Os grandes dados não são novos para Wall Street. O mundo financeiro é executado em dados, então cada oportunidade de obter mais e obtê-lo mais rápido foi abraçada pelo mercado de ações desde que as primeiras linhas de telégrafo foram executadas. No entanto, a variedade ou fontes e tipos de dados disponíveis para investidores e comerciantes cresceu para uma torrente onde uma mente humana simplesmente não pode absorver e processar tudo. Devido a essa limitação física, uma nova indústria de análise preditiva desenvolveu para dar sentido a dados importantes e oferecer aos investidores em tempo real as recomendações de compra e venda com base nos padrões que se formam nos dados muito antes dos sinais tradicionais do mercado se desenvolverem. Neste artigo, analisaremos análises preditivas e o que isso significa para os investidores.

Variedade, velocidade e volume

Os três Vs - variedade, velocidade e volume - são freqüentemente usados ​​para descrever e definir grandes dados. Você precisa de todos os três para fazer qualquer análise significativa. Variety refere-se aos canais de dados que estão sendo utilizados. Isso pode ser tudo, desde menções de redes sociais até relatórios meteorológicos e dados de transações em massa. O volume é a quantidade de dados que vem e, como todos os Vs, mais é melhor. O volume e a variedade de dados permitem a outliers serem verificados ou eliminados e levar a dados mais precisos em geral. A velocidade é simplesmente a taxa na qual os dados circulam. Para que a análise preditiva seja valiosa em termos de negociação rentável, os dados devem estar disponíveis rapidamente para análise, o que significa um fluxo constante de informações atualizadas. (Para ler mais, confira: Como os grandes dados mudaram a Finanças .)

Modelando os Dados

Todos esses grandes dados são alimentados em diferentes algoritmos para filtrar e pesar o significado dos padrões que emergem. Os algoritmos se combinam para criar um modelo que fornece previsões sobre movimentos do mercado a curto prazo e uma ação recomendada com base na previsão. Claro, não há razão para limitá-lo a um modelo, então vários modelos com diferentes enfoques - o movimento de um índice versus um estoque específico por exemplo - podem ser executados no mesmo fluxo de dados grandes. Isso exige muito poder de processamento e ainda mais armazenamento porque os modelos são criados e testados em dados históricos grandes, de modo que os dados não podem ser descartados. (Para mais informações sobre modelagem financeira, confira: Modelos financeiros que você pode criar com o Excel .)

A Velocidade da Informação

A principal diferença entre a análise preditiva e, por exemplo, um gerente de fundo humano é a velocidade com que as decisões podem ser tomadas. Imagine que seu fundo tenha um investimento em um restaurante de cadeia. Um gerente de fundos estará observando o investimento pelo menos trimestralmente, verificando as margens de lucro, o retorno sobre o capital investido, as vendas da mesma loja e outros indicadores de desempenho chave divulgados pela empresa aos seus investidores.Se o gerente vê uma tendência, diga deslizar as vendas da mesma loja e uma erosão nas margens de lucro em relação ao último trimestre, ela pode decidir vender o estoque. Se o contrário for verdadeiro, ela pode decidir comprar mais.

Agora arme este mesmo gerente de fundos com um modelo preditivo tirando dados de todas as partes. Em vez de aguardar os relatórios trimestrais, ela pode ver modelos que se aproximam das mudanças nas vendas na mesma loja, com base em postagens das mídias sociais, referentes ao cliente com os dados da transação e os dados do GPS de usuários de smartphones opt-in para todos os locais. O software analítico a ajuda na mineração dos dados e recomenda uma ação, permitindo que ela seja descarregada ou adicionada à posição muito antes da mudança nas vendas aparecer em um documento oficial. Em outras palavras, não há mais tempo de atraso ao ver os resultados da empresa, de modo que as decisões de investimento podem ser feitas em informações atualizadas que se aproximem da situação atual da empresa. (Para mais, veja: Data Mining for Investors .)

Agora, retire o gerente da equação completamente e deixe o modelo negociar diretamente e então temos uma idéia de onde a análise preditiva está indo.

Limitações

Ainda existem algumas limitações no que pode ser feito com grandes dados, tanto quanto as análises preditivas vão. Para alimentar os modelos preditivos, os dados variados geralmente precisam ser convertidos em uma forma utilizável. As postagens de mídia social, por exemplo, podem ser convertidas em sinais de sentimento, analisando as palavras como negativas ou positivas no contexto da empresa ou indústria que está sendo analisada. Esses sentimentos podem então ser medidos e analisados ​​para proporcionar uma contribuição para o modelo.

Existem outros tipos de dados que podem se alimentar diretamente no modelo, mas a variedade que dá ao modelo mais potências preditivas também significa que haverá dados que devem ser classificados e analisados ​​antes que ele possa ser usado. Esse atraso, por menor que seja, diminui a análise do fluxo de dados, então não estamos no ponto em que o modelo está sendo executado em tempo real real. No entanto, devido à análise de tendência utilizada para prever o movimento futuro, isso não é um obstáculo significativo e é o que será superado logo que mais mentes e mais recursos fluam para as empresas que oferecem esses serviços.

Mais importante ainda, o tempo de vida bem-sucedido de qualquer modelo específico é limitado à medida que outros descobrem e começam a trocar nas mesmas fontes de dados e padrões. Há algum espaço para a exclusividade de algumas fontes de dados, mas os cientistas de dados geralmente podem encontrar outros fatores para suportar dados proprietários ou correlações que refletem os movimentos nos dados perdidos. Portanto, manter-se à frente na análise preditiva requer o poder do cérebro para lidar com os dados não estruturados e ajustar e testar novos algoritmos, bem como o poder de processamento e armazenamento no lado da TI. Devido a essas limitações e custos, as análises preditivas para negociação de ações geralmente são comercializadas para fundos, principalmente fundos de hedge, e não para investidores vendidos.(Para mais informações, confira: Hedge Funds Tutorial .

A linha inferior

O valor primário da análise preditiva agora é como uma ferramenta para uma empresa usar internamente para otimizar processos como cross-selling, conformidade, marketing e assim por diante. Dito isto, a análise preditiva pode ser usada do ponto de vista do investimento, mesmo sem acesso total aos dados internos de uma empresa. A tecnologia irá melhorar e a velocidade com que as decisões comerciais podem ser feitas será mais rápida à medida que os dados e a precisão das previsões aumentam. A análise preditiva será uma ajuda para os comerciantes com prazos de curto prazo. Também permitirá a negociação automatizada usando modelos preditivos, embora muitos no mercado ainda se lembrem de problemas muito reais que podem ser rastreados até o comércio de computadores.

Se a análise preditiva beneficiará os investidores regulares é uma questão maior. Quanto de um foco nos dados de curto prazo é demais? Alguns dos investidores mais bem-sucedidos se beneficiaram ao ignorar a imagem de curto prazo em troca de desempenho a longo prazo. Será que eles ainda poderão ignorar o curto prazo quando as métricas dos relatórios trimestrais forem atualizadas diariamente, juntamente com um dilúvio de métricas de sentimento que antes eram impossíveis de capturar? É fácil dizer que ao investir, como na conversa, muita informação pode ser uma coisa ruim, mas isso pode ser apenas um caso de segurar o mundo ao qual costumamos fazer. O tempo indicará se a análise preditiva é uma fonte valiosa de insight ou outra fonte de ruído do mercado a curto prazo.