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
在数据分析、业务监控、质量检测与风险管控工作中,数据波动性是衡量数据稳定性、业务健康度、结果可信度的核心依据。数据波动代 ...
2026-08-18很多分析师在设计标签时思路清晰,但真到落地环节却面临“数据在手,不知如何转化为可用标签”的困境:或因加工方式选择不当导致 ...
2026-08-18在数据分析、业务评价、产品评级、用户分层与综合决策场景中,单一指标往往无法全面、客观地评价事物整体水平。现实中的评价对象 ...
2026-08-18在数理统计、假设检验、数据分析与机器学习领域中,卡方分布(χ²分布)是继正态分布、t分布之后最重要的连续型概率分布之一。 ...
2026-08-17在Python数据清洗、文本校验、账号密码规则校验、脏数据过滤、字符串规整化处理中,正则表达式是最高效、最常用的文本匹配工具。 ...
2026-08-17 很多分析师每天和数据打交道,但当被问到“标签是什么”“标签和指标有什么区别”“标签体系如何设计”时,却常常答不上来。 ...
2026-08-17手游行业具备用户迭代快、竞争激烈、用户粘性易流失的典型特征。随着新游持续上线、玩家审美升级、玩法疲劳等问题出现,存量用户 ...
2026-08-14在数字化产品运营、商业数据分析、业务增长管理中,零散的指标统计无法支撑系统性的业务决策。单一的点击率、转化率、销量数据只 ...
2026-08-14 很多数据分析师每天都在写SQL,但当被问到“数据查询语言(DQL)的本质是什么”“SELECT语句中各子句的书写顺序与实际执行顺 ...
2026-08-14在数据库数据分析、数据清洗、报表统计与业务查询场景中,日期时间是最高频、最核心的基础字段。数据库中存储的日期格式多样,包 ...
2026-08-13在数据统计分析与数据清洗工作中,箱线图是一种简洁高效、客观性强的数据可视化图表,能够直观呈现数据集的分布特征、离散程度和 ...
2026-08-13 很多数据分析师写过无数个SELECT查询,但当被问到“如何新建一张表来固化中间数据”“创建视图和创建物理表有什么区别”“视 ...
2026-08-13在自动化办公、数据采集、定时统计、日志清理、系统监控等场景中,程序往往需要按照固定时间间隔重复执行指定任务,这种运行机制 ...
2026-08-12在数据分析日常工作中,Excel数据筛选是数据清洗、数据提取、样本筛选的核心基础操作。传统Excel手动筛选、函数筛选方式,面对多 ...
2026-08-12 很多数据分析师精通Excel函数和数据透视表,但当被问到“数据从哪里来”“表和视图有什么区别”“数据库管理系统和SQL是什么 ...
2026-08-12在数据分析、统计建模、数据挖掘与商业调研过程中,原始数据往往无法做到绝对干净规整。受系统故障、人工录入失误、设备误差、突 ...
2026-08-11在数据分析工作中,聚类分析是典型的无监督学习方法,核心作用是依据数据自身的多维特征,将相似样本自动划分为若干类别,实现“ ...
2026-08-11 很多企业团队并非缺乏指标,而是陷入“指标失控”:仪表盘上堆满实时跳动的数据,却无法回答“当前瓶颈在哪、下一步该做什么 ...
2026-08-11AB实验是互联网产品迭代、营销优化、功能升级的核心科学验证手段,通过流量随机分组、对照组与实验组对比,科学验证策略、功能、 ...
2026-08-10在MySQL数据库优化中,索引是提升查询效率、降低数据库IO开销、优化系统性能的核心手段。普通单列索引仅适配简单查询场景,面对 ...
2026-08-10