Dữ liệu lớn không phải là mới đối với Phố Wall. Thế giới tài chính chạy trên dữ liệu, do đó mỗi cơ hội để có được nhiều hơn và làm cho nó nhanh hơn đã được chấp nhận bởi thị trường chứng khoán kể từ khi các đường dây điện tín đầu tiên đã được chạy. Tuy nhiên, sự đa dạng hoặc nguồn và loại dữ liệu sẵn có cho các nhà đầu tư và các thương gia đã phát triển đến một torrent mà một tâm trí của con người đơn giản không thể hấp thụ và xử lý tất cả. Do hạn chế về mặt vật lý, một ngành công nghiệp phân tích tiên đoán đã phát triển để tạo ra ý nghĩa của dữ liệu lớn và đưa ra các khuyến nghị mua và bán theo thời gian thực dựa trên các mẫu hình thành dữ liệu trước khi các tín hiệu thị trường truyền thống phát triển. Trong bài này, chúng ta sẽ xem xét các phân tích tiên đoán và ý nghĩa của nó đối với các nhà đầu tư.

Các loại, tốc độ và thể tích của ba loại Vs thường được sử dụng để mô tả và xác định dữ liệu lớn. Bạn cần cả ba để làm bất kỳ phân tích có ý nghĩa. Đa dạng đề cập đến các kênh dữ liệu đang được khai thác. Đây có thể là tất cả mọi thứ từ các phương tiện truyền thông xã hội đề cập đến báo cáo thời tiết và dữ liệu giao dịch hàng loạt. Khối lượng là số lượng dữ liệu đến và, giống như tất cả các Vs, nhiều hơn là tốt hơn. Khối lượng và sự đa dạng của dữ liệu cho phép các bên ngoài được xác minh hoặc loại bỏ và dẫn đến tổng thể dữ liệu chính xác hơn. Velocity chỉ đơn giản là tốc độ dữ liệu chảy vào. Đối với các phân tích tiên đoán có giá trị trong việc thúc đẩy thương mại có lợi nhuận, dữ liệu cần phải có sẵn một cách nhanh chóng để phân tích, có nghĩa là một luồng thông tin cập nhật liên tục. (Để đọc thêm, hãy kiểm tra:

Dữ liệu lớn Thay đổi Tài chính như thế nào

. Tất cả các dữ liệu lớn này được đưa vào các thuật toán khác nhau để lọc và cân nhắc tầm quan trọng của các mô hình nổi lên. Các thuật toán kết hợp để tạo ra một mô hình cung cấp các dự đoán về những động thái thị trường ngắn hạn và một hành động được đề xuất dựa trên dự đoán. Tất nhiên, không có lý do để giới hạn nó cho một mô hình, vì vậy nhiều mô hình với tập trung khác nhau-di chuyển một chỉ số so với một cổ phiếu cụ thể chẳng hạn-có thể chạy trên cùng một dòng dữ liệu lớn. Điều này đòi hỏi rất nhiều sức mạnh xử lý và thậm chí nhiều hơn lưu trữ vì các mô hình được tạo ra và thử nghiệm trên dữ liệu lịch sử lớn, do đó, dữ liệu không thể được vứt đi. (Để biết thêm về mô hình tài chính, hãy kiểm tra: Các mô hình tài chính bạn có thể tạo với Excel

.)

Tốc độ thông tin

Sự khác nhau cơ bản giữa phân tích tiên đoán và, ví dụ, người quản lý quỹ con người là tốc độ quyết định. Hãy tưởng tượng rằng quỹ của bạn đã đầu tư vào một nhà hàng chuỗi. Một nhà quản lý quỹ sẽ theo dõi mức đầu tư này ít nhất mỗi quý một lần, kiểm tra mức lợi nhuận, lợi nhuận trên vốn đầu tư, doanh số bán hàng tương tự và các chỉ số hoạt động chính khác mà công ty tiết lộ cho nhà đầu tư.Nếu người quản lý nhìn thấy một xu hướng, nói rằng trượt doanh số bán hàng cùng với sự sụt giảm trong lợi nhuận so với quý trước, cô ấy có thể quyết định bán cổ phiếu. Nếu ngược lại là đúng, cô ấy có thể quyết định mua thêm. Bây giờ hãy cùng quản lý quỹ này với một mô hình dự đoán thu thập dữ liệu từ khắp nơi. Thay vì chờ đợi báo cáo hàng quý, cô có thể nhìn thấy các mô hình gần đúng sự thay đổi trong doanh số bán hàng tương tự dựa trên các bài đăng phương tiện truyền thông xã hội bằng chữ thập của khách hàng được tham chiếu với dữ liệu giao dịch và dữ liệu GPS từ người dùng smartphone đã chọn tham gia cho tất cả các địa điểm. Phần mềm phân tích giúp cô khai thác dữ liệu và đề xuất một hành động, cho phép cô ta dỡ bỏ hoặc bổ sung vào vị trí này rất lâu trước khi sự thay đổi trong doanh số bán hàng xuất hiện trong một tài liệu chính thức. Nói cách khác, không còn thời gian trễ để nhìn thấy kết quả của công ty để có thể đưa ra các quyết định đầu tư theo thông tin cập nhật gần đúng tình hình thực tế của công ty. ( Khai phá dữ liệu cho các nhà đầu tư

.)

Bây giờ hãy đưa người quản lý ra khỏi phương trình hoàn toàn và để cho mô hình thương mại trực tiếp, và sau đó chúng ta có một ý tưởng về phân tích tiên đoán nơi xảy ra.

Hạn chế

Vẫn còn một số hạn chế trong những gì có thể được thực hiện với dữ liệu lớn như xa như phân tích tiên đoán đi. Để nuôi các mô hình tiên đoán, dữ liệu khác nhau thường cần phải được chuyển đổi thành một dạng sử dụng được. Ví dụ: các bài đăng phương tiện truyền thông xã hội có thể được chuyển thành tín hiệu tình cảm bằng cách phân tích các từ như là tiêu cực hoặc tích cực trong bối cảnh công ty hoặc ngành được phân tích. Những tình cảm này sau đó có thể được đo và phân tích sâu hơn để cung cấp đầu vào cho mô hình. Có các loại dữ liệu khác có thể trực tiếp đưa vào mô hình, nhưng đa dạng cho phép các mô hình dự đoán nhiều hơn cũng có nghĩa là sẽ có dữ liệu được phân loại và phân tích trước khi nó có thể được sử dụng. Sự chậm trễ này, tuy nhỏ, làm chậm phân tích luồng dữ liệu, vì vậy chúng tôi không hoàn toàn ở điểm mô hình đang chạy đúng thời gian thực. Tuy nhiên, do phân tích xu hướng được sử dụng để dự đoán chuyển động trong tương lai, đây không phải là một rào cản đáng kể và nó là một trong những sẽ được khắc phục ngay khi tâm trí và nguồn lực chảy vào các công ty cung cấp các dịch vụ này. Quan trọng hơn, tuổi thọ thành công của bất kỳ mô hình cụ thể nào còn hạn chế khi những người khác khám phá và bắt đầu thương mại trên cùng một nguồn và mẫu dữ liệu. Có một số chỗ cho sự độc quyền của một số nguồn dữ liệu, nhưng các nhà khoa học dữ liệu thường có thể tìm thấy các yếu tố khác để đứng trong dữ liệu độc quyền hoặc tương quan phản ánh các chuyển động trong dữ liệu bị thiếu. Vì vậy, việc tiếp tục phân tích tiên đoán đòi hỏi sức mạnh của não để xử lý dữ liệu phi cấu trúc và tinh chỉnh và kiểm tra các thuật toán mới, cũng như sức mạnh xử lý và lưu trữ ở phía CNTT. Do những hạn chế và chi phí, phân tích tiên đoán cho giao dịch chứng khoán thường được tiếp thị đến các quỹ, đặc biệt là các quỹ phòng hộ hơn là bán lẻ nhà đầu tư.Giá trị chính của phân tích tiên đoán ngay bây giờ là như một công cụ để một công ty sử dụng nội bộ để tối ưu hóa các quy trình (999)

Hedge Funds Tutorial

.

như bán chéo, tuân thủ, tiếp thị và như vậy. Điều đó cho biết, các phân tích tiên đoán có thể được sử dụng từ một quan điểm đầu tư ngay cả khi không có quyền truy cập đầy đủ vào dữ liệu nội bộ của công ty. Công nghệ sẽ cải thiện và tốc độ quyết định giao dịch có thể được thực hiện nhanh hơn khi dữ liệu và tính chính xác của dự đoán tăng lên. Phân tích tiên đoán sẽ là sự trợ giúp cho các nhà kinh doanh với khung thời gian ngắn. Nó cũng sẽ cho phép tự động kinh doanh sử dụng các mô hình tiên đoán, mặc dù nhiều người trong thị trường vẫn còn nhớ những vấn đề rất thực tế có thể được truy nguồn từ máy tính kinh doanh.

Cho dù phân tích tiên đoán sẽ mang lại lợi ích cho các nhà đầu tư thông thường là một câu hỏi lớn hơn. Bao nhiêu tập trung vào các dữ liệu ngắn hạn là quá nhiều? Một số nhà đầu tư thành công nhất đã được hưởng lợi bằng cách bỏ qua bức tranh ngắn hạn để đổi lấy kết quả kinh doanh dài hạn. Liệu họ có thể bỏ qua kỳ hạn ngắn khi các số liệu từ các báo cáo hàng quý được cập nhật hàng ngày cùng với sự tràn ngập các số liệu về tình cảm mà trước đây không thể nắm bắt?

Thật dễ dàng để nói rằng trong đầu tư, như trong cuộc trò chuyện, quá nhiều thông tin có thể là một điều xấu, nhưng điều này chỉ có thể là một trường hợp giữ cho thế giới chúng ta đang sử dụng. Thời gian sẽ cho biết liệu phân tích tiên đoán có phải là một nguồn thông tin giá trị hoặc một nguồn tiếng ồn thị trường ngắn hạn khác không.