海量數據股票估值

『壹』 股票量化是什麼意思

所謂量化交易，是指以先進的數學模型替代人為的主觀判斷，同時利用計算機技術從龐大的歷史數據中海選出能帶來超額收益的多種「大概率」事件以制定策略，極大地減少了投資者情緒波動的影響，避免在市場極度狂熱或悲觀的情況下作出非理性的投資決策。
量化選股就是利用數量化的方法選擇股票組合，期望該股票組合能夠獲得超越基準收益率的投資行為，研究表明，板塊、行業輪動在機構投資者的交易中最為獲利的盈利模式是基於行業層面進行周期性和防禦性的輪動配置，這也是機構投資者最普遍採用的策略。此外，周期性股票在擴張性貨幣政策時期表現較好，而在緊縮環境下則支持非周期性行業。行業收益差在擴張性政策和緊縮性政策下具有顯著的差異。

拓展資料:
一、量化交易特點
1、紀律性。根據模型的運行結果進行決策，而不是憑感覺。紀律性既可以剋制人性中貪婪、恐懼和僥幸心理等弱點，也可以克服認知偏差，且可跟蹤。
2、系統性。具體表現為「三多」。一是多層次，包括在大類資產配置、行業選擇、精選具體資產三個層次上都有模型；二是多角度，定量投資的核心思想包括宏觀周期、市場結構、估值、成長、盈利質量、分析師盈利預測、市場情緒等多個角度；三是多數據，即對海量數據的處理。
3、套利思想。定量投資通過全面、系統性的掃描捕捉錯誤定價、錯誤估值帶來的機會，從而發現估值窪地，並通過買入低估資產、賣出高估資產而獲利。
4、概率取勝。一是定量投資不斷從歷史數據中挖掘有望重復的規律並加以利用；二是依靠組合資產取勝，而不是單個資產取勝。
二、量化交易潛在風險
1、歷史數據的完整性。行情數據不完整可能導致模型與行情數據不匹配。行情數據自身風格轉換，也可能導致模型失敗，如交易流動性，價格波動幅度，價格波動頻率等，而這一點是量化交易難以克服的。
2、模型設計中沒有考慮倉位和資金配置，沒有安全的風險評估和預防措施，可能導致資金、倉位和模型的不匹配，而發生爆倉現象。
3、網路中斷，硬體故障也可能對量化交易產生影響。
4、同質模型產生競爭交易現象導致的風險。
5、單一投資品種導致的不可預測風險。

『貳』 量化交易是什麼意思

量化交易是指以先進的數學模型替代人為的主觀判斷，利用計算機技術從龐大的歷史數據中海選能帶來超額收益的多種「大概率」事件以制定策略，極大地減少了投資者情緒波動的影響，避免在市場極度狂熱或悲觀的情況下作出非理性的投資決策。

『叄』 估值是什麼意思呢

估值是評定一項資產當時價值的過程。
指對依從價(ad valorem)課征關稅的進口貨物，核定其做為課征關稅的課征價格或完稅價格(ty-paying value)。並且估計其能夠到達的預計價值。
估值也是股市中對於某種股票價值的體現。如某隻股票的市價為9元，如果此公司的經營業績非常良好，估值區域在30-40之間，說明此股票在資本市場嚴重低估。此時介入危險系數會比較小。

『肆』 大數據板塊股票有哪些

大數據板塊79隻個股

『伍』 大數據與海量數據的區別

大數據與海量數據的區別

如果僅僅是海量的結構性數據，那麼解決的辦法就比較的單一，用戶通過購買更多的存儲設備，提高存儲設備的效率等解決此類問題。然而，當人們發現資料庫中的數據可以分為三種類型：結構性數據、非結構性數據以及半結構性數據等復雜情況時，問題似乎就沒有那麼簡單了。

大數據洶涌來襲

當類型復雜的數據洶涌襲來，那麼對於用戶IT系統的沖擊又會是另外一種處理方式。很多業內專家和第三方調查機構通過一些市場調查數據發現，大數據時代即將到來。有調查發現，這些復雜數據中有85%的數據屬於廣泛存在於社交網路、物聯網、電子商務等之中的非結構化數據。這些非結構化數據的產生往往伴隨著社交網路、移動計算和感測器等新的渠道和技術的不斷涌現和應用。

如今大數據的概念也存在著很多的炒作和大量的不確定性。為此，編者詳細向一些業內專家詳細了解有關方面的問題，請他們談一談，大數據是什麼和不是什麼，以及如何應對大數據等問題，將系列文章的形式與網友見面。

有人將多TB數據集也稱作」大數據」。據市場研究公司IDC統計，數據使用預計將增長44倍，全球數據使用量將達到大約35.2ZB（1ZB = 10億TB）。然而，單個數據集的文件尺寸也將增加，導致對更大處理能力的需求以便分析和理解這些數據集。

EMC曾經表示，它的1000多個客戶在其陣列中使用1PB（千兆兆）以上的數據數據，這個數字到2020年將增長到10萬。一些客戶在一兩年內還將開始使用數千倍多的數據，1EB（1艾位元組 = 10億GB）或者更多的數據。

對大企業而言，大數據的興起部分是因為計算能力可用更低的成本獲得，且各類系統如今已能夠執行多任務處理。其次，內存的成本也在直線下降，企業可以在內存中處理比以往更多的數據，另外是把計算機聚合成伺服器集群越來越簡單。IDC認為，這三大因素的結合便催生了大數據。同時，IDC還表示，某項技術要想成為大數據技術，首先必須是成本可承受的，其次是必須滿足IBM所描述的三個」V」判據中的兩個：多樣性（variety）、體量（volume）和速度（velocity）。

多樣性是指，數據應包含結構化的和非結構化的數據。

體量是指聚合在一起供分析的數據量必須是非常龐大的。

而速度則是指數據處理的速度必須很快。

大數據」並非總是說有數百個TB才算得上。根據實際使用情況，有時候數百個GB的數據也可稱為大數據，這主要要看它的第三個維度，也就是速度或者時間維度。

Garter表示，全球信息量正在以59%以上的年增長率增長，而量是在管理數據、業務方面的顯著挑戰，IT領袖必須側重在信息量、種類和速度上。

量：企業系統內部的數據量的增加是由交易量、其它傳統數據類型和新的數據類型引發的。過多的量是一個存儲的問題，但過多的數據也是一個大量分析的問題。

種類：IT領袖在將大量的交易信息轉化為決策上一直存在困擾 – 現在有更多類型的信息需要分析 – 主要來自社交媒體和移動（情景感知）。種類包括表格數據（資料庫）、分層數據、文件、電子郵件、計量數據、視頻、靜態圖像、音頻、股票行情數據、金融交易和其它更多種類。

速度：這涉及到數據流、結構化記錄的創建，以及訪問和交付的可用性。速度意味著正在被生成的數據有多快和數據必須被多快地處理以滿足需求。

雖然大數據是一個重大問題，Gartner分析師表示，真正的問題是讓大數據更有意義，在大數據裡面尋找模式幫助組織機構做出更好的商業決策。

諸子百家談如何定義」大數據」

盡管」Big Data」可以翻譯成大數據或者海量數據，但大數據和海量數據是有區別的。

定義一：大數據 = 海量數據 + 復雜類型的數據

Informatica中國區首席產品顧問但彬認為：」大數據」包含了」海量數據」的含義，而且在內容上超越了海量數據，簡而言之，」大數據」是」海量數據」+復雜類型的數據。

但彬進一步指出：大數據包括交易和交互數據集在內的所有數據集，其規模或復雜程度超出了常用技術按照合理的成本和時限捕捉、管理及處理這些數據集的能力。

大數據是由三項主要技術趨勢匯聚組成：

海量交易數據：在從 ERP應用程序到數據倉庫應用程序的在線交易處理（OLTP）與分析系統中，傳統的關系數據以及非結構化和半結構化信息仍在繼續增長。隨著企業將更多的數據和業務流程移向公共和私有雲，這一局面變得更加復雜。海量交互數據：這一新生力量由源於 Facebook、Twitter、LinkedIn 及其它來源的社交媒體數據構成。它包括了呼叫詳細記錄（CDR）、設備和感測器信息、GPS和地理定位映射數據、通過管理文件傳輸（Manage File Transfer）協議傳送的海量圖像文件、Web 文本和點擊流數據、科學信息、電子郵件等等。海量數據處理：大數據的涌現已經催生出了設計用於數據密集型處理的架構，例如具有開放源碼、在商品硬體群中運行的 Apache Hadoop。對於企業來說，難題在於以具備成本效益的方式快速可靠地從 Hadoop 中存取數據。

定義二：大數據包括A、B、C三個要素

如何理解大數據？NetApp 大中華區總經理陳文認為，大數據意味著通過更快獲取信息來使做事情的方式變得與眾不同，並因此實現突破。大數據被定義為大量數據（通常是非結構化的），它要求我們重新思考如何存儲、管理和恢復數據。那麼，多大才算大呢？考慮這個問題的一種方式就是，它是如此之大，以至於我們今天所使用的任何工具都無法處理它，因此，如何消化數據並把它轉化成有價值的洞見和信息，這其中的關鍵就是轉變。

基於從客戶那裡了解的工作負載要求，NetApp所理解的大數據包括A、B、C三個要素：分析（Analytic），帶寬（Bandwidth）和內容（Content）。

1. 大分析（Big Analytics），幫助獲得洞見 – 指的是對巨大數據集進行實時分析的要求，它能帶來新的業務模式，更好的客戶服務，並實現更好的結果。

2. 高帶寬（Big Bandwidth），幫助走得更快 – 指的是處理極端高速的關鍵數據的要求。它支持快速有效地消化和處理大型數據集。

3. 大內容（Big Content），不丟失任何信息- 指的是對於安全性要求極高的高可擴展的數據存儲，並能夠輕松實現恢復。它支持可管理的信息內容存儲庫、而不只是存放過久的數據，並且能夠跨越不同的大陸板塊。

大數據是一股突破性的經濟和技術力量，它為 IT 支持引入了新的基礎架構。大數據解決方案消除了傳統的計算和存儲的局限。藉助於不斷增長的私密和公開數據，一種劃時代的新商業模式正在興起，它有望為大數據客戶帶來新的實質性的收入增長點以及富於競爭力的優勢。

以上是小編為大家分享的關於大數據與海量數據的區別的相關內容，更多信息可以關注環球青藤分享更多干貨

『陸』 海量數據的介紹

海量數據是北京海量數據技術股份有限公司的簡稱，創立於2007年，是中國領先的數據技術服務提供商，業務涵蓋數據技術的系統集成、技術服務和產品研發，旗下控股2家子公司：北京海量雲信息技術有限公司、海量雲圖（北京）數據技術有限公司。公司總部設在北京，在沈陽、濟南、上海、南京、武漢、廣州、深圳、成都、西安等多個城市設有辦事機構，海量數據自成立以來一直保持強勁發展勢頭，年均復合增長率超過35%。

『柒』 海量數據股票代碼多少

603138，海量數據。這是一個次新股，最高漲到83.9，現在回落到54.3元。屬於計算機應用行業。目前價格依然虛高，不建議買入。

『捌』 大數據股票有哪些

大數據概念股 : 就主題投資而言,"大數據"概念2012年有望成為具有較強沖擊力的新主題,大數據概念實際上是從海量數據有效利用的角度對雲計算、物聯網等概念的綜合,更加准確地抓住了雲計算、物聯網的本質,以數據處理和數據中心建設與運維為主要業務的公司是最為貼切的投資標的。 "大數據"產業鏈條包含了從數據生成、數據存儲、數據處理和數據展示等多個環節。完整的生態系統還應當包括大數據處理結果的應用。 "大數據"時代更多的商機來自於應用,我們認為國內企業有機會獲得較大的發展空間。與大數據相關的投資標的有以下幾類。 第一類是與海量數據的存儲和處理相關的公司,關注拓爾思、美亞柏科、恆泰艾普、潛能恆信、天澤信息。 第二類是與數據中心建設與運營維護相關的公司,包括榮之聯、天璣科技、銀信科技。 第三類是與視頻化應用相關的公司,包括視頻監控業務為主的海康威視、大華股份、威創股份、華平股份。 第四類是與智能化和人機交互概念相關的公司,關注科大訊飛、用友軟體、東方國信等。 (南方股票頻道)

『玖』 數據中心龍頭股票有哪些

數據中心龍頭股票有：
一、光環新網（300383）
龍頭。公司不斷改進技術水平、提升服務品質，以高品質服務、高性價比優勢成為眾多知名客戶的優選對象。
2020年報顯示，光環新網凈利潤9.13億，近三年復合增長為16.95%；凈資產收益率10.38%，每股收益0.5900元。
二、鵬博士（600804）
龍頭。國內規模領先的中立數據中心廠商之一；公司中報凈利潤同比增長208%，因本期處置數據中心資產組產生資產處置收益，使得2021年1-6月凈利潤同比增加6.77億。
公司2020年實現凈利潤1.01億，近三年復合增長為-48.52%；毛利率43.54%。
三、數據港（603881）
龍頭。雲計算數據中心基礎設施運維作為公司核心業務，一直保持較大的競爭優勢，且公司仍在不斷努力，尋求更高的突破。
2020年凈利潤1.36億，同比上年增長率為23.58%。
四、特發信息（000070）
西安數據中心建設項目尚未正式開工，開工後預計工期180天。
2020年報顯示，特發信息實現凈利潤1145萬，同比增長-96.46%，近五年復合增長為-50.82%；毛利率18.68%。
數據中心股票其他的還有： 達實智能、中衡設計、寶信軟體、海量數據、城地香江、中通國脈、南興股份、三鋼閩光、銀江技術、證通電子、省廣集團、和達科技、聖陽股份、仕佳光子、金信諾、海峽創新、匯金股份、高鴻股份等。
【拓展資料】
龍頭股指的是某一時期在股票市場的炒作中對同行業板塊的其他股票具有影響和號召力的股票，它的漲跌往往對其他同行業板塊股票的漲跌起引導和示範作用。
龍頭股並不是一成不變的，它的地位往往只能維持一段時間。成為龍頭股的依據是，任何與某隻股票有關的信息都會立即反映在股價上。

『拾』 大數據在金融行業的應用與挑戰

大數據在金融行業的應用與挑戰
A 具有四大基本特徵
金融業基本是全世界各個行業中最依賴於數據的，而且最容易實現數據的變現。全球最大的金融數據公司Bloomberg在1981年成立時「大數據」概念還沒有出現。Bloomberg的最初產品是投資市場系統（IMS），主要向各類投資者提供實時數據、財務分析等。
隨著信息時代降臨，1983年估值僅1億美元的Bloomberg以30%股份的代價換取美林3000萬美元投資，先後推出Bloomberg Terminal、News、Radio、TV等各類產品。1996年Bloomberg身價已達20億美元，並以2億美元從美林回購了10%的股份。2004年Bloomberg在紐約曼哈頓中心建成246米摩天高樓。到2008年次貸危機，美林面臨崩盤，其剩餘20%的Bloomberg股份成為救命稻草。Bloomberg趁美林之危贖回所有股份，估值躍升至225億美元。2016年Bloomberg全球布局192個辦公室，擁有1.5萬名員工，年收入約100億美元，估值約1000億美元，超過同年市值為650億美元的華爾街標桿高盛。
大數據概念形成於2000年前後，最初被定義為海量數據的集合。2011年，美國麥肯錫公司在《大數據的下一個前沿：創新、競爭和生產力》報告中最早提出：大數據指大小超出典型資料庫軟體工具收集、存儲、管理和分析能力的數據集。
具體來說，大數據具有四大基本特徵：
一是數據體量大，指代大型數據集，一般在10TB規模左右，但在實際應用中，很多企業用戶把多個數據集放在一起，已經形成了PB級的數據量。
二是數據類別大，數據來自多種數據源，數據種類和格式日漸豐富，已沖破了以前所限定的結構化數據范疇，囊括了半結構化和非結構化數據。現在的數據類型不僅是文本形式，更多的是圖片、視頻、音頻、地理位置信息等多類型的數據。
三是處理速度快，在數據量非常龐大的情況下，也能夠做到數據的實時處理。數據處理遵循「1秒定律」，可從各種類型的數據中快速獲得高價值的信息。
四是數據的真實性高，隨著社交數據、企業內容、交易與應用數據等新數據源的興起，傳統數據源的局限被打破，信息的真實性和安全性顯得極其重要。
而相比其他行業，金融數據邏輯關系緊密，安全性、穩定性和實時性要求更高，通常包含以下關鍵技術：數據分析，包括數據挖掘、機器學習、人工智慧等，主要用於客戶信用、聚類、特徵、營銷、產品關聯分析等；數據管理，包括關系型和非關系型數據、融合集成、數據抽取、數據清洗和轉換等；數據使用，包括分布式計算、內存計算、雲計算、流處理、任務配置等；數據展示，包括可視化、歷史流及空間信息流展示等，主要應用於對金融產品健康度、產品發展趨勢、客戶價值變化、反洗錢反欺詐等監控和預警。
B 重塑金融行業競爭新格局
「互聯網+」之後，隨著世界正快速興起「大數據+」，金融行業悄然出現以下變化：
大數據特徵從傳統數據的「3個V」增加到「5個V」。在數量（Volume）、速度（Velocity）、種類（Variety）基礎上，進一步完善了價值（Value）和真實性（Veracity），真實性包括數據的可信性、來源和信譽、有效性和可審計性等。
金融業按經營產品分類變為按運營模式分類。傳統金融業按經營產品劃分為銀行、證券、期貨、保險、基金五類，隨著大數據產業興起和混業經營的發展，現代金融業按運營模式劃分為存貸款類、投資類、保險類三大類別。
大數據市場從壟斷演變為充分市場競爭。全球大數據市場企業數量迅速增多，產品和服務的差異增大，技術門檻逐步降低，市場競爭日益激烈。行業解決方案、計算分析服務、存儲服務、資料庫服務和大數據應用成為市場份額排名最靠前的五大細分市場。
大數據形成新的經濟增長點。Wikibon數據顯示，2016年，全球大數據硬體、軟體和服務整體市場增長22%達到281億美元，預計到2027年，全球在大數據硬體、軟體和服務上的整體開支的復合年增長率為12%，將達到大約970億美元。
數據和IT技術替代「重復性」業務崗位。數據服務公司Eurekahedge通過追蹤23家對沖基金，發現5位對沖基金經理薪金總額為10億美元甚至更高。過去10年，靠數學模型分析金融市場的物理學家和數學家「寬客」一直是對沖基金的寵兒，其實大數據+人工智慧更精於此道。高盛的紐約股票現金交易部門2000年有600名交易員而如今只剩兩人，其任務全由機器包辦，專家稱10年後高盛員工肯定比今天還要少。
美國大數據發展走在全球前列。美國政府宣稱：「數據是一項有價值的國家資本，應對公眾開放，而不是將其禁錮在政府體制內。」作為大數據的策源地和創新引領者，美國大數據發展一直走在全球最前列。自20世紀以來，美國先後出台系列法規，對數據的收集、發布、使用和管理等做出具體的規定。2009年，美國政府推出Data.gov政府數據開放平台，方便應用領域的開發者利用平台開發應用程序，滿足公共需求或創新創業。2010年，美國國會通過更新法案，進一步提高了數據採集精度和上報頻度。2012年3月，奧巴馬政府推出《大數據研究與開發計劃》，大數據迎來新一輪高速發展。
英國是歐洲金融中心，大數據成為其領先科技之一。2013年，英國投資1.89億英鎊發展大數據。2015年，新增7300萬英鎊，創建了「英國數據銀行」data.gov.uk網站。2016年，倫敦舉辦了超過22000場科技活動，同年，英國數字科技投資逾68億英鎊，而收入則超過1700億英鎊。另外，英國統計局利用政府資源開展「虛擬人口普查」，僅此一項每年節省5億英鎊經費。
C 打造高效金融監管體系
大數據用已發生的總體行為模式和關聯邏輯預測未來，決策未來,作為現代數字科技的核心，其靈魂就是——預測。
偵測、打擊逃稅、洗錢與金融詐騙
全球每年因欺詐造成的經濟損失約3.7萬億美元，企業因欺詐受損通常為年營收額的5%。全球最大軟體公司之一美國SAS公司與稅務、海關等政府部門和全球各國銀行、保險、醫療保健等機構合作，有效應對日益復雜化的金融犯罪行為。如在發放許可之前，通過預先的數據分析檢測客戶是否有過行受賄、欺詐等前科，再確定是否發放借貸或海關通關。SAS開發的系統已被國際公認為統計分析的標准軟體，在各領域廣泛應用。英國政府利用大數據檢測行為模式檢索出200億英鎊的逃稅與詐騙，追回了數十億美元損失。被福布斯評為美國最佳銀行的德克薩斯資本銀行（TCBank），不斷投資大數據技術，反金融犯罪系統與銀行發展同步，近3年資產從90億美元增至210億美元。荷蘭第三大人壽保險公司CZ依靠大數據對騙保和虛假索賠行為進行偵測，在支付賠償金之前先期阻斷，有效減少了欺詐發生後的司法補救。
大數據風控建立客戶信用評分、監測對照體系
美國注冊舞弊審核師協會（ACFE）統計發現，缺乏反欺詐控制的企業會遭受高額損失。美國主流個人信用評分工具FICO能自動將借款人的歷史資料與資料庫中全體借款人總體信用習慣相比較，預測借款人行為趨勢，評估其與各類不良借款人之間的相似度。美國SAS公司則通過集中瀏覽和分析評估客戶銀行賬戶的基本信息、歷史行為模式、正在發生行為模式（如轉賬）等，結合智能規則引擎（如搜索到該客戶從新出現的國家為特有用戶轉賬，或在新位置在線交易等），進行實時反欺詐分析。
美國一家互聯網信用評估機構通過分析客戶在Facebook、Twitter等社交平台留下的信息，對銀行的信貸和投保申請客戶進行風險評估，並將結果出售給銀行、保險公司等，成為多家金融機構的合作夥伴。
D 數據整合困難
應用經濟指標預測系統分析市場走勢
IBM使用大數據信息技術成功開發了「經濟指標預測系統」，該系統基於單體數據進行提煉整合，通過搜索、統計、分析新聞中出現的「新訂單」等與股價指標有關的單詞來預測走勢，然後結合其他相關經濟數據、歷史數據分析其與股價的關系，從而得出行情預測結果。
追蹤社交媒體上的海量信息評估行情變化
當今搜索引擎、社交網路和智能手機上的微博、微信、論壇、新聞評論、電商平台等每天生成幾百億甚至千億條文本、音像、視頻、數據等，涵蓋廠商動態、個人情緒、行業資訊、產品體驗、商品瀏覽和成交記錄、價格走勢等，蘊含巨大財富價值。
2011年5月，規模為4000萬美元的英國對沖基金DC Markets，通過大數據分析Twitter的信息內容來感知市場情緒指導投資，首月盈利並以1.85%的收益率一舉戰勝其他對沖基金僅0.76%的平均收益率。
美國佩斯大學一位博士則利用大數據追蹤星巴克、可口可樂和耐克公司在社交媒體的圍觀程度對比其股價，證明Facebook、Twitter和 Youtube上的粉絲數與股價密切相關。
提供廣泛的投資選擇和交易切換
日本個人投資理財產品Money Design在應用程序Theo中使用演算法+人工智慧，最低門檻924美元，用戶只需回答風險承受水平、退休計劃等9個問題，就可使用35種不同貨幣對65個國家的1.19萬只股票進行交易和切換，年度管理費僅1%。Money Design還能根據用戶投資目標自動平衡其賬戶金額，預計2020年將超過2萬億美元投資該類產品。
利用雲端資料庫為客戶提供記賬服務
日本財富管理工具商Money Forward提供雲基礎記賬服務，可管理工資、收付款、寄送發票賬單、針對性推送理財新項目等，其軟體系統連接並整合了2580家各類金融機構的各類型帳戶，運用大數據分析的智能儀表盤顯示用戶當前財富狀況，還能分析用戶以往的數據以預測未來的金融軌跡。目前其已擁有50萬商家和350萬個體用戶，並與市值2.5萬億美元的山口金融集團聯合開發新一款APP。
為客戶定製差異化產品和營銷方案
金融機構迫切需要掌握更多用戶信息，繼而構建用戶360度立體畫像，從而對細分客戶進行精準營銷、實時營銷、智慧營銷。
一些海外銀行圍繞客戶「人生大事」，分析推算出大致生活節點，有效激發其對高價值金融產品的購買意願。如一家澳大利亞銀行通過大數據分析發現，家中即將誕生嬰兒的客戶對壽險產品的潛在需求最大，於是通過銀行卡數據監控准媽媽開始購買保胎葯品和嬰兒相關產品等現象，識別出即將添丁的家庭，精準推出定製化金融產品套餐，受到了客戶的積極響應，相比傳統的簡訊群發模式大幅提高了成功率。
催生並支撐人工智慧交易
「量化投資之王」西蒙斯被公認為是最能賺錢的基金經理人，自1988年創立文藝復興科技公司的旗艦產品——大獎章基金以來，其憑借不斷更新完善的大數據分析系統，20年中創造出35%的年均凈回報率，比索羅斯同期高10%，比股神巴菲特同期高18%，成為有史以來最成功的對沖基金，並於1993年基金規模達2.7億美元時停止接受新投資。在美國《Alpha》雜志每年公布的對沖基金經理排行榜上，西蒙斯2005年、2006年分別以15億美元、17億美元凈收入穩居全球之冠，2007年以13億美元位列第五，2008年再以25億美元重返榜首。
推動金融產品和服務創新
E 面臨三大挑戰
目前，全球各行業數據量的增長速度驚人，在我國尤其集中在金融、交通、電信、製造業等重點行業，信息化的不斷深入正在進一步催生更多新的海量數據。
據統計，2015年中國的數據總量達到1700EB以上，同比增長90%，預計到2020年這一數值將超過8000EB。以銀行業為例，每創收100萬元，銀行業平均產生130GB的數據，數據強度高踞各行業之首。但在金融企業內部數據處於割裂狀態，業務條線、職能部門、渠道部門、風險部門等各個分支機構往往是數據的真正擁有者，缺乏順暢的共享機制，導致海量數據往往處於分散和「睡眠」狀態，雖然金融行業擁有的數據量「富可敵國」，但真正利用時卻「捉襟見肘」。
數據安全暗藏隱患
大數據本質是開放與共享，但如何界定、保護個人隱私權卻成為法律難題。大數據存儲、處理、傳輸、共享過程中也存在多種風險，不僅需要技術手段保護，還需相關法律法規規范和金融機構自律。多項實際案例表明，即使無害的數據大量囤積也會滋生各種隱患。安全保護對象不僅包括大數據自身，也包含通過大數據分析得出的知識和結論。在線市場平台英國Handshake.uk.com就嘗試允許用戶協商個人數據被品牌分享所得的報酬。
人才梯隊建設任重道遠
人才是大數據之本。與信息技術其他細分領域人才相比，大數據發展對人才的復合型能力要求更高，需要掌握計算機軟體技術，並具備數學、統計學等方面知識以及應用領域的專業知識。