Store data er ikke nye for Wall Street. Den finansielle verden går på data, slik at enhver mulighet til å få mer og få det raskere, er blitt omtalt av aksjemarkedet siden de første telegraflinjer ble kjørt. Mangfoldet eller kildene og typer dataene som er tilgjengelige for investorer og forhandlere har imidlertid vokst til en torrent hvor et menneskesinn bare ikke kan absorbere og behandle alt. På grunn av denne fysiske begrensningen har en ny industri av prediktiv analyse utviklet seg for å gi mening om store data og gi investorer sanntid kjøp og salg av anbefalinger basert på mønstrene som dannes i dataene lenge før tradisjonelle markedssignaler utvikler seg. I denne artikkelen ser vi på prediktiv analyse og hva det betyr for investorer.

AD:

Variety, hastighet og volum

De tre Vs-variasjonene, hastigheten og volumet - brukes ofte til å beskrive og definere store data. Du trenger alle tre til å gjøre noen meningsfylt analyse. Variety refererer til kanalene for data som blir tappet. Dette kan være alt fra sosiale medier nevner værmeldinger og bulktransaksjonsdata. Volum er mengden data som kommer inn, og som alle Vs, mer er bedre. Volumet og variasjonen av data tillater utelukker å verifiseres eller elimineres og føre til mer nøyaktige data samlet. Hastighet er ganske enkelt den hastigheten som dataene strømmer inn. For at prediktiv analyse skal være verdifull når det gjelder å kjøre lønnsom handel, må dataene være tilgjengelige raskt for analyse, noe som betyr en konstant strøm av oppdatert informasjon. (For ytterligere lesing, sjekk ut: Hvordan store data har endret finansiering .)

AD:

Modellering av dataene

Alle disse store dataene blir matet inn i forskjellige algoritmer for å filtrere og veie betydningen av mønstrene som dukker opp. Algoritmene kombinerer å skape en modell som gir spådommer om kortsiktige markedsbevegelser og en anbefalt handling basert på prediksjonen. Selvfølgelig er det ingen grunn til å begrense det til en modell, så flere modeller med forskjellige fokuserer - bevegelsen en indeks versus en bestemt lager for eksempel - kan kjøres på samme strøm av store data. Dette krever mye bearbeidingskraft og enda mer lagring fordi modellene er opprettet og testet på historiske store data, slik at dataene ikke kan kastes bort. (For mer om økonomisk modellering, sjekk ut: Finansielle modeller du kan lage med Excel .)

AD:

Informasjonshastigheten

Kjernen forskjellen mellom prediktiv analyse og for eksempel en menneskelig fondsleder er den hastigheten som beslutninger kan gjøres. Tenk deg at fondet ditt har en investering i en kjede-restaurant. En fondsleder vil overvåke investeringen minst kvartalsvis, sjekke fortjenestemarginene, avkastning på investert kapital, samme butikksalg og andre sentrale resultatindikatorer som er opplyst av selskapet til sine investorer.Hvis lederen ser en trend, sier slipping av samme butikksalg og en erosjon i fortjenestemarginene i forhold til fjoråret, kan hun bestemme seg for å selge aksjen. Hvis motsatt er sant, kan hun bestemme seg for å kjøpe mer.

Nå arm denne samme fondschefen med en prediktiv modell som drar inn data fra hele. I stedet for å vente på kvartalsrapporter, kan hun se modeller som tilsvarer endringene i samme butikksalg basert på sosiale medier innlegg av kundens kryss referert til transaksjonsdata og GPS-data fra opt-in smartphone-brukere for alle stedene. Analytisk programvare hjelper henne med å utvinne dataene og anbefaler en handling som gjør at hun kan laste ut eller legge til posisjonen lenge før endringen i salget vises i et offisielt dokument. Med andre ord er det ikke lenger noe forsinkelse i å se selskapets resultater, slik at investeringsbeslutninger kan gjøres på opp til minuttinformasjon som nærmer seg selskapets faktiske situasjon. (For mer, se: Data Mining for Investors .)

Ta nå lederen ut av ligningen helt og la modellen handle direkte, og så har vi en ide om hvor predictive analytics går.

Begrensninger

Det er fortsatt noen begrensninger i hva som kan gjøres med store data så langt som forutsigbar analyse går. For å kunne matte de prediktive modellene, må de varierte dataene ofte konverteres til en brukbar form. For eksempel kan sosiale medier innlegg konverteres til sentiment signaler ved å analysere ordene som negative eller positive i sammenheng med at selskapet eller industrien blir analysert. Disse følelsene kan da måles og analyseres videre for å gi innspill til modellen.

Det finnes andre typer data som kan matche direkte inn i modellen, men variasjonen som gir modellen mer prediktive krefter betyr også at det skal være data som må klassifiseres og analyseres før det kan brukes. Dette lag, men lite, gjør analysen av datastrømmen sakte, så vi er ikke helt på det punktet hvor modellen kjører i sann sanntid. På grunn av trendanalysen som brukes til å forutsi fremtidig bevegelse, er dette ikke en betydelig hindring, og det er den som vil bli overvunnet ganske snart som flere tanker og flere ressurser flyter mot selskaper som tilbyr disse tjenestene.

Enda viktigere er den vellykkede levetiden til en bestemt modell begrenset når andre oppdager og begynner å handle på de samme datakilder og mønstre. Det er noe rom for eksklusivitet av enkelte datakilder, men datavitenskapsmenn kan vanligvis finne andre faktorer som kan brukes til proprietære data eller korrelasjoner som reflekterer bevegelser i de manglende dataene. For å fortsette i prediktiv analyse krever hjernekraften å håndtere ustrukturerte data og justere og teste nye algoritmer, samt prosessorkraft og lagring på IT-siden. På grunn av disse begrensningene og kostnadene markedsføres prediktive analyser for aksjehandel vanligvis til midler, særlig hedgefond, i stedet for selgere.(For mer informasjon, sjekk ut: Investopedias Hedgefondsopplæring .)

Bunnlinjen

Den primære verdien av prediktiv analyse er nå som et verktøy for at et selskap skal bruke internt for å optimalisere prosesser som kryssalg, overholdelse, markedsføring og så videre. Når det er sagt, kan predictive analytics brukes fra et investeringssynspunkt selv uten full tilgang til selskapets interne data. Teknologien vil bli bedre, og hastigheten som handelsbeslutninger kan gjøres på, blir raskere da dataene og nøyaktigheten av spådommene øker. Prediktiv analyse vil være en hjelp til handelsfolk med kortsiktige tidsrammer. Det vil også gi mulighet for automatisert handel ved hjelp av prediktive modeller, selv om mange i markedet fortsatt husker veldig virkelige problemer som kan spores tilbake til datahandel.

Om prediktiv analyse vil gagne vanlige investorer er et større spørsmål. Hvor mye av fokus på kortsiktige data er for mye? Noen av de mest vellykkede investorene har hatt fordel av å ignorere det kortsiktige bildet i bytte for langsiktig ytelse. Vil de fortsatt kunne ignorere det kortsiktige når beregningene fra kvartalsrapporter oppdateres daglig, sammen med en deluge av sentimentmålinger som tidligere ikke var mulig å fange?

Det er lett å si at ved å investere, som i samtalen, kan for mye informasjon være en dårlig ting, men dette kan bare være tilfelle å holde fast i verden vi er vant til. Tiden vil fortelle om prediktiv analyse er en verdifull kilde til innsikt eller en annen kilde til kortvarig markedsstøy.