Stora data är inte nya för Wall Street. Den finansiella världen går på data, så alla möjligheter att få mer och få det snabbare har blivit omhändertagna av aktiemarknaden sedan de första telegraflinjerna kördes. Men sorten eller källorna och typerna av data som finns tillgängliga för investerare och handlare har vuxit till en torrent där ett mänskligt sinne helt enkelt inte kan absorbera och bearbeta allt. På grund av denna fysiska begränsning har en ny industri av prediktiv analys utvecklats för att ge mening om stora data och ge investerare realtids köp och försäljning av rekommendationer baserat på de mönster som bildas i data långt innan traditionella marknadssignaler utvecklas. I den här artikeln ser vi på predictive analytics och vad det betyder för investerare.

Variety, hastighet och volym

De tre variablerna Vs, hastighet och volym används ofta för att beskriva och definiera stora data. Du behöver alla tre att göra någon meningsfull analys. Variety hänvisar till kanalerna för data som tappas. Detta kan vara allt från sociala medier nämner väderrapporter och bulktransaktionsdata. Volymen är den mängd data som kommer in och, liksom alla V, är mer bättre. Volymen och mångfalden av data möjliggör att outliers antingen verifieras eller elimineras och leder till mer exakta data övergripande. Hastighet är helt enkelt den takt som data strömmar in. För att predictive analytics ska vara värdefull när det gäller att driva lönsam handel, måste data vara tillgängliga snabbt för analys, vilket innebär en konstant ström av upp-till-minuten-information. (För ytterligare läsning, kolla in: Hur stora data har ändrats Finans .)

Modellera data

Alla dessa stora data matas in i olika algoritmer för att filtrera och väga betydelsen av de mönster som uppstår. Algoritmerna kombinerar för att skapa en modell som ger förutsägelser om kortsiktiga marknadsrörelser och en rekommenderad åtgärd baserad på förutsägelsen. Naturligtvis finns det ingen anledning att begränsa den till en modell, så flera modeller med olika fokuser - rörelsen ett index jämfört med ett visst lager - kan köras på samma ström av stora data. Detta kräver mycket bearbetningseffekt och ännu mer lagring eftersom modellerna skapas och testas på historiska stora data, så att data inte kan kastas bort. (För mer om finansiell modellering, kolla in: Finansiella modeller du kan skapa med Excel .)

Informationshastigheten

Kärnskillnaden mellan prediktiv analys och till exempel en fondförvaltare är hur snabbt beslut kan fattas. Tänk dig att din fond har en investering i en kedjestaurang. En fondförvaltare kommer att titta på investeringen minst kvartalsvis, kontrollera vinstmarginalerna, avkastningen på investerat kapital, samma butikförsäljning och andra nyckeltal som anges av företaget till sina investerare.Om chefen ser en trend, säger att man slipper om samma butik och en erosion i vinstmarginalerna jämfört med förra kvartalet, kan hon besluta att sälja aktien. Om motsatt är sant kan hon bestämma sig för att köpa mer.

Arma samma fondförvaltare med en prediktiv modell som drar in data från hela världen. I stället för att vänta på kvartalsrapporterna kan hon se modeller som approximerar förändringarna i samma butikshandel med utgångspunkt från sociala medier som kundens kors hänvisat till med transaktionsdata och GPS-data från inloggade smartphoneanvändare för alla platser. Analytisk programvara hjälper henne till att gruva upp data och rekommenderar en åtgärd som gör det möjligt för henne att lossa eller lägga till positionen långt innan försäljningsförändringen visas i ett officiellt dokument. Med andra ord finns det ingen längre tidslängd för att se bolagets resultat så att investeringsbeslut kan fattas på upp-till-minuten-information som approximerar företagets faktiska situation. (För mer, se: Data Mining for Investors .)

Ta nu chefen ur ekvationen helt och låt modellen handla direkt, och sedan har vi en uppfattning om var predictive analytics går.

Begränsningar

Det finns fortfarande några begränsningar i vad som kan göras med stora data vad gäller predictive analytics. För att mata de prediktiva modellerna måste de varierade data ofta omvandlas till en användbar form. Sociala medier kan exempelvis omvandlas till sentimentsignaler genom att analysera orden som negativ eller positiv i samband med att företaget eller branschen analyseras. Dessa känslor kan sedan mätas och analyseras ytterligare för att ge en inmatning i modellen.

Det finns andra typer av data som kan mata direkt in i modellen, men sorten som ger modellen mer prediktiva krafter betyder också att det kommer att finnas data som måste klassificeras och analyseras innan det kan användas. Denna fördröjning, men liten, saktar analysen av dataströmmen, så vi är inte riktigt på den punkten där modellen körs i sann realtid. På grund av den trendanalys som används för att förutsäga framtidens rörelse är detta inte en betydande hinder och det är det som kommer att övervinnas ganska snart som fler sinnen och fler resurser strömmar mot företag som erbjuder dessa tjänster.

Ännu viktigare är den framgångsrika livslängden för en viss modell begränsad när andra upptäcker och börjar handla på samma datakällor och mönster. Det finns något utrymme för exklusivitet för vissa datakällor, men datavetenskapare kan vanligtvis hitta andra faktorer som står för proprietära data eller korrelationer som speglar rörelser i de saknade data. Så att fortsätta i predictive analytics kräver hjärnans makt att hantera ostrukturerad data och tweak och testa nya algoritmer, såväl som bearbetningskraft och lagring på IT-sidan. På grund av dessa begränsningar och kostnader marknadsförs vanligtvis prediktiv analys för aktiehandel till medel, särskilt hedgefonder, i stället för återförsäljare.(För mer information, kolla in: Investopedias Hedge Funds Tutorial .)

Bottom Line

Det primära värdet av predictive analytics just nu är ett verktyg för ett företag att använda internt för att optimera processer som korsförsäljning, överensstämmelse, marknadsföring och så vidare. Som sagt kan predictive analytics användas från en investeringssynpunkt, även utan fullständig åtkomst till företagets interna data. Tekniken kommer att förbättras och hur snabbt handelsbeslut kan göras kommer att bli snabbare då data och precisionen av förutsägelserna ökar. Prediktiv analys kommer att vara en hjälp till handlare med kortsiktiga tidsramar. Det kommer också att möjliggöra automatiserad handel med hjälp av prediktiva modeller, även om många på marknaden fortfarande kommer ihåg mycket verkliga problem som kan spåras tillbaka till datorhandel.

Om prediktiv analys kommer att gynna regelbundna investerare är en större fråga. Hur mycket fokus ligger på kortsiktiga data för mycket? Några av de mest framgångsrika investerarna har gynnats genom att ignorera den kortsiktiga bilden i utbyte mot långsiktig prestanda. Kommer de fortfarande att kunna ignorera det kortsiktiga när mätvärdena från kvartalsrapporterna uppdateras dagligen tillsammans med en översvämning av känslighetsvärden som tidigare inte var möjligt att fånga?

Det är lätt att säga att vid investeringar, som i konversation, kan för mycket information vara en dålig sak, men det kan bara vara ett fall att hålla fast vid den värld vi är vana vid. Tiden kommer att berätta om predictive analytics är en värdefull källa till insikt eller en annan källa till kortvarigt marknadsbrus.