Zamieszczone przez
;
Narzędzia ilościowe zostały szeroko przyjęte w celu wydobycia ogromnych informacji z różnych danych finansowych. Matematyka, statystyka i algorytmy komputerowe nigdy nie były tak ważne dla praktyków finansowych w historii. Banki inwestycyjne opracowują modele równowagi w celu oceny instrumentów finansowych; fundusze inwestycyjne stosowane w szeregach czasowych w celu identyfikacji ryzyka w ich portfelu; fundusze hedgingowe mają nadzieję na wydobycie sygnałów rynkowych i arbitrażu statystycznego z hałaśliwych danych rynkowych. Wzrost ilościowego finansowania w ostatnim dziesięcioleciu opiera się na opracowaniu technik komputerowych, które umożliwiają przetwarzanie dużych zbiorów danych. Ponieważ więcej danych jest dostępnych z wyższą częstotliwością, więcej badań w zakresie finansów ilościowych przeszło na mikrostruktury rynku finansowego. Dane o wysokiej częstotliwości są typowym przykładem dużych danych, które charakteryzują się prędkością 3V # 8217: szybkością, różnorodnością i objętością. Ponadto stosunek sygnału do szumu w finansowych szeregach czasowych jest zwykle bardzo mały. Zestawy danych o wysokiej częstotliwości są bardziej narażone na ekstremalne wartości, skoki i błędy niż te o niskiej częstotliwości. Specyficzne techniki przetwarzania danych i modele ilościowe są starannie opracowane w celu efektywnego pozyskiwania informacji z danych finansowych. W niniejszym rozdziale przedstawiamy podejścia do analizy danych ilościowych w finansach. Najpierw dokonujemy przeglądu rozwoju finansów ilościowych w ostatnim dziesięcioleciu. Następnie omawiamy cechy danych o wysokiej częstotliwości i wyzwania, jakie niesie ze sobą. Analiza danych ilościowych składa się z dwóch podstawowych kroków: (i) czyszczenie danych i agregacja; (ii) modelowanie danych. Dokonujemy przeglądu narzędzi matematycznych i technologii obliczeniowych za tymi dwoma krokami. Cenne informacje wyodrębnione z nieprzetworzonych danych są reprezentowane przez grupę statystyk. Najpowszechniej stosowanymi statystykami dotyczącymi finansów są oczekiwane stopy zwrotu i zmienność, które są podstawą nowoczesnej teorii portfela. Wprowadzamy także proste rozwiązania do optymalizacji portfela, jako przykład zastosowania analizy danych finansowych. Duże dane zmieniły już zasadniczo branżę finansową; O ile ilościowe narzędzia do radzenia sobie z ogromnymi danymi finansowymi wciąż mają przed sobą długą drogę. Przyjęcie zaawansowanych statystyk, teorii informacji, uczenia maszynowego i algorytmu szybszego obliczania jest nieuniknione w celu przewidywania zgodności rynków finansowych.