorganiserad och inte faller in i en förutbestämd modell. Detta inkluderar data som samlas in från sociala mediekällor, som hjälper institutioner att samla in information om kundernas behov. Strukturerad data består av information som redan hanterats av organisationen i relationsdatabaser och kalkylblad. Som ett resultat måste de olika formerna av data hanteras aktivt för att informera om bättre affärsbeslut.

Den ökande volymen marknadsdata utgör en stor utmaning för finansinstitut. Tillsammans med stora historiska data måste bank- och kapitalmarknader aktivt hantera tickeruppgifter. På samma sätt använder investeringsbanker och kapitalförvaltningsföretag omfattande data för att fatta sunda investeringsbeslut. Försäkrings- och pensionsföretag kan få åtkomst till tidigare policy- och skadeståndinformation för aktiv riskhantering. (För mer, se: Quants: The Rocket Scientists Of Wall Street .)

Algoritmisk handel

Algoritmisk handel har blivit synonymt med big data på grund av datorns växande kapacitet. Den automatiserade processen gör det möjligt för datorprogram att utföra ekonomiska affärer med hastigheter och frekvenser som en mänsklig handlare inte kan. Inom de matematiska modellerna tillhandahåller algoritmisk handel transaktioner som utförs till bästa möjliga priser och snabb handelsplacering och minskar manuella fel på grund av beteendefaktorer.

Institutioner kan effektivare begränsa algoritmer för att införliva enorma datamängder, utnyttja stora volymer historisk data till backteststrategier och därmed skapa mindre riskfyllda investeringar. Detta hjälper användare att identifiera användbar data för att behålla såväl som låga värden för att kassera. Med tanke på att algoritmer kan skapas med strukturerad och ostrukturerad data kan integrering av realtidsnyheter, sociala medier och aktiedata i en algoritmisk motor generera bättre handelsbeslut. Till skillnad från beslutsfattande, som kan påverkas av olika informationskällor, mänskliga känslor och partiskhet, utförs algoritmiska handel endast på finansiella modeller och data.

Robo-rådgivare använder investeringsalgoritmer och enorma mängder data på en digital plattform. Investeringar inramas genom Modern Portfolio-teori, som typiskt stöder långsiktiga investeringar för att upprätthålla jämn avkastning och kräver minimal interaktion med mänskliga finansiella rådgivare. (För mer, se: Grunderna i algoritmisk handel: begrepp och exempel .)

Utmaningar

Trots att den finansiella tjänstebranschen ökar omfattningen av big data finns det fortfarande betydande utmaningar på området. Det viktigaste är att insamling av olika ostrukturerade data stöder oro över integriteten. Personlig information kan samlas in om en individs beslut genom sociala medier, e-postmeddelanden och hälsoposter.

Inom specifika finansiella tjänster faller majoriteten av kritiken på dataanalys. Den stora mängden data kräver större sofistikering av statistiska tekniker för att få exakta resultat. I synnerhet överskrider kritikerna signal till brus som mönster av falska korrelationer, vilket representerar statistiskt robusta resultat av en slump. På samma sätt pekar algoritmer baserade på ekonomisk teori vanligtvis på långsiktiga investeringsmöjligheter på grund av trender i historisk data. Effektiva resultat som stöder en kortvarig investeringsstrategi är inneboende utmaningar i prediktiva modeller.

Poängen

Big data fortsätter att förändra landskapet i olika branscher, särskilt finansiella tjänster. Många finansiella institutioner använder big data-analys för att upprätthålla en konkurrensfördel. Genom struktur och ostrukturerad data kan komplexa algoritmer utföra transaktioner med hjälp av ett antal datakällor. Mänsklig känsla och förspänning kan minimeras genom automatisering; handel med big data-analys har emellertid sin egen specifika uppsättning utmaningar. De statistiska resultaten som hittills producerats har inte omfattats fullt ut på grund av fältets relativa nyhet. Eftersom finansiella tjänster trender mot big data och automatisering, kommer dock raffinaderierna av statistiska tekniker att öka noggrannheten.