大數據股票案例分析

⑴ 大數據時代的案例分析

個案一
你開心他就買你焦慮他就拋
華爾街「德溫特資本市場」公司首席執行官保羅·霍廷每天的工作之一，就是利用電腦程序分析全球3.4億微博賬戶的留言，進而判斷民眾情緒，再以「1」到「50」進行打分。根據打分結果，霍廷再決定如何處理手中數以百萬美元計的股票。
霍廷的判斷原則很簡單：如果所有人似乎都高興，那就買入；如果大家的焦慮情緒上升，那就拋售。
這一招收效顯著——當年第一季度，霍廷的公司獲得了7%的收益率。
個案二
國際商用機器公司（IBM）估測，這些「數據」值錢的地方主要在於時效。對於片刻便能定輸贏的華爾街，這一時效至關重要。曾經，華爾街2%的企業搜集微博等平台的「非正式」數據；如今，接近半數企業採用了這種手段。
●「社會流動」創業公司在「大數據」行業生機勃勃，和微博推特是合作夥伴。它分析數據，告訴廣告商什麼是正確的時間，誰是正確的用戶，什麼是應該發表的正確內容，備受廣告商熱愛。
●通過喬希·詹姆斯的Omniture（著名的網頁流量分析工具）公司，你可以知道有多少人訪問你的網站，以及他們呆了多長時間——這些數據對於任何企業來說都至關重要。詹姆斯把公司賣掉，進賬18億美元。
●微軟專家吉拉德喜歡把這些「大數據」結果可視化：他把客戶請到辦公室，將包含這些公司的數據圖譜展現出來——有些是普通的時間軸，有些像蒲公英，有些則是鋪滿整個畫面的泡泡，泡泡中顯示這些客戶的粉絲正在談論什麼話題。
●「臉譜」數據分析師傑弗遜的工作就是搭建數據分析模型，弄清楚用戶點擊廣告的動機和方式。
處理和分析工具
用於分析大數據的工具主要有開源與商用兩個生態圈。
開源大數據生態圈：
1、Hadoop HDFS、HadoopMapRece, HBase、Hive 漸次誕生，早期Hadoop生態圈逐步形成。
2、. Hypertable是另類。它存在於Hadoop生態圈之外，但也曾經有一些用戶。
3、NoSQL，membase、MongoDb
商用大數據生態圈：
1、一體機資料庫/數據倉庫：IBM PureData(Netezza), OracleExadata, SAP Hana等等。
2、數據倉庫：TeradataAsterData, EMC GreenPlum, HPVertica 等等。
3、數據集市：QlikView、 Tableau 、 以及國內的Yonghong Data Mart 。

⑵ 金融領域七大數據科學應用實踐案例

金融領域七大數據科學應用實踐案例
近年來，數據科學和機器學習應對一系列主要金融任務的能力已成為一個特別重要的問題。 公司希望知道更多技術帶來的改進以及他們如何重塑業務戰略。
為了幫助您回答這些問題，我們准備了一份對金融行業影響最大的數據科學應用清單。 它們涵蓋了從數據管理到交易策略的各種業務方面，但它們的共同點是增強金融解決方案的巨大前景。
自動化風險管理
風險管理是金融機構極其重要的領域， 負責公司的安全性，可信度和戰略決策 。 過去幾年來，處理風險管理的方法發生了重大變化，改變了金融部門的性質。 從未像現在這樣，今天的機器學習模型定義了業務發展的載體。
風險可以來自很多來源，例如競爭對手，投資者，監管機構或公司的客戶。 此外，風險的重要性和潛在損失可能不同。 因此，**主要步驟是識別，優先考慮和監控風險，這是機器學習的完美任務。 **通過對大量客戶數據，金融借貸和保險結果的訓練，演算法不僅可以增強風險評分模型，還可以提高成本效率和可持續性。
數據科學和人工智慧(AI)在風險管理中最重要的應用是識別潛在客戶的信譽。 為了為特定客戶建立適當的信用額度，公司使用機器學習演算法來分析過去的支出行為和模式。 這種方法在與新客戶或具有簡簡訊用記錄的客戶合作時也很有用。
雖然金融風險管理流程的數字化和自動化處於早期階段，但潛力巨大。 金融機構仍需要為變革做好准備，這種變革通過實現核心財務流程的自動化，提高財務團隊的分析能力以及進行戰略性技術投資。 但只要公司開始向這個方向發展，利潤就不會讓自己等待。
管理客戶數據
對於金融公司來說，數據是最重要的資源。因此，高效的數據管理是企業成功的關鍵。今天，在結構和數量上存在大量的金融數據：從社交媒體活動和移動互動到市場數據和交易細節。金融專家經常需要處理半結構化或非結構化數據，手動處理這些數據是一個巨大的挑戰。
然而，對於大多數公司來說，將機器學習技術與管理過程集成僅僅是從數據中提取真實知識的必要條件。**人工智慧工具，特別是自然語言處理，數據挖掘和文本分析有助於將數據轉化為智能數據治理和更好的業務解決方案，從而提高盈利能力。**例如，機器學習演算法可以通過向客戶學習財務歷史數據來分析某些特定財務趨勢和市場發展的影響。最後，這些技術可用於生成自動報告。
預測分析
分析現在是金融服務的核心。 值得特別關注的是預測分析，它揭示了預測未來事件的數據模式，可以立即採取行動。 通過了解社交媒體，新聞趨勢和其他數據源，這些復雜的分析方法已經實現了預測價格和客戶終生價值，未來生活事件，預期流失率和股市走勢等主要應用。 最重要的是，這種技術可以幫助回答復雜的問題 - 如何最好地介入。
實時分析
實時分析通過分析來自不同來源的大量數據從根本上改變財務流程，並快速識別任何變化並找到對其的最佳反應。財務實時分析應用有三個主要方向：
欺詐識別
**金融公司有義務保證其用戶的最高安全級別。**公司面臨的主要挑戰是找到一個很好的欺詐檢測系統，罪犯總是會採用新的方法並設置新的陷阱。**只有稱職的數據科學家才能創建完美的演算法來檢測和預防用戶行為異常或正在進行的各種欺詐工作流程。**例如，針對特定用戶的不尋常金融購買警報或大量現金提款將導致阻止這些操作，直到客戶確認為止。在股票市場中，機器學習工具可以識別交易數據中的模式，這可能會指示操縱並提醒員工進行調查。然而，這種演算法最大的優勢在於自我教學的能力，隨著時間的推移變得越來越有效和智能化。
消費者分析
實時分析還有助於更好地了解客戶和有效的個性化。先進的機器學習演算法和客戶情緒分析技術可以從客戶行為，社交媒體互動，他們的反饋和意見中獲得見解，並改善個性化並提高利潤。由於數據量巨大，只有經驗豐富的數據科學家才能精確分解。
演算法交易
這個領域可能受實時分析的影響最大，因為每秒都會受到影響。根據分析傳統和非傳統數據的最新信息，金融機構可以做出實時有利的決策。而且由於這些數據通常只在短時間內才有價值，因此在這個領域具有競爭力意味著使用最快的方法分析數據。
在此領域結合實時和預測分析時，另一個預期會開啟。過去，金融公司不得不聘用能夠開發統計模型並使用歷史數據來創建預測市場機會的交易演算法的數學家。然而，今天人工智慧提供了使這一過程更快的技術，而且特別重要的是 - 不斷改進。
因此， 數據科學和人工智慧在交易領域進行了革命，啟動了演算法交易策略。 世界上大多數交易所都使用計算機，根據演算法和正確策略制定決策，並考慮到新數據。 人工智慧無限處理大量信息，包括推文，財務指標，新聞和書籍數據，甚至電視節目。 因此，它理解當今的全球趨勢並不斷提高對金融市場的預測。
總而言之，實時和預測分析顯著改變了不同金融領域的狀況。 通過hadoop，NoSQL和Storm等技術，傳統和非傳統數據集以及最精確的演算法，數據工程師正在改變財務用於工作的方式。
深度個性化和定製
企業認識到，在當今市場競爭的關鍵步驟之一是通過與客戶建立高質量的個性化關系來提高參與度。 這個想法是分析數字客戶體驗，並根據客戶的興趣和偏好對其進行修改。 人工智慧在理解人類語言和情感方面取得重大進展，從而將客戶個性化提升到一個全新的水平。 數據工程師還可以建立模型，研究消費者的行為並發現客戶需要財務建議的情況。 預測分析工具和高級數字交付選項的結合可以幫助完成這項復雜的任務，在最恰當的時機指導客戶獲得最佳財務解決方案，並根據消費習慣，社交人口趨勢，位置和其他偏好建議個性化服務。
結論
對於金融機構來說，數據科學技術的使用提供了一個從競爭中脫穎而出並重塑其業務的巨大機會。大量不斷變化的財務數據造成了將機器學習和AI工具引入業務不同方面的必要性。
我們認為，我們主要關注金融領域的7大數據科學用例，但還有很多其他值得一提的。 如果您有任何進一步的想法，請在評論部分分享您的想法。