Wall Street için büyük veriler yeni değil. Finansal dünya verileri kullanıyor, bu nedenle ilk telgraf hattı çalıştırıldıktan sonra hisse senedi piyasasında daha fazla şey kazanma ve daha hızlı olma fırsatı benimsendi. Bununla birlikte, yatırımcılara ve tüccarlara sunulan çeşitlilik veya kaynaklar ve veri türleri, insan zihninin hepsini basitçe absorbe edemediği ve işleyemediği bir sel haline dönüşmüştür. Bu fiziksel sınırlamadan ötürü, büyük verilere önem vermek ve yatırımcılara, geleneksel pazar sinyallerinin gelişiminden çok önce verileri oluşturan kalıplara dayalı olarak, gerçek zamanlı olarak alıp satmak için öneriler sunmak için yeni bir tahmini analiz endüstrisi geliştirildi. Bu makalede tahmini analitik ve yatırımcılar için ne anlama geldiğini inceleyeceğiz.

Çeşitlilik, Hız ve Hacim

Üç Vs çeşitliliği, hız ve hacim - büyük verileri tanımlamak ve tanımlamak için sıklıkla kullanılır. Her üçünün de anlamlı analiz yapması gerekir. Çeşitlilik, dokunulan verilerin kanallarını belirtir. Bu, sosyal medyada bahsedilenlerden hava durumu raporlarına ve toplu işlem verilerine kadar her şey olabilir. Hacim, gelen veri miktarıdır ve tüm V'ler gibi daha iyidir. Verilerin hacmi ve çeşitliliği, aykırı değerlerin doğrulanmasına veya yok edilmesine ve genel olarak daha doğru verilere yol açmasına izin verir. Hız, basitçe verilerin aktığı hızdır. Tahmini analitiklerin kârlı ticareti artırmak açısından değerli olabilmesi için, verilerin analiz için çabucak bulunması gerekir; yani, dakikalarca güncel bir bilgi akışı anlamına gelir. (Daha fazla bilgi için, Büyük Verilerin Finans Nasıl Değiştirildiğini kontrol edin.)

Verilerin Modellenmesi

Bu büyük verilerin tümü, ortaya çıkan modellerin önemini filtrelemek ve tartmak için farklı algoritmalara beslenir. Algoritmalar, kısa vadeli piyasa hareketleri ve öngörüye dayanan önerilen bir eylem öngören bir model oluşturmak için bir araya getirir. Elbette, onu bir modelle sınırlamak için herhangi bir neden yoktur, bu nedenle, farklı odaklanmaya sahip birden fazla model - bir indeksin belirli bir hisse senedine hareketi - örneğin büyük veri akışı üzerinde çalıştırılabilir. Modellerin tarihsel büyük verilere göre oluşturulması ve test edilmesi nedeniyle bunun için çok fazla işlem gücü ve daha fazla depolama gerekir; bu nedenle veriler atılabilir. (Finansal modelleme hakkında daha fazla bilgi için Excel ile Oluşturabileceğiniz Finansal Modeller .

Bilgi Hızı

Tahminlü analitik ve örneğin bir insan fonu yöneticisi arasındaki temel farklılık, kararların alınma hızıdır. Fondan bir zincir restorana bir yatırım yapıldığını düşünün. Bir fon yöneticisi, şirket tarafından yatırımcılarına açıklanan kar marjlarını, yatırım sermayesinin geri ödemesini, aynı mağaza satışlarını ve diğer kilit performans göstergelerini kontrol ederek yatırımları en az üçer aylık dönemlerde izleyecektir.Yönetici bir eğilim görürse, aynı mağazanın satışlarını kaybedebilir ve kâr marjlarında geçen çeyreğe kıyasla bir erozyon yaşarsa, bu hisseyi satmaya karar verebilir. Eğer bunun tam tersi olursa, daha fazla almaya karar verebilir.

Şimdi, aynı fon yöneticisini, her yerden verileri çeken tahmini bir modele uydurun. Üç aylık raporları beklemek yerine, müşterilerin, işlem verileri ile çapraz referanslı sosyal medya mesajlarına ve seçilen akıllı telefon kullanıcılarının GPS verileri hakkındaki tüm mağazalar üzerindeki aynı mağaza satışlarındaki değişikliklere yaklaşan modelleri görebilirsiniz. Analitik yazılım, verilerin incelenmesine yardımcı olur ve satış değişiklikleri resmi bir belgede görünmeden çok önce pozisyonu boşaltmasına ya da eklemesine izin veren bir eylem önermektedir. Başka bir deyişle, şirketin sonuçlarını görme konusunda herhangi bir zaman gecikmesi kalmadığından yatırım kararları şirketin gerçek durumuna yaklaşık dakikalık bilgi üzerinde yapılabilir. (Daha fazla bilgi için, bakınız: Yatırımcılar için Veri Madenciliği .)

Şimdi yöneticiyi denklemin tamamen dışına alın ve modelin doğrudan ticaret yapmasına izin verin ve sonra tahmini analitiklerin nereye gideceği hakkında bir fikrimiz vardır.

Sınırlamalar

Tahmini analitik ilerledikçe büyük verilere nelerin yapılabileceği konusunda bazı kısıtlamalar bulunmaktadır. Tahmini modelleri beslemek için, çeşitli verilerin sıklıkla kullanılabilir bir forma dönüştürülmesi gerekir. Örneğin, sosyal medya mesajları, analiz edilen şirket ya da sanayi bağlamında kelimeleri olumsuz ya da pozitif olarak analiz ederek duygu sinyallerine dönüştürülebilir. Bu duygular daha sonra modele bir girdi sağlamak için ölçülebilir ve analiz edilebilir.

Doğrudan modele besleyebilecek başka veri türleri de vardır, ancak modele daha akıllı güç veren çeşitlilik de kullanılmadan önce sınıflandırılması ve analiz edilmesi gereken veriler olacağı anlamına gelir. Bu gecikme, ancak küçük olmasına rağmen, veri akışının analizini yavaşlatıyor, bu nedenle modelin gerçek gerçek zamanlı olduğu noktada değiliz. Bununla birlikte, trend analizi gelecekteki hareketi öngörmek için kullanıldığından, bu önemli bir engel değildir ve bu hizmetleri sunan şirketlere daha fazla zihin ve daha fazla kaynak aktığı için çok geçmeden üstesinden gelecek tek şey budur.

Daha da önemlisi, belirli modellerin başarılı ömrü, diğerleri keşfeder ve aynı veri kaynakları ve modelleri üzerinde ticaret yapmaya başlarken sınırlıdır. Bazı veri kaynaklarının münhasırlığı için bir yer var, ancak veri bilimcileri, eksik verilerdeki hareketleri yansıtan mülkiyet verileri veya korelasyonlar için genellikle bekleyen diğer faktörleri bulabilir. Tahmini analitikte ilerlemeyi sürdürmek için, beyin gücünün yapılandırılmamış veriyle uğraşması ve BT algoritmasının yanısıra yeni algoritmaları çimdik ve test etmesi gerekir. Bu kısıtlamalar ve maliyetler nedeniyle, hisse senedi ticareti için tahmine dayalı analitik yatırımcılar yerine perakende yatırım fonları olmak üzere fonlara, özellikle hedge fonlarına pazarlanmaktadır.(Daha fazla bilgi için, Investopedia'nın Hedge Funds Tutorial 'u inceleyin.)

Bottom Line

Tahmin edici analitiklerin temel değeri, bir şirketin süreçleri optimize etmek için dahili olarak kullanması için bir araçtır çapraz satış, uyumluluk, pazarlama vb. gibi. Bununla birlikte, tahmini analitik, bir şirketin dahili verisine tam erişim olmadan bile yatırım açısından kullanılabilir. Teknoloji artacak ve ticaret kararlarının verilebileceği hız, verilerin ve tahminlerin doğruluğunun artmasıyla daha da artacaktır. Tahminli analitik, kısa vadeli zaman dilimlerine sahip tüccarlara yardımcı olacaktır. Ayrıca, pazardaki pek çok kişi hala bilgisayar ticaretine kadar izlenebilen gerçek sorunları hatırlıyorsa da, tahmin modeli kullanarak otomatik ticarete izin verecek.

Tahminci analitiklerin düzenli yatırımcılara fayda sağlayıp sağlamayacağı daha büyük bir sorudur. Kısa vadeli verilere odaklanma ne kadar çok? En başarılı yatırımcılardan bazıları, uzun vadeli performans karşılığında kısa vadeli resmi görmezden gelerek fayda sağladı. Üç ayda bir çıkan raporlardaki metrikler gün geçtikçe güncellenirken, daha önce yakalanması imkansız olan bir duyarlılık metriği ile kısa vadeyi görmezden gelebilecekler mi?

Yatırım yapmakta, konuşmada olduğu gibi, çok fazla bilginin kötü bir şey olabileceğini söylemek kolay, ama bu sadece alıştığımız dünyayı elinde tutmanın bir örneği olabilir. Zaman tahmini analitiklerin değerli bir bilgi kaynağı mı yoksa kısa vadeli piyasa gürültüsünün başka bir kaynağı mı olduğunu gösterecektir.