京公网安备 11010802034615号
经营许可证编号:京B2-20210330
华尔街害怕了!大数据让股市从此没有秘密
如同被互联网颠覆的一个个行业那样,那些动则赚取数百万美金、生活在金钱帝国最顶端的投行基金们,恐怕也将面临从神坛跌落的命运。最近Forbs、FTimes等国外著名金融刊物以“华尔街人神共愤的叛徒”报道了Kensho这家科技公司,实际上,早在12年Kensho已经让华尔街紧张了一轮,它所做的,是将大量的经济数据、政治事件、金融交易信息以及通过复杂的金融模型运算,可以像谷歌搜索一般的简单方式提供答案,比如苹果发布iPhone6哪些股票将涨。
对于金融行业来说,虽然随机性的因素非常之多,但并非没有确定性的因子。如同天气预报那样,你知道的有效信息越多,就越能知道结果。没有人能否认信息的重要性,谁提前一步知道政策的走向、公司的重大变化,他将具备相当的优势,所以在很长一段时间里,金融都是信息手段最积极的使用者(电报、电话、网络)。
不过在传媒日益发达的当下,除了少量被人为控制的内容,信息本身已经不是稀缺,这时候,更大的问题是信息过多,面对如此庞大规模的数据,普通公众是难以处理的。在这样的情况下,有两个因素反而成为核心能力,一个是如何完整的获得海量信息,另一个是如何从信息转换到结果的预测模型。Kensho做的,就如同天气预报那样,不断优化模型、灌入海量信息,然后给出结果。
所以,一旦Kensho成功,那金融机构的分析师和研究人员将面临危机,这就是为何对冲基金们纷纷指责Kensho为叛徒,“如果你发现了这种关系,那你就利用这种关系来交易!不要公开它啊!你这样导致大家都无法进行套利交易。”
不过可惜的是,Kensho似乎并不打算像谷歌那样完全向公众公开他们的成果,而是计划将软件租赁给基金经理和买方公司,并且参照彭博社和路透社的方式收取高昂的软件使用费。最新报道的重点,实质上是高盛花了1500万美元成为Kensho的最大股东。这可能让金融精英们松了一口气,至少,技术野蛮人暂时被招安了,这些顶尖基金和投行获得超额利润的法宝,仍然要花巨额费用去买,仍然留在一个较小的圈子里。
这样的故事听上去很让人沮丧,不过,随着大数据技术基础设施的日益完善,我相信一定还将出现更多这样的创新者。技术是让世界更扁平,是让信息鸿沟变得更小,而不是把秘密封闭起来。他们也许会发现,将这些华尔街精英们的秘密工具开放给大众,将获得更大成就。这些故事,在很多领域都发生过,那些被小心翼翼供奉着的行业潜规则以及因此带来的金饭碗,都被一一打破,技术不断压缩着每一个“介质”过去通过信息不对称而获得的利润。
当真正的“背叛者”出现时,当这些强大的能力完全开放,金融业恐怕真的会被改写。
一方面,大量分析师的工作被取代。面对机器对海量信息的分析能力,分析师是难以匹敌的,甚至机器不仅仅具有经济数据的量化分析,机器还能对“人”这个最具不确定性的数据进行分析,通过对无数人在互联网上的行为倾向,获得趋势信息,实际上,这项技术已经被应用到国内的大数据基金里,前有百度联手广发基金推出百发100指数,后有新浪联手南方基金推出大数据100和300指数。如果开放这些能力,任何一个普通人都能具备一个分析师团队的资源,这时候金融机构的职能又将转变成什么?研发模型?
另一方面,金融获利模式将会改变。所谓不确定性越大,收益越高,但是某些对大众不确定的东西未必是真正不确定的,这种差异就会成为优势一方的利益来源,当技术抹平这种不确定性的差异化时,要获得超额收益将会非常难。如同大家都能看到卫星云图,都知晓冷空气要来了,那么冷空气来的时候大家都能提前做好准备,大家的获益是一样的,除非你不去看这个信息。越透明博弈越难,越确定收益越低,这样,基于技术的因素,短期的预测可能将相当的确定,那么短期的收益波动越小。而大的收益恐怕得看更长期,这里面随机的影响更大,机器能给出的确定性建议更小。
更深层次上,当技术变成了一种预测的神话之后,可能还会产生非常大的社会影响。与天气预报这类完全是客观因素的数据分析预测不同,金融不仅仅受客观因素影响,还严重的被人群的选择所左右,而技术分析预测本身又会影响人的选择,从而影响结果,这样技术可能成为正反馈的放大器。因此,当技术分析准确到让人们深信不疑时,技术预测可能不仅仅是预测未来,而是影响未来。举个例子,技术分析预测某个公司价值被低估,那么深信不疑的人们的行为就是倾向于买入,这就导致某个公司上涨,从而又反过来证明技术分析正确;再比如,当技术给出非常信服的结果某个股票价值10元,那么它会迅速的到达这个位置,既没人愿意更高价买,也没人愿意更低价卖。
以上只是作为一个非金融专业人士的畅想,我们乐见这一天的到来,Kensho的出现说明技术已经在不断的逼近现实,下一步等待的,是看哪个公司能打出向公众开放的旗帜。不过,这样的技术出现又是可怕的,虽然人类生而不希望不确定,不希望冒风险,但是在我们内心深处,又希望未来是不确定的,不确定的世界,才充满了魅力。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在使用Excel透视表进行数据汇总分析时,我们常遇到“需通过两个字段相乘得到关键指标”的场景——比如“单价×数量=金额”“销量 ...
2025-11-14在测试环境搭建、数据验证等场景中,经常需要将UAT(用户验收测试)环境的表数据同步到SIT(系统集成测试)环境,且两者表结构完 ...
2025-11-14在数据驱动的企业中,常有这样的困境:分析师提交的“万字数据报告”被束之高阁,而一张简洁的“复购率趋势图+核心策略标注”却 ...
2025-11-14在实证研究中,层次回归分析是探究“不同变量组对因变量的增量解释力”的核心方法——通过分步骤引入自变量(如先引入人口统计学 ...
2025-11-13在实时数据分析、实时业务监控等场景中,“数据新鲜度”直接决定业务价值——当电商平台需要实时统计秒杀订单量、金融系统需要实 ...
2025-11-13在数据量爆炸式增长的今天,企业对数据分析的需求已从“有没有”升级为“好不好”——不少团队陷入“数据堆砌却无洞察”“分析结 ...
2025-11-13在主成分分析(PCA)、因子分析等降维方法中,“成分得分系数矩阵” 与 “载荷矩阵” 是两个高频出现但极易混淆的核心矩阵 —— ...
2025-11-12大数据早已不是单纯的技术概念,而是渗透各行业的核心生产力。但同样是拥抱大数据,零售企业的推荐系统、制造企业的设备维护、金 ...
2025-11-12在数据驱动的时代,“数据分析” 已成为企业决策的核心支撑,但很多人对其认知仍停留在 “用 Excel 做报表”“写 SQL 查数据” ...
2025-11-12金融统计不是单纯的 “数据计算”,而是贯穿金融业务全流程的 “风险量化工具”—— 从信贷审批中的客户风险评估,到投资组合的 ...
2025-11-11这个问题很有实战价值,mtcars 数据集是多元线性回归的经典案例,通过它能清晰展现 “多变量影响分析” 的核心逻辑。核心结论是 ...
2025-11-11在数据驱动成为企业核心竞争力的今天,“不知道要什么数据”“分析结果用不上” 是企业的普遍困境 —— 业务部门说 “要提升销量 ...
2025-11-11在大模型(如 Transformer、CNN、多层感知机)的结构设计中,“每层神经元个数” 是决定模型性能与效率的关键参数 —— 个数过少 ...
2025-11-10形成购买决策的四个核心推动力的是:内在需求驱动、产品价值感知、社会环境影响、场景便捷性—— 它们从 “为什么买”“值得买吗 ...
2025-11-10在数字经济时代,“数字化转型” 已从企业的 “可选动作” 变为 “生存必需”。然而,多数企业的转型仍停留在 “上线系统、收集 ...
2025-11-10在数据分析与建模中,“显性特征”(如用户年龄、订单金额、商品类别)是直接可获取的基础数据,但真正驱动业务突破的往往是 “ ...
2025-11-07在大模型(LLM)商业化落地过程中,“结果稳定性” 是比 “单次输出质量” 更关键的指标 —— 对客服对话而言,相同问题需给出一 ...
2025-11-07在数据驱动与合规监管双重压力下,企业数据安全已从 “技术防护” 升级为 “战略刚需”—— 既要应对《个人信息保护法》《数据安 ...
2025-11-07在机器学习领域,“分类模型” 是解决 “类别预测” 问题的核心工具 —— 从 “垃圾邮件识别(是 / 否)” 到 “疾病诊断(良性 ...
2025-11-06在数据分析中,面对 “性别与购物偏好”“年龄段与消费频次”“职业与 APP 使用习惯” 这类成对的分类变量,我们常常需要回答: ...
2025-11-06