Big data et finances

Un domaine de l'industrie de la finance qui a été considérablement affecté par le big data est les activités de trading des banques et autres institutions financières. Un exemple est le trading haute fréquence (HFT), relativement nouveau mode de négociation qui dépend de la capacité à exécuter des volumes massifs de métiers dans des intervalles de temps extrêmement court. HFT commerçants font de l'argent en exécutant un grand nombre de métiers, dont chacune réalise un profit minuscule.

Contrairement commerçants traditionnels, les commerçants HFT ne cherchent pas à occuper des postes pour une grande longueur de temps et ne basent pas leurs métiers sur des facteurs fondamentaux tels que les taux d'intérêt, taux de change, prix des matières premières, et ainsi de suite. Le succès de métiers HFT dépend essentiellement de la vitesse d'exécution, car ils sont basés sur les fluctuations rapides des prix du marché.




Comme de plus en plus de ressources ont été consacrées à la négociation HFT dans les deux dernières années, conduisant à une "course aux armements" dans le matériel et le logiciel progressivement plus rapide, la rentabilité de trading haute fréquence a diminué. Comme la vitesse des transactions a augmenté, la capacité de faire de l'argent basé sur la vitesse individuellement, a diminué. D'autres augmentations de vitesse apportent maintenant des rendements décroissants régulièrement - le bénéfice par transaction a plongé. En conséquence, la négociation réussie dépend de moins en moins sur le matériel et plus sur le logiciel sous la forme d'algorithmes de négociation sophistiqués.

Un algorithme est un ensemble d'instructions utilisés pour effectuer une procédure, un peu comme une recette. Algorithmes sont largement utilisés par les informaticiens pour instruire les ordinateurs sur la façon d'effectuer diverses tâches, telles que la réalisation d'opérations mathématiques.

L'utilisation d'algorithmes avancés pour les stratégies de négociation porte plusieurs avantages potentiels, tels que la possibilité de tester des idées sur des données historiques avant de risquer de l'argent. Avec le commerce HFT, il n'y a pas de temps à tester des stratégies de trading potentiels, car ils doivent être mises en œuvre immédiatement.

Un autre avantage d'utiliser des algorithmes de trading est qu'ils peuvent être fondées sur des variables fondamentales, tels que les taux d'intérêt et des taux de change, au lieu de chercher simplement à travers les métiers de chercher des changements temporaires de prix. En conséquence, les algorithmes peuvent être développés pour trouver des relations de plus en plus complexes entre les prix des titres et utiliser cette information pour réaliser des profits commerciaux. Big Data améliore trading algorithmique en fournissant la capacité de recherche à travers d'énormes volumes de données à la recherche de modèles qui pourraient ne pas être détectable avec de petites quantités de données ou des vitesses de traitement plus lentes.

Avec la contraction des bénéfices de HFT, le trading algorithmique semble avoir un avenir prometteur, que la disponibilité croissante de données et la vitesse de l'ordinateur permettent des algorithmes plus en plus sophistiqués pour être développé.