Data besar bukanlah hal baru di Wall Street. Dunia keuangan berjalan berdasarkan data, sehingga setiap kesempatan untuk mendapatkan lebih banyak dan mendapatkannya lebih cepat telah dipeluk oleh pasar saham sejak jalur telegraf pertama dijalankan. Namun, keragaman atau sumber dan jenis data yang tersedia bagi investor dan pedagang telah berkembang menjadi torrent dimana akal manusia tidak dapat menyerap dan memproses semuanya. Karena keterbatasan fisik ini, industri analisis prediktif baru telah berkembang untuk memahami data yang besar dan memberi investor real-time membeli dan menjual rekomendasi berdasarkan pola yang terbentuk dalam data jauh sebelum sinyal pasar tradisional berkembang. Pada artikel ini, kita akan melihat analisis prediktif dan apa artinya bagi investor.

Berbagai variasi, kecepatan dan volume Vs - sering digunakan untuk menggambarkan dan mendefinisikan data besar. Anda membutuhkan ketiganya untuk melakukan analisis yang berarti. Ragam mengacu pada saluran data yang sedang disadap. Ini bisa jadi segala sesuatu dari media sosial yang menyebutkan tentang laporan cuaca dan data transaksi massal. Volume adalah jumlah data yang masuk dan, seperti semua Vs, lebih banyak lebih baik. Volume dan variasi data memungkinkan outlier untuk diverifikasi atau dihilangkan dan menghasilkan data yang lebih akurat secara keseluruhan. Kecepatan hanyalah tingkat di mana data mengalir masuk Untuk analisis prediktif yang berharga dalam hal mendorong perdagangan yang menguntungkan, datanya harus tersedia dengan cepat untuk analisis, yang berarti arus konstan informasi terkini. (Untuk bacaan lebih lanjut, lihat:

Bagaimana Data Besar Berubah Menjadi Keuangan

.

Memodelkan Data

Semua data besar ini dimasukkan ke dalam algoritma yang berbeda untuk menyaring dan mempertimbangkan pentingnya pola yang muncul. Algoritma menggabungkan untuk membuat model yang memberikan prediksi pergerakan pasar jangka pendek dan tindakan yang disarankan berdasarkan prediksi. Tentu saja, tidak ada alasan untuk membatasinya pada satu model, jadi beberapa model dengan fokus yang berbeda-pergerakan sebuah indeks versus saham tertentu misalnya-dapat dijalankan pada aliran data besar yang sama. Ini membutuhkan banyak tenaga pengolah dan bahkan lebih banyak penyimpanan karena modelnya dibuat dan diuji pada data historis yang besar, sehingga datanya tidak bisa dibuang. (Untuk informasi lebih lanjut tentang pemodelan keuangan, lihat:

Model Keuangan Yang Dapat Anda Buat Dengan Excel

.

Kecepatan Informasi

Perbedaan utama antara analisis prediktif dan, misalnya, manajer dana manusia adalah kecepatan keputusan yang dapat dibuat. Bayangkan dana Anda memiliki investasi di restoran berantai. Seorang manajer dana akan mengawasi investasi setidaknya setiap tiga bulan, memeriksa margin keuntungan, pengembalian modal yang diinvestasikan, penjualan toko yang sama dan indikator kinerja utama lainnya yang diungkapkan oleh perusahaan kepada para investornya.Jika manajer melihat tren, katakanlah mengurangi penjualan toko yang sama dan erosi pada margin keuntungan dibandingkan kuartal terakhir, dia mungkin memutuskan untuk menjual sahamnya. Jika sebaliknya benar, dia mungkin memutuskan untuk membeli lebih banyak.

Sekarang pegang pengelola dana yang sama dengan model prediksi yang menarik data dari mana-mana. Alih-alih menunggu laporan kuartalan, dia dapat melihat model yang mendekati perubahan penjualan toko yang sama berdasarkan pos media sosial oleh silang pelanggan yang direferensikan dengan data transaksi dan data GPS dari pengguna smartphone opt-in untuk semua lokasi. Perangkat lunak analitik membantu dia dalam menambang data dan merekomendasikan sebuah tindakan, yang memungkinkannya membongkar atau menambah posisi jauh sebelum perubahan penjualan muncul dalam dokumen resmi. Dengan kata lain, tidak ada lagi jeda waktu dalam melihat hasil perusahaan sehingga keputusan investasi dapat dilakukan pada informasi terkini yang mendekati situasi aktual perusahaan. (Untuk yang lebih, lihat:

Data Mining for Investors

.) Sekarang, matikan manajer dari persamaan sepenuhnya dan biarkan model berdagang secara langsung, dan kemudian kita memiliki gagasan tentang di mana analisis prediktif sedang berlangsung. Keterbatasan

Masih ada beberapa keterbatasan dalam hal yang dapat dilakukan dengan data besar sejauh analisis prediktif berjalan. Untuk memberi makan model prediktif, beragam data seringkali perlu diubah menjadi bentuk yang dapat digunakan. Pos media sosial, misalnya, dapat diubah menjadi sinyal sentimen dengan menganalisis kata-kata sebagai negatif atau positif dalam konteks perusahaan atau industri yang dianalisis. Sentimen ini kemudian dapat diukur dan dianalisis lebih lanjut untuk memberikan masukan ke dalam model.

Ada jenis data lain yang mungkin bisa dimasukkan langsung ke model, namun variasi yang memberi model kekuatan prediktif juga berarti akan ada data yang harus diklasifikasikan dan dianalisis sebelum dapat digunakan. Kelambatan ini, betapapun kecilnya, memperlambat analisis aliran data, jadi kita tidak cukup pada titik di mana model berjalan dalam real time sebenarnya. Namun, karena analisis kecenderungan yang digunakan untuk memprediksi pergerakan masa depan, ini bukan rintangan yang signifikan dan inilah yang akan segera diatasi seiring semakin banyak pikiran dan lebih banyak sumber mengalir ke perusahaan yang menawarkan layanan ini.

Yang lebih penting lagi, masa hidup yang sukses dari model tertentu terbatas seperti yang ditemukan orang lain dan mulai diperdagangkan dengan sumber dan pola data yang sama. Ada beberapa ruang untuk eksklusivitas beberapa sumber data, namun ilmuwan data biasanya dapat menemukan faktor lain untuk bertahan dalam data berpemilik atau korelasi yang mencerminkan pergerakan data yang hilang. Jadi, terus maju dalam analisis prediktif memerlukan kekuatan otak untuk menangani data yang tidak terstruktur dan men-tweak dan menguji algoritme baru, serta daya pemrosesan dan penyimpanan di sisi TI. Karena keterbatasan dan biaya ini, analisis prediktif untuk perdagangan saham biasanya dipasarkan ke dana, terutama dana lindung nilai, dan bukan investor ritel.(Untuk info lebih lanjut, lihat: Tutorial Dasar Hedge Fund

Garis Bawah Nilai utama analisis prediktif saat ini adalah sebagai alat bagi perusahaan untuk menggunakan secara internal untuk mengoptimalkan proses seperti cross selling, compliance, marketing dan sebagainya. Konon, analisis prediktif dapat digunakan dari sudut pandang investasi bahkan tanpa akses penuh ke data internal perusahaan. Teknologi akan membaik dan kecepatan keputusan trading bisa dibuat semakin cepat karena data dan keakuratan prediksi meningkat. Analisis prediktif akan membantu pedagang dengan jangka waktu jangka pendek. Ini juga akan memungkinkan perdagangan otomatis menggunakan model prediktif, walaupun banyak di pasar masih ingat masalah yang sangat nyata yang dapat ditelusuri kembali ke perdagangan komputer.

Apakah analisis prediktif akan menguntungkan investor reguler adalah pertanyaan yang lebih besar. Seberapa banyak fokus pada data jangka pendek terlalu banyak? Beberapa investor paling sukses mendapat keuntungan dengan mengabaikan gambaran jangka pendek dengan imbalan kinerja jangka panjang. Apakah mereka masih bisa mengabaikan jangka pendek ketika metrik dari laporan kuartalan diperbarui setiap hari bersamaan dengan banjir metrik sentimen yang sebelumnya tidak mungkin untuk ditangkap?

Mudah untuk mengatakan bahwa dalam berinvestasi, seperti dalam percakapan, terlalu banyak informasi bisa menjadi hal yang buruk, tapi mungkin ini hanya kasus berpegang pada dunia yang biasa kita hadapi. Waktu akan memberi tahu apakah analisis prediktif adalah sumber wawasan yang berharga atau sumber kebisingan pasar jangka pendek lainnya.