Originally Posted by
;
Количественные инструменты широко используются для извлечения массивной информации из различных финансовых данных. Математика, статистика и алгоритмы компьютеров никогда не были столь важны для финансовых практиков в истории. Инвестиционные банки разрабатывают модели равновесия для оценки финансовых инструментов; паевые фонды применяли временные ряды для определения рисков в своем портфеле; и хедж-фонды надеются извлечь рыночные сигналы и статистический арбитраж из шумных рыночных данных. Рост количественного финансирования в последнее десятилетие основывается на разработке компьютерных технологий, позволяющих обрабатывать большие наборы данных. Поскольку все больше данных доступно на более высокой частоте, больше исследований в количественном финансировании перешли на микроструктуры финансового рынка. Высокочастотные данные являются типичным примером больших данных, которые характеризуются 3V # 8217: s: скорость, разнообразие и объем. Кроме того, отношение сигналшум в финансовых временных рядах обычно очень мало. Высокочастотные наборы данных чаще подвержены экстремальным значениям, скачкам и ошибкам, чем низкочастотные. Конкретные методы обработки данных и количественные модели тщательно разработаны для эффективного извлечения информации из финансовых данных. В этой главе мы представляем подходы количественного анализа данных в финансах. Во-первых, мы рассматриваем развитие количественного финансирования за последнее десятилетие. Затем мы обсудим характеристики высокочастотных данных и проблемы, которые она приносит. Анализ количественных данных состоит из двух основных этапов: (i) очистка и агрегирование данных; (ii) моделирование данных. Мы рассматриваем математические инструменты и вычислительные технологии за этими двумя шагами. Ценная информация, извлеченная из необработанных данных, представлена группой статистических данных. Ожидается, что наиболее широко используемыми статистическими данными в области финансов станут возврат и волатильность, которые являются основой современной теории портфеля. В качестве примера применения анализа финансовых данных мы также приводим некоторые простые методы оптимизации портфеля. Большие данные уже существенно изменили финансовую отрасль; в то время как количественные инструменты для решения огромных финансовых данных по-прежнему имеют долгий путь. Принятие передовых статистических данных, теории информации, машинного обучения и алгоритма более быстрых вычислений неизбежно для прогнозирования финансовых рынков.