Cómo los macrodatos han cambiado las finanzas

¿Qué es Big Data?

La gran proliferación de datos y las crecientes complejidades tecnológicas continúan transformando la forma en que las industrias operan y compiten. En los últimos años, el 90 por ciento de los datos del mundo se ha creado como resultado de la creación de 2,5 trillones de bytes de datos  a diario. Comúnmente conocido como big data, este rápido crecimiento y almacenamiento crea oportunidades para la recopilación, procesamiento y análisis de datos estructurados y no estructurados.

Cómo funciona Big Data

Siguiendo las 4 V de big data, las organizaciones utilizan datos y análisis para obtener información valiosa que sirva de base para mejores decisiones comerciales. Las industrias que han adoptado el uso de big data incluyenestima que el 84 por ciento de las empresas cree que quienes no tienen una estrategia de análisis corren el riesgo de perder una ventaja competitiva en el mercado.

Los servicios financieros, en particular, han adoptado ampliamente el análisis de big data para informar mejores decisiones de inversión con rendimientos consistentes. Junto con el big data, el trading algorítmico utiliza vastos datos históricos con modelos matemáticos complejos para maximizar los rendimientos de la cartera. La continua adopción de big data transformará inevitablemente el panorama de los servicios financieros. Sin embargo, junto con sus aparentes beneficios, siguen existiendo desafíos importantes en lo que respecta a la capacidad de big data para capturar el creciente volumen de datos.

4 V de Big Data

Las 4 V son fundamentales para big data: volumen, variedad, veracidad y velocidad. Frente a una competencia cada vez mayor, restricciones regulatorias y necesidades de los clientes, las instituciones financieras están buscando nuevas formas de aprovechar la tecnología para ganar eficiencia. Dependiendo de la industria, las empresas pueden utilizar ciertos aspectos del big data para obtener una ventaja competitiva.

La velocidad es la velocidad a la que se deben almacenar y analizar los datos. La Bolsa de Valores de Nueva York captura 1 terabyte de información cada día. Para 2016, se estimaba que había 18.9 mil millones de conexiones de red, con aproximadamente 2.5 conexiones por persona en la Tierra. Las instituciones financieras pueden diferenciarse de la competencia al enfocarse en procesar operaciones de manera eficiente y rápida.

Los macrodatos se pueden clasificar como datos estructurados o no estructurados. Los datos no estructurados son información que no está organizada y no cae en un modelo predeterminado. Esto incluye datos recopilados de fuentes de redes sociales, que ayudan a las instituciones a recopilar información sobre las necesidades de los clientes. Los datos estructurados consisten en información ya administrada por la organización en bases de datos relacionales y hojas de cálculo. Como resultado, las diversas formas de datos deben administrarse activamente para informar mejores decisiones comerciales.

El creciente volumen de datos de mercado plantea un gran desafío para las instituciones financieras. Junto con una gran cantidad de datos históricos, la banca y los mercados de capitales deben administrar activamente los datos de cotización. Asimismo, los bancos de inversión y las empresas de gestión de activos utilizan datos voluminosos para tomar decisiones de inversión sólidas. Las empresas de seguros y de jubilación pueden acceder a información sobre reclamaciones y pólizas anteriores para una gestión activa del riesgo.

Trading algorítmico

El comercio algorítmico se ha convertido en sinónimo de big data debido a las crecientes capacidades de las computadoras. El proceso automatizado permite a los programas informáticos ejecutar operaciones financieras a velocidades y frecuencias que un comerciante humano no puede. Dentro de los modelos matemáticos, el comercio algorítmico proporciona operaciones ejecutadas a los mejores precios posibles y una colocación de operaciones oportuna y reduce los errores manuales debidos a factores de comportamiento.

Las instituciones pueden reducir más eficazmente los algoritmos para incorporar cantidades masivas de datos, aprovechando grandes volúmenes de datos históricos para realizar pruebas retrospectivas de estrategias, creando así inversiones menos riesgosas. Esto ayuda a los usuarios a identificar datos útiles para conservar, así como datos de bajo valor para descartar. Dado que los algoritmos se pueden crear con datos estructurados y no estructurados, incorporar noticias en tiempo real, redes sociales y datos bursátiles en un motor algorítmico puede generar mejores decisiones comerciales. A diferencia de la toma de decisiones, que puede verse influenciada por diversas fuentes de información, la emoción humana y el sesgo, las operaciones algorítmicas se ejecutan únicamente en modelos y datos financieros.

Los asesores de Robo utilizan la teoría de la cartera moderna, que generalmente respalda inversiones a largo plazo para mantener rendimientos consistentes y requiere una interacción mínima con asesores financieros humanos.

Desafíos

A pesar de que la industria de servicios financieros adopta cada vez más el big data, todavía existen desafíos importantes en el campo. Lo más importante es que la recopilación de varios datos no estructurados respalda las preocupaciones sobre la privacidad. Se puede recopilar información personal sobre la toma de decisiones de un individuo a través de las redes sociales, correos electrónicos y registros médicos.

Específicamente dentro de los servicios financieros, la mayoría de las críticas recaen sobre el análisis de datos. El gran volumen de datos requiere una mayor sofisticación de las técnicas estadísticas para obtener resultados precisos. En particular, los críticos sobrevaloran la señal a ruido como patrones de correlaciones espúreas, lo que representa resultados estadísticamente robustos puramente por casualidad. Asimismo, los algoritmos basados ​​en la teoría económica suelen señalar oportunidades de inversión a largo plazo debido a las tendencias en los datos históricos. La producción eficiente de resultados que respalden una estrategia de inversión a corto plazo son desafíos inherentes a los modelos predictivos.

La línea de fondo

Los macrodatos continúan transformando el panorama de diversas industrias, en particular los servicios financieros. Muchas instituciones financieras están adoptando análisis de big data para mantener una ventaja competitiva. A través de datos estructurados y no estructurados, los algoritmos complejos pueden ejecutar operaciones utilizando una serie de fuentes de datos. Las emociones y los prejuicios humanos se pueden minimizar mediante la automatización; sin embargo, el comercio con análisis de big data tiene su propio conjunto específico de desafíos. Los resultados estadísticos producidos hasta ahora no se han aceptado por completo debido a la relativa novedad del campo. Sin embargo, a medida que los servicios financieros tienden hacia la automatización y los macrodatos, la sofisticación de las técnicas estadísticas aumentará la precisión.