Sisällysluettelo:
Big Data ei ole uusi Wall Streetille. Taloudellinen maailma toimii tietojenkäsittelyssä, joten kaikki mahdollisuudet saada lisää ja saada sitä nopeammin on ollut osakemarkkinoiden omaksuttua siitä lähtien, kun ensimmäiset sähkösähkölinjat ajettiin. Sijoittajien ja kauppiaiden käytettävissä oleva lajike tai lähteet ja tietotyypit ovat kuitenkin kasvaneet torrentiksi, jossa ihmisen mieli ei yksinkertaisesti pysty vastaanottamaan ja käsittelemään kaikkea. Tämän fyysisen rajoituksen vuoksi uusi ennakoivan analyysiteollisuus on kehittänyt suurten tietojen merkityksen ja sijoittajille reaaliaikaisen oston ja myynnin suositukset, jotka perustuvat datan muodostamiin tietoihin jo kauan ennen perinteisten markkinasignaalien kehittämistä. Tässä artikkelissa tarkastelemme ennustavaa analytiikkaa ja mitä se tarkoittaa sijoittajille.
Variety, Velocity ja Volume
Kolme Vs-lajiketta, nopeutta ja äänenvoimakkuutta käytetään usein suurien tietojen kuvaamiseen ja määrittämiseen. Tarvitset kaikki kolme tekemään mitään merkityksellistä analyysia. Lajike viittaa tiedonsiirtoihin, joita käytetään. Tämä voi olla kaikkea sosiaalisen median mainoksista sääraportteihin ja irtotavarana tapahtumatietoihin. Äänenvoimakkuus on tulevien tietojen määrä, ja kuten kaikki Vs, enemmän on parempi. Tilavuus ja tietojen vaihtelu mahdollistaa poikkeusten todentamisen tai poistamisen ja johtavat tarkempien tietojen kokonaisuuteen. Velocity on yksinkertaisesti se nopeus, jolla tiedot kulkevat. Predictive analytics -ratkaisut ovat arvokkaita kannattavan kaupankäynnin kannalta, joten tiedot on saatava nopeasti analysoitaviksi, mikä tarkoittaa jatkuvaa ajan tasalla olevaa tietoa. (Lue lisää: Kuinka suuri tieto on muuttanut rahoitusta .)
Tietojen mallintaminen
Kaikki tämä suuri tieto syötetään erilaisiin algoritmeihin suodattamalla ja punnitsemalla esiin tulevien kuvioiden merkitys. Algoritmit yhdistyvät mallin luomiseen, joka tarjoaa ennusteita lyhyen aikavälin markkinoiden siirtymistä ja suositeltua toimintaa ennusteiden perusteella. Tietenkään ei ole mitään syytä rajoittaa sitä yhdeksi malliksi, joten useita malleja, joilla on erilaiset painopisteet - liikkeen indeksin ja tietyn osakekannan suhteen - voidaan suorittaa samassa suurten tietojen virrassa. Tämä vaatii paljon prosessointitehoa ja entistä enemmän tallennustilaa, koska mallit luodaan ja testataan historiallisissa suurissa tiedoissa, joten tietoja ei voida heittää pois. (Katso lisätietoja rahoitusmuotojen mallintamisesta: Financial Models You Can Create Excel .)
Tietojen nopeus
Ennusteen analyysin ja esimerkiksi ihmisen rahastonhoitajan ydinero on nopeus, jolla päätökset voidaan tehdä. Kuvittele, että rahastolla on investointi ketjun ravintolaan. Rahastonhoitaja seuraa sijoitusta vähintään neljännesvuosittain tarkastaen voittomarginaalit, sijoitetun pääoman tuoton, saman myymälän myynnin ja muut keskeiset tulosindikaattorit, jotka yhtiö ilmoittaa sijoittajilleen.Jos päällikkö näkee kehityksen, sanoa samankaltaisen myynnin liukenemisen ja eroosiota voittomarginaaleihin verrattuna viimeiseen neljännekseen, hän voi päättää myydä osakekannan. Jos päinvastoin on totta, hän voi päättää ostaa lisää.
Nosta nyt tämä rahastonhoitaja ennakoivan mallin avulla, joka vetää tietoja kaikkialta. Sen sijaan, että odottaisi neljännesvuosittaisia raportteja, hän näkee malleja, jotka lähestyvät samaa myymälää muutoksia, jotka perustuvat sosiaalisen median viestiin asiakkaan ristiin viittaamalla tapahtumatietoihin ja GPS-tietoihin opt-in-älypuhelinten käyttäjiltä kaikissa paikoissa. Analyyttinen ohjelmisto auttaa häntä kaivamaan tietoja ja suosittelee toimenpiteitä, joiden avulla hän voi purkaa tai lisätä asemaa kauan ennen kuin myynnin muutos ilmestyy virallisessa asiakirjassa. Toisin sanoen ei ole enää aikaa viivästyttää yrityksen tuloksia, joten investointipäätöksiä voidaan tehdä ajan tasalla oleviin tietoihin, jotka lähestyvät yrityksen todellista tilannetta. (Katso lisää: Sijoittajien tiedonhankinta .)
Ota nyt manageri pois yhtälöstä kokonaan ja anna malli käydä kauppaa suoraan, ja sitten meillä on käsitys siitä, missä ennustava analyysi on meneillään.
Rajoitukset
On vielä joitain rajoituksia siitä, mitä voidaan tehdä suurilla tiedoilla, kunhan ennustavat analyysit menevät. Ennustavien mallien syöttämiseksi vaihteleva tieto on usein muunnettava käyttökelpoiseksi lomakkeeksi. Sosiaalisen median viestit voidaan muuntaa esimerkiksi sentimenttisignaaleiksi analysoimalla sanat negatiivisiksi tai positiivisiksi analysoitavassa yrityksessä tai teollisuudessa. Nämä sentimentit voidaan sitten mitata ja analysoida edelleen mallin syöttämiseksi.
Muitakin tietoja voi olla mahdollista syöttää suoraan malliin, mutta lajike, joka antaa mallille ennakoivampia valtuuksia, merkitsee myös sitä, että tiedot on luokiteltava ja analysoitava ennen kuin niitä voidaan käyttää. Tämä viive, joka on kuitenkin pieni, hidastaa analyysia tietovirrasta, joten emme ole aivan siinä vaiheessa, kun malli toimii oikealla reaaliajassa. Koska suuntausanalyysiä käytetään tulevaisuuden liikeulottuvuuden ennustamiseen, tämä ei kuitenkaan ole merkittävä este, ja se on se, joka tullaan ratkaisemaan melko pian, kun yhä enemmän mieliä ja enemmän resursseja virtaa näitä palveluja tarjoaville yrityksille.
Vielä tärkeämpää on, että tietyn mallin menestyksellinen elinkaari on rajallinen, kun muut löytävät ja alkavat kaupata samoissa tietolähteissä ja kuvioissa. Joissakin tietolähteissä on jonkin verran tilaa yksinoikeudelle, mutta tiedetieteilijät voivat tavallisesti löytää muita tekijöitä, jotka tukevat omia tietoja tai korrelaatioita, jotka heijastavat puuttuvia tietoja. Joten ennakoivan analyysin pitäminen edellyttää, että aivovirta pystyy käsittelemään strukturoituja tietoja ja muokkaamaan ja testaamaan uusia algoritmeja sekä tietojenkäsittelytehoa ja tallennusta IT-puolella. Näiden rajoitusten ja kustannusten vuoksi varastoliiketoiminnan ennustaminen analysoidaan yleensä varoihin, erityisesti hedge-rahastoihin, eikä sijoittajille.(Lisätietoja on osoitteessa Investopedia's Hedge Funds Tutorial .)
Bottom Line
Ennusteen analytiikan ensisijainen arvo on nyt työkalu, jonka yritys voi käyttää sisäisesti prosessien optimointiin kuten ristiinmyynti, noudattaminen, markkinointi ja niin edelleen. Ennustava analyysia voidaan käyttää investointien näkökulmasta jopa ilman täydellistä pääsyä yrityksen sisäisiin tietoihin. Tekniikka paranee ja nopeus, jolla kaupankäynnin päätöksiä voidaan tehdä, nopeutuu, kun tiedot ja ennusteiden tarkkuus lisääntyvät. Ennakoiva analyysi auttaa lyhyen aikavälin aikakausien kauppiaille. Se mahdollistaa myös automatisoidun kaupankäynnin ennakoivien mallien avulla, vaikka monet markkinat muistavat vielä hyvin todellisia ongelmia, jotka voidaan jäljittää tietokoneen kaupankäyntiin.
Onko ennustava analyysi hyödyttävät säännöllisiä sijoittajia, on suurempi kysymys. Kuinka paljon keskittyminen lyhyen aikavälin tietoihin on liikaa? Jotkut menestyneimmistä sijoittajista ovat hyötyneet jättämällä lyhytaikaisen kuvan huomiotta pitkän aikavälin tuloksesta. Voivatko he silti jättää huomiotta lyhyen aikavälin, kun neljännesvuosittaisten raporttien tiedot päivittyvät päivittäin sekä sellaisten sentimenttimittareiden syöksy, joita ei aiemmin voitu kaapata?
On helppo sanoa, että investoinnissa, kuten keskustelussa, liikaa tietoa voi olla huono asia, mutta tämä voi olla vain tapaus, jossa pidämme kiinni maailmasta, johon tottumme. Aika kertoo, onko ennustava analyysi arvokas lähde tai toinen lyhytaikaisen markkinamelun lähde.
FYI Sijoitetun pääoman tuotto: Opas laskea sijoitetun pääoman tuotto
Sijoitetun pääoman tuotto on yksinkertainen yhtälö, joka voi antaa sinulle reunan, kun hienosäätää salkkusi - tässä on miten sitä käytetään.
Bond-sijoittajan haaste: tuotto tuotto alhaisen korkojen ympäristössä
Löytää asiantuntijaneuvoja siitä, miten joukkovelkakirjalainan tuottoa voidaan kasvattaa vuonna 2016 huolimatta alhaisista koroista ja korkeista veloista.
Miten yritykset ennustavat öljyn hinnan?
Luetaan eri ennustemenetelmistä, joita yritykset käyttävät tulevaisuuden raakaöljyn hintojen ennustamiseen ja miksi se on niin vaikea arvailla oikein.