Store data og finanser - dummies

Et område inden for finansbranchen, der har været drastisk påvirket af store data, er handelsaktiviteterne hos banker og andre finansielle institutioner. Et eksempel er højfrekvenshandel (HFT), en forholdsvis ny handelsform, der afhænger af evnen til at udføre massive mængder handler i ekstremt korte tidsintervaller. HFT-erhvervsdrivende tjener penge ved at udføre et stort antal handler, der hver især tjener en minimal fortjeneste.

I modsætning til traditionelle forhandlere forsøger HFT-erhvervsdrivende ikke at holde positioner i nogen længere tid og baserer ikke deres handler på grundlæggende faktorer som rentesatser, valutakurser, råvarepriser og og så videre. Succesen for HFT-handler afhænger kritisk af eksekutionshastigheden, da de er baseret på hurtige udsving i markedspriserne.

Da flere og flere ressourcer er dedikeret til HFT-handel i de sidste par år, hvilket har ført til et "våbenkapløb", der i stadig grad er hurtigere hardware og software, er rentabiliteten af ​​højfrekvenshandel faldet. Da hastigheden på transaktioner er steget, er evnen til at tjene penge baseret på hastighed alene mindre. Yderligere stigninger i hastighed er nu med stadigt faldende afkast - fortjenesten pr. Transaktion er faldet. Som følge heraf afhænger vellykket handel nu mindre og mindre på hardware og mere på software i form af sofistikerede handelsalgoritmer.

En algoritme er et sæt instruktioner, der bruges til at udføre en procedure, som en opskrift. Algoritmer bruges stærkt af computerforskere til at instruere computere om, hvordan man udfører forskellige opgaver, som f.eks. Udførelse af matematiske operationer.

Brugen af ​​avancerede algoritmer til handelsstrategier har flere potentielle fordele, såsom evnen til at teste ideer om historiske data, før de risikerer penge. Med HFT-handel er der ingen tid til at teste eventuelle potentielle handelsstrategier, fordi de skal implementeres med det samme.

En anden fordel ved at bruge handelsalgoritmer er, at de kan baseres på grundlæggende variabler, såsom renter og valutakurser, i stedet for blot at søge gennem handler for at søge efter midlertidige prisændringer. Som et resultat heraf kan algoritmer udvikles for at finde stadig mere komplekse forhold mellem værdipapirpriser og bruge disse oplysninger til at tjene handelsgevinst. Store data forbedrer algoritmisk handel ved at give mulighed for at søge gennem enorme datamængder på udkig efter mønstre, som muligvis ikke kan påvises med mindre mængder data eller langsommere behandlingshastigheder.

Med krympende fortjeneste fra HFT synes algoritmisk handel at have en lys fremtid, da den stigende tilgængelighed af data og computerhastighed gør det muligt at udvikle mere og mere sofistikerede algoritmer.