A vasta proliferação de dados e o aumento das complexidades tecnológicas continuam a transformar a forma como as indústrias operam e competem. Nos últimos dois anos, 90 por cento dos dados no mundo foram criados como resultado da criação de 2. 5 quintilhões de bytes de dados diariamente. Comumente referido como dados importantes, esse rápido crescimento e armazenamento criam oportunidades para coleta, processamento e análise de dados estruturados e não estruturados.

Após as 3 V de grandes dados, as organizações usam dados e análises para obter informações valiosas para informar melhores decisões de negócios. Indústrias que adotaram o uso de grandes dados incluem serviços financeiros, tecnologia, marketing e cuidados de saúde, para citar alguns. A adoção de dados importantes continua a redefinir a paisagem competitiva das indústrias. Cerca de 89% das empresas acreditam que aqueles sem uma estratégia de análise correm o risco de perder uma vantagem competitiva no mercado.

Os serviços financeiros, em particular, adotaram amplamente análises de dados importantes para informar melhores decisões de investimento com retornos consistentes. Em conjunto com grandes dados, o comércio algorítmico usa dados históricos vastos com modelos matemáticos complexos para maximizar os retornos da carteira. A continuação da adoção de grandes dados inevitavelmente transformará a paisagem dos serviços financeiros. No entanto, juntamente com os seus aparentes benefícios, permanecem desafios significativos em relação à capacidade dos grandes dados de capturar o volume de dados de montagem. (Para mais, veja: O Big Play em Big Data .)

3 V de dados grandes

Os 3 V são fundamentais para grandes dados: volume, variedade e velocidade. Diante do aumento da concorrência, das restrições regulatórias e das necessidades dos clientes, as instituições financeiras estão buscando novas formas de alavancar a tecnologia para obter eficiência. Dependendo da indústria, as empresas podem usar certos aspectos dos grandes dados para obter uma vantagem competitiva.

A velocidade é a velocidade a que os dados devem ser armazenados e analisados. A Bolsa de Valores de Nova York captura 1 terabyte de informações durante cada dia. Até 2016, haverá cerca de 18. 9 bilhões de conexões de rede até 2016, com cerca de 2. 5 conectadas por pessoa na Terra. As instituições financeiras podem se diferenciar da concorrência, concentrando-se em processar transações eficientes e rápidas.

Os grandes dados podem ser categorizados como dados não estruturados ou estruturados. Os dados não estruturados são informações desorganizadas e não se enquadram em um modelo pré-determinado. Isso inclui dados coletados de fontes de redes sociais, que ajudam as instituições a reunir informações sobre as necessidades dos clientes. Os dados estruturados consistem em informações já gerenciadas pela organização em bancos de dados relacionais e planilhas.Como resultado, as várias formas de dados devem ser ativamente gerenciadas para informar melhores decisões de negócios.

O crescente volume de dados de mercado representa um grande desafio para as instituições financeiras. Junto com vastos dados históricos, os mercados bancário e de capitais precisam gerenciar ativamente os dados do ticker. Do mesmo modo, os bancos de investimento e as empresas de gestão de ativos utilizam dados volumosos para tomar decisões sólidas de investimento. As empresas de seguros e aposentadorias podem acessar a política anterior e as informações de reclamações para gerenciamento de risco ativo. (Para mais, veja: Quants: The Rocket Scientists Of Wall Street .)

Algorithmic Trading

O comércio algorítmico tornou-se sinônimo de dados importantes devido às crescentes capacidades dos computadores. O processo automatizado permite que programas de computador executem negócios financeiros a velocidades e freqüências que um comerciante humano não pode. Dentro dos modelos matemáticos, a negociação algorítmica fornece trades executados com os melhores preços possíveis e colocação comercial atempada e reduz erros manuais devido a fatores comportamentais.

As instituições podem reduzir de forma mais eficaz os algoritmos para incorporar enormes quantidades de dados, alavancando grandes volumes de dados históricos para estratégias de backtest, criando assim investimentos menos arriscados. Isso ajuda os usuários a identificar dados úteis para manter, assim como dados de baixo valor, para descartar. Dado que os algoritmos podem ser criados com dados estruturados e não estruturados, a incorporação de notícias em tempo real, mídia social e dados de estoque em um mecanismo algorítmico pode gerar melhores decisões comerciais. Ao contrário da tomada de decisão, que pode ser influenciada por fontes variáveis ​​de informação, emoção humana e viés, os negócios algorítmicos são executados exclusivamente em modelos e dados financeiros.

Os conselheiros da Robo usam algoritmos de investimento e grandes quantidades de dados em uma plataforma digital. Os investimentos são enquadrados através da teoria da Carteira Moderna, que geralmente apoia investimentos de longo prazo para manter retornos consistentes e requer uma interação mínima com consultores financeiros humanos. (Para mais informações, veja: Noções básicas de negociação algorítmica: conceitos e exemplos .)

Desafios

Apesar de a indústria de serviços financeiros aumentar o alcance de dados importantes, ainda existem desafios significativos no campo. Mais importante ainda, a coleção de vários dados não estruturados suporta preocupações com a privacidade. Informações pessoais podem ser coletadas sobre a tomada de decisões de um indivíduo através de redes sociais, e-mails e registros de saúde.

Nos serviços financeiros especificamente, a maioria das críticas cai na análise de dados. O grande volume de dados requer uma maior sofisticação das técnicas estatísticas para obter resultados precisos. Em particular, os críticos superam o sinal ao ruído como padrões de correlações espúrias, representando resultados estatisticamente robustos puramente por acaso. Do mesmo modo, os algoritmos baseados na teoria econômica geralmente apontam para oportunidades de investimentos de longo prazo devido a tendências em dados históricos. A produção eficiente de resultados que apoiam uma estratégia de investimento de curto prazo são desafios inerentes nos modelos preditivos.

A linha inferior

Os grandes dados continuam a transformar a paisagem de várias indústrias, particularmente os serviços financeiros. Muitas instituições financeiras estão adotando grandes análises de dados para manter uma vantagem competitiva. Através da estrutura e dados não estruturados, algoritmos complexos podem executar trades usando uma série de fontes de dados. A emoção humana e o viés podem ser minimizados através da automação; no entanto, o comércio com grande análise de dados tem seu próprio conjunto específico de desafios. Os resultados estatísticos produzidos até agora não foram completamente aceitos devido à novidade relativa do campo. No entanto, à medida que a tendência dos serviços financeiros para grandes dados e automação, a sofisticação de técnicas estatísticas aumentará a precisão.