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
Python凭借简洁的语法、丰富的生态库,成为算法开发、数据处理、机器学习等领域的首选语言。但受限于动态类型、解释性执行的特性 ...
2026-04-03在深度学习神经网络中,卷积操作是实现数据特征提取的核心引擎,更是让模型“看懂”数据、“解读”数据的关键所在。不同于传统机 ...
2026-04-03当数字化转型从企业的“战略口号”落地为“生存之战”,越来越多的企业意识到,转型的核心并非技术的堆砌,而是数据价值的深度挖 ...
2026-04-03在日常办公数据分析中,数据透视表凭借高效的汇总、分组功能,成为Excel、WPS等办公软件中最常用的数据分析工具之一。其中,“计 ...
2026-04-02在数字化交互的全场景中,用户的每一次操作都在生成动态的行为轨迹——电商用户的“浏览商品→点击详情→加入购物车”,内容APP ...
2026-04-02在数字化转型深度推进的今天,企业数据已成为驱动业务增长、构建核心竞争力的战略资产,而数据安全则是守护这份资产的“生命线” ...
2026-04-02在数据驱动决策的浪潮中,数据挖掘与数据分析是两个高频出现且极易被混淆的概念。有人将二者等同看待,认为“做数据分析就是做数 ...
2026-04-01在数据驱动决策的时代,企业与从业者每天都会面对海量数据——电商平台的用户行为数据、金融机构的信贷风险数据、快消品牌的营销 ...
2026-04-01在数字化转型的浪潮中,企业数据已从“辅助运营的附属资源”升级为“驱动增长的核心资产”,而一套科学、可落地的企业数据管理方 ...
2026-04-01在数字化时代,每一位用户与产品的交互都会留下可追溯的行为轨迹——电商用户的浏览、加购、下单,APP用户的注册、登录、功能使 ...
2026-03-31在日常数据统计、市场调研、学术分析等场景中,我们常常需要判断两个分类变量之间是否存在关联(如性别与消费偏好、产品类型与满 ...
2026-03-31在CDA(Certified Data Analyst)数据分析师的职场实战与认证考核中,“可解释性建模”是核心需求之一——企业决策中,不仅需要 ...
2026-03-31多层感知机(MLP,Multilayer Perceptron)作为深度学习中最基础、最经典的神经网络模型,其结构设计直接决定了模型的拟合能力、 ...
2026-03-30在TensorFlow深度学习实战中,数据集的加载与预处理是基础且关键的第一步。手动下载、解压、解析数据集不仅耗时费力,还容易出现 ...
2026-03-30在CDA(Certified Data Analyst)数据分析师的日常工作中,“无监督分组、挖掘数据内在聚类规律”是高频核心需求——电商场景中 ...
2026-03-30机器学习的本质,是让模型通过对数据的学习,自主挖掘规律、实现预测与决策,而这一过程的核心驱动力,并非单一参数的独立作用, ...
2026-03-27在SQL Server数据库操作中,日期时间处理是高频核心需求——无论是报表统计中的日期格式化、数据筛选时的日期类型匹配,还是业务 ...
2026-03-27在CDA(Certified Data Analyst)数据分析师的能力体系与职场实操中,高维数据处理是高频且核心的痛点——随着业务场景的复杂化 ...
2026-03-27在机器学习建模与数据分析实战中,特征维度爆炸、冗余信息干扰、模型泛化能力差是高频痛点。面对用户画像、企业经营、医疗检测、 ...
2026-03-26在这个数据无处不在的时代,数据分析能力已不再是数据从业者的专属技能,而是成为了职场人、管理者、创业者乃至个人发展的核心竞 ...
2026-03-26