
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 数据透视表进行多维度数据汇总时,折叠功能是梳理数据层级的核心工具 —— 通过点击 “+/-” 符号可展开明细数据或 ...
2025-09-28在使用 Pandas 处理 CSV、TSV 等文本文件时,“引号” 是最容易引发格式混乱的 “隐形杀手”—— 比如字段中包含逗号(如 “北京 ...
2025-09-28在 CDA(Certified Data Analyst)数据分析师的技能工具箱中,数据查询语言(尤其是 SQL)是最基础、也最核心的 “武器”。无论 ...
2025-09-28Cox 模型时间依赖性检验:原理、方法与实战应用 在生存分析领域,Cox 比例风险模型(Cox Proportional Hazards Model)是分析 “ ...
2025-09-26检测因子类型的影响程度大小:评估标准、实战案例与管控策略 在检测分析领域(如环境监测、食品质量检测、工业产品合规性测试) ...
2025-09-26CDA 数据分析师:以数据库为基石,筑牢数据驱动的 “源头防线” 在数据驱动业务的链条中,“数据从哪里来” 是 CDA(Certified D ...
2025-09-26线性相关点分布的四种基本类型:特征、识别与实战应用 在数据分析与统计学中,“线性相关” 是描述两个数值变量间关联趋势的核心 ...
2025-09-25深度神经网络神经元个数确定指南:从原理到实战的科学路径 在深度神经网络(DNN)的设计中,“神经元个数” 是决定模型性能的关 ...
2025-09-25在企业数字化进程中,不少团队陷入 “指标困境”:仪表盘上堆砌着上百个指标,DAU、转化率、营收等数据实时跳动,却无法回答 “ ...
2025-09-25MySQL 服务器内存碎片:成因、检测与内存持续增长的解决策略 在 MySQL 运维中,“内存持续增长” 是常见且隐蔽的性能隐患 —— ...
2025-09-24人工智能重塑工程质量检测:核心应用、技术路径与实践案例 工程质量检测是保障建筑、市政、交通、水利等基础设施安全的 “最后一 ...
2025-09-24CDA 数据分析师:驾驭通用与场景指标,解锁数据驱动的精准路径 在数据驱动业务的实践中,指标是连接数据与决策的核心载体。但并 ...
2025-09-24在数据驱动的业务迭代中,AB 实验系统(负责验证业务优化效果)与业务系统(负责承载用户交互与核心流程)并非独立存在 —— 前 ...
2025-09-23CDA 业务数据分析:6 步闭环,让数据驱动业务落地 在企业数字化转型中,CDA(Certified Data Analyst)数据分析师的核心价值,并 ...
2025-09-23CDA 数据分析师:以指标为钥,解锁数据驱动价值 在数字化转型的浪潮中,“用数据说话” 已成为企业决策的共识。但数据本身是零散 ...
2025-09-23当 “算法” 成为数据科学、人工智能、业务决策领域的高频词时,一种隐形的认知误区正悄然蔓延 —— 有人将分析结果不佳归咎于 ...
2025-09-22在数据分析、金融计算、工程评估等领域,“平均数” 是描述数据集中趋势最常用的工具之一。但多数人提及 “平均数” 时,默认指 ...
2025-09-22CDA 数据分析师:参数估计助力数据决策的核心力量 在数字化浪潮席卷各行各业的当下,数据已成为驱动业务增长、优化运营效率的核 ...
2025-09-22训练与验证损失骤升:机器学习训练中的异常诊断与解决方案 在机器学习模型训练过程中,“损失曲线” 是反映模型学习状态的核心指 ...
2025-09-19解析 DataHub 与 Kafka:数据生态中两类核心工具的差异与协同 在数字化转型加速的今天,企业对数据的需求已从 “存储” 转向 “ ...
2025-09-19