大數據分析在股票市場應用

1. 大數據能不能預測股市

大數據對於很多的地方都是非常有用的，但是，是否也有大數據不能做到的？我覺得很多時候，大數據只能說作為一個參考的方向，並不能准確的作出判斷，或者給出答案。首先大數據是一個有科學根據的一個參考物，因為有大量的數據，有大量的參考物，所以，這件事情結果跟大數據一致的概率變得會跟大數據所統計的相差不遠，這就是我們的大數據擁有的功能。

我們的股市，說實話我以前的工作是金融方面的也接觸過股市，對於股市的話，首先影響我們股市的一些因素有哪些？從宏觀來說，像國家的一些政策調控，包括我們公司的一些政策變化，股東的一些變動，或者說我們現在在整個股市來說什麼樣的一個趨勢。

我們如果從技術層面，就是可以通過我們的一些k線圖，或者我們的一些kdj指標，很多的一些分析股票的一些指標來判斷，當然這些指標的話並不是百分之百，都是金錢。而是說這些指標，其實也就是通過一些大量的，我們以前的歷史數據，其實都是已經是歷史性的，所以總結出來的這樣一個圖案，便於我們能進行分析。

這樣一個指標的話，其實跟我們的大數據就非常的類似，我們說大數據到底能不能預測故事？這個真的不能具體的回答，因為預測這個事情也就是說對於未來的股市的一個判斷，這其實是很難的，我們很多的時候看到的都只是表面上的，大數據來說，他可以給出一個方向，或者能夠得出的結論跟未來行情的變化正確的概率是非常高的，但是我們不能百分之百肯定，他得出的結論是正確的，所以大數據他可以預測股市一個大致方向，但不不能保證他預測的是正確的，可以作為一個參考。

2. 如何利用大數據和人工智慧技術，提高股市投資的精準度和成功率

利用大數據和人工智慧技術，可以通過以下方式提高股市投資譽者納的精準度和成功率：

1. 數據分析：使用大數據技術，收集和分析股市嫌行數據，包括公司財務數據、市場數據和宏觀經濟數據等，以幫助投資者做出更明智的投資決策。

2. 機器學習：通過機慶沒器學習演算法，能夠對歷史股市數據進行分析和預測，以預測股市未來的趨勢和走勢，幫助投資者做出更准確的決策。

3. 情感分析：利用自然語言處理技術對社交媒體、新聞和公告等信息進行情感分析，以了解市場情緒和投資者情感，幫助投資者做出更明智的投資決策。

4. 特徵工程：通過特徵工程技術，提取和選擇與股市投資相關的特徵，以建立更准確的股市預測模型，提高投資的成功率。

5. 風險管理：利用大數據和人工智慧技術，對股市風險進行分析和管理，以減少投資者的風險和損失。

3. 基於微信大數據的股票預測研究

基於微信大數據的股票預測研究
大數據是近些年來的熱門話題，無論國際上還是國內，影響很大。經濟學、政治學、社會學和許多科學門類都會發生巨大甚至是本質上的變化和發展，進而影響人類的價值體系、知識體系和生活方式。而全球經濟目前生成了史無前例的大量數據，如果把每天產生的大量數據比作神話時期的大洪水是完全正確的，這個數據洪流是我們前所未見的，他是全新的、強大的、當然，也是讓人恐慌但又極端刺激的。
而我所分享的話題，正是在互聯網環境下，如何利用大數據技術，進行股票預測的研究。–今天，我想分享我認為有意義的四點。
1.大數據下的商業預測
根據大數據，我們可以有效地進行故障、人流、流量、用電量、股票市場、疾病預防、交通、食物配送、產業供需等方面的預測。而本文我們所關心的內容是股票市場的預測。
大數據的核心是預測，預測依賴於對數據的分析。那麼分析的方法是否是基於隨機采樣的結果而設計的，這樣的分析方法是否會有誤差？
從傳統認識上，由於資源和科技的局限，如人和計算資源受限、從計算機處理能力來講無法處理全部數據來獲取人們所關注的結果。因此隨機采樣應運而生，通過所選取的個體來代表全體，如使用隨機抽取的方式來使得推論結果更科學。但既然提到了大數據，它是資源發展到一定程度、以及技術發展到一定階段產生的一個新的認識。如同電力的出現，使人類進入了一個快速發展階段，大數據也一樣，它的含義是全體樣本，從整體樣本來做推論。在本文大數據的含義是所有股票在整個社交網路上的流動信息，從數據源上講，本文沒有採用所有社交網路上的數據，只分析了微信這個最具代表性的社交媒體作為信息源。
互動數據能反映用戶情緒，搜索數據能反映用戶的關注點和意圖，在股市預測時這兩種數據哪種更具有參考價值？
我認為都有價值，互動數據反映了用戶對某一特定股票的喜好和厭惡，可以簡單描述為對該股票的操作是繼續持有還是賣出；而搜索數據則代表用戶在收集該股票信息的過程，它是關注度的概念，某隻股票搜索度高則意味著消息的影響力大。互動代表著方向，搜索代表著振幅。
我們知道這兩種數據得出的結論會有差異，您是如何平衡這兩種數據反映的情況來進行預測的？
正如上一個問題里提到的，如果是股票推薦，買進賣出等原則問題，則應該考慮互動數據，但如果已經買到手了，搜索數據可以提供一個幅度的概念，類似債券評級A級、AA級、AAA級等，供投資者參考，因為不同投資者對風險的承受度是不同的。
將股票和市場的消息整理成140字的短消息發布，是否意味著主要發布渠道是微博？現在微信公眾號很火，有沒有考慮通過這個渠道也發布消息？
事實上，信息傳播的方式很多，微信作為新媒體當然影響力不容小覷，但目前技術投入最小的還是郵件、簡訊等方式，未來會考慮使用公眾號來推送股票和市場消息。
如果在未來通過微信公眾號推送消息，那麼推送的消息會不會作為數據來源被再次採集？這會有多大的影響？
會被採集，但互聯網上的每日關於個股的信息數量會達到很大，該推送會增加推薦股票1點權重，每隻股票的權重成百上千，因此影響極小。
數據來源是微信公眾號，除了准確性的考慮之外，是否還考慮過這樣收集數據會較少觸犯個人隱私？
從法律角度來看，搜索微信或其他個人聊天記錄，是侵犯個人隱私權的，因此如果騰訊開放了這樣的介面，每個公民都可以對這樣的行為進行投訴、抗議、甚至進行法律起訴直至其改正過錯、賠償損失的。
這樣是否意味著即使存在違法的行為，其結果也是由騰訊來承擔，而我們作為數據的使用方不需要承擔任何法律責任？
在整個社會，我們作為系統技術提供方，應恪守大數據的倫理道德，遵守國家法律，如侵犯個人隱私，系統不會採集，谷歌有一句座右銘「谷歌不作惡」，本文提到的系統也一樣。
2.基於大數據進行股票推薦實驗
股票的及時度反應了微信文章所發布的時效性，及時度越高，數據價值就越大。
股票的熱度反應了當前某隻股票被關注的頻度，關注頻度越大，上漲的可能性越高。

數據的完整性：我們採用循環的方式對所有深滬兩地發行約2236隻股票（創業版除外）在微信搜索網站上的搜索結果進行保存。
數據的一致性：文件格式由負責保存數據文件的程序決定，單一的流程保障了文件的一致性。
數據的准確性：由於所分析的訂閱號文章的是由微信公共平台的公眾號所提供，在一定程度上杜絕了虛假消息對於預測系統的破壞。
數據的及時性：考慮到磁碟讀寫以及採集程序所處的網路帶寬，以及搜索引擎對於採集程序的屏蔽，程序中採集兩條信息之間間隔了5秒，因此理論上11180秒（3.1個小時）可收集完當日推薦所需要的數據。對於每個交易日，在9點-9點30分之間採集所有數據，需要7台以上的設備可達到最佳效果。本次試驗受限於試驗設備，在一台設備上，交易日每天早六時開始進行數據採集，也滿足及時性要求。
數據分析：查看三個高優先順序的股票，該股票當日的開盤價與收盤價，再與當日（2015-4-8）上證綜指進行比較，可得在收益上該演算法是優於上證綜指為樣本的整體股票的股價差收益的。
實驗結論：按照上述方式，系統每天推薦出當日股票，在開盤時進行買進，在第二個交易日進行賣出。經過一個月21個交易日（2015-3-1至2015-3-31），系統的收益為20%/月。通過微信搜索公眾號來預測市場走勢和投資情緒呈現出正相關性，因此可以作為股票甄選的因子。
3.股票預測的大數據發展趨勢
網路數據分成三種：
一是瀏覽數據，主要用於電商領域的消費者行為分析，瀏覽數據反映了用戶每一步的訪問腳步，進一步刻畫出用戶的訪問路徑，分析不同頁面的跳轉概率等。
二是搜索數據，主要指搜索引擎記錄的關鍵詞被搜索頻次的時間序列數據，能反映數億用戶的興趣、關注點、意圖。
三是互動數據，主要是微博、微信、社交網站的數據，反映用戶的傾向性和情緒因素。
2013年諾貝爾經濟學獎得主羅伯特?席勒的觀點被無數采訪對象引述。席勒於上世紀80年代設計的投資模型至今仍被業內稱道。在他的模型中，主要參考三個變數：投資項目計劃的現金流、公司資本的估算成本、股票市場對投資的反應（市場情緒）。他認為，市場本身帶有主觀判斷因素，投資者情緒會影響投資行為，而投資行為直接影響資產價格。
計算機通過分析新聞、研究報告、社交信息、搜索行為等，藉助自然語言處理方法，提取有用的信息；而藉助機器學習智能分析，過去量化投資只能覆蓋幾十個策略，大數據投資則可以覆蓋成千上萬個策略。
基於互聯網搜索數據和社交行為的經濟預測研究，已逐漸成為一個新的學術熱點，並在經濟、社會以及健康等領域的研究中取得了一定成果。在資本市場應用上，研究發現搜索數據可有效預測未來股市活躍度（以交易量指標衡量）及股價走勢的變化。
對於搜索數據：互聯網搜索行為與股票市場的關聯機理。這個研究屬於行為金融與互聯網的交叉領域，其原理是：股票量價調整是投資者行為在股票市場上的反應；與此同時，投資者行為在互聯網搜索市場也有相應地行為跡象，我們要做到是：找到互聯網搜索市場中領先於股票交易的行為指標，綜合眾多投資者的先行搜索指標，對未來的股票交易做出預判。
如同天氣預報那樣，不斷優化模型、灌入海量信息，然後給出結果。並且在處理的信息中，有80%是「非結構化」數據，例如政策文件、自然事件、地理環境、科技創新等，這類信息通常是電腦和模型難以消化的。採用了語義分析法，可以將互動數據里的金融對話量化為「-1（極度看空）」到「1（極度看多）」之間的投資建議，通過分析互動數據的數據文本，作為股市投資的信號。
4.正在發生的未來
大數據並不是一個充斥著演算法和機器的冰冷世界，人類的作用依然無法被完全替代。大數據為我們提供的不是最終答案，只是參考答案，幫助是暫時的，而更好的方法和答案還在不久的將來。
大數據在實用層面的影響很廣泛，解決了大量的日常問題。大數據更是利害攸關的，它將重塑我們的生活、工作和思維方式。在某些方面，我們面臨著一個僵局，比其他劃時代創新引起的社會信息范圍和規模急劇擴大所帶來的影響更大。我們腳下的地面在移動。過去確定無疑的事情正在受到質疑。大數據需要人們重新討論決策、命運和正義的性質。擁有知識曾意味著掌握過去，現在則意味著能夠預測未來。
大數據並不是一個充斥著演算法和機器的冰冷世界，其中仍需要人類扮演重要角色。人類獨有的弱點、錯覺、錯誤都是十分必要的，因為這些特性的另一頭牽著的是人類的創造力、直覺和天賦。這提示我們應該樂於接受類似的不準確，因為不準確正是我們之所以為人的特徵之一。就好像我們學習處理混亂數據一樣，因為這些數據服務的是更加廣大的目標。必將混亂構成了世界的本質，也構成了人腦的本職，而無論是世界的混亂還是人腦的混亂，學會接受和應用他們才能得益。
我相信，利用基礎數據、搜索數據、互動數據再進行加權計算，可以對所有股票進行大數據遴選，從而給出投資建議。我認為，我們的肉身剛剛步入大數據時代，但我們的精神還滯留在小數據、采樣思維之中，率先用理性擊碎固有思維的人，也將率先獲得大數據帶來的益處。

4. 如何用大數據炒股

我們如今生活在一個數據爆炸的世界裡。網路每天響應超過60億次的搜索請求，日處理數據超過100PB，相當於6000多座中國國家圖書館的書籍信息量總和。新浪微博每天都會發布上億條微博。在荒無人煙的郊外，暗藏著無數大公司的信息存儲中心，24小時夜以繼日地運轉著。
克托·邁爾-舍恩伯格在《大數據時代》一書中認為，大數據的核心就是預測，即只要數據豐富到一定程度，就可預測事情發生的可能性。例如，「從一個人亂穿馬路時行進的軌跡和速度來看他能及時穿過馬路的可能性」，或者通過一個人穿過馬路的速度，預測車子何時應該減速從而讓他及時穿過馬路。

那麼，如果把這種預測能力應用在股票投資上，又會如何？

目前，美國已經有許多對沖基金採用大數據技術進行投資，並且收獲甚豐。中國的中證廣發網路百發100指數基金（下稱百發100），上線四個多月以來已上漲68%。

和傳統量化投資類似，大數據投資也是依靠模型，但模型里的數據變數幾何倍地增加了，在原有的金融結構化數據基礎上，增加了社交言論、地理信息、衛星監測等非結構化數據，並且將這些非結構化數據進行量化，從而讓模型可以吸收。

由於大數據模型對成本要求極高，業內人士認為，大數據將成為共享平台化的服務，數據和技術相當於食材和鍋，基金經理和分析師可以通過平台製作自己的策略。

量化非結構數據

不要小看大數據的本領，正是這項剛剛興起的技術已經創造了無數「未卜先知」的奇跡。

2014年，網路用大數據技術預測命中了全國18卷中12卷高考作文題目，被網友稱為「神預測」。網路公司人士表示，在這個大數據池中，包含互聯網積累的用戶數據、歷年的命題數據以及教育機構對出題方向作出的判斷。

在2014年巴西世界盃比賽中，Google亦通過大數據技術成功預測了16強和8強名單。

從當年英格蘭報社的信鴿、費城股票交易所的信號燈到報紙電話，再到如今的互聯網、雲計算、大數據，前沿技術迅速在投資領域落地。在股票策略中，大數據日益嶄露頭角。

做股票投資策略，需要的大數據可以分為結構化數據和非結構化數據。結構化數據，簡單說就是「一堆數字」，通常包括傳統量化分析中常用的CPI、PMI、市值、交易量等專業信息；非結構化數據就是社交文字、地理位置、用戶行為等「還沒有進行量化的信息」。

量化非結構化就是用深度模型替代簡單線性模型的過程，其中所涉及的技術包括自然語言處理、語音識別、圖像識別等。

金融大數據平台-通聯數據CEO王政表示，通聯數據採用的非結構化數據可以分為三類：第一類和人相關，包括社交言論、消費、去過的地點等；第二類與物相關，如通過正在行駛的船隻和貨車判斷物聯網情況；第三類則是衛星監測的環境信息，包括汽車流、港口裝載量、新的建築開工等情況。

衛星監測信息在美國已被投入使用，2014年Google斥資5億美元收購了衛星公司Skybox，從而可以獲得實施衛星監測信息。

結構化和非結構化數據也常常相互轉化。「結構化和非結構化數據可以形象理解成把所有數據裝在一個籃子里，根據應用策略不同相互轉化。例如，在搜索頻率調查中，用戶搜索就是結構化數據；在金融策略分析中，用戶搜索就是非結構化數據。」網路公司人士表示。

華爾街拿著豐厚薪水的分析師們還不知道，自己的僱主已經將大量資本投向了取代自己的機器。
2014年11月23日，高盛向Kensho公司投資1500萬美元，以支持該公司的大數據平台建設。該平台很像iPhone里的Siri，可以快速整合海量數據進行分析，並且回答投資者提出的各種金融問題，例如「下月有颶風，將對美國建材板塊造成什麼影響？」

在Kensho處理的信息中，有80%是「非結構化」數據，例如政策文件、自然事件、地理環境、科技創新等。這類信息通常是電腦和模型難以消化的。因此，Kensho的CEO Daniel Nadler認為，華爾街過去是基於20%的信息做出100%的決策。

既然說到高盛，順便提一下，這家華爾街老牌投行如今對大數據可謂青睞有加。除了Kensho，高盛還和Fortress信貸集團在兩年前投資了8000萬美元給小額融資平台On Deck Capital。這家公司的核心競爭力也是大數據，它利用大數據對中小企業進行分析，從而選出值得投資的企業並以很快的速度為之提供短期貸款。

捕捉市場情緒

上述諸多非結構化數據，歸根結底是為了獲得一個信息：市場情緒。

在采訪中，2013年諾貝爾經濟學獎得主羅伯特•席勒的觀點被無數采訪對象引述。可以說，大數據策略投資的創業者們無一不是席勒的信奉者。

席勒於上世紀80年代設計的投資模型至今仍被業內稱道。在他的模型中，主要參考三個變數：投資項目計劃的現金流、公司資本的估算成本、股票市場對投資的反應（市場情緒）。他認為，市場本身帶有主觀判斷因素，投資者情緒會影響投資行為，而投資行為直接影響資產價格。
然而，在大數據技術誕生之前，市場情緒始終無法進行量化。

回顧人類股票投資發展史，其實就是將影響股價的因子不斷量化的過程。

上世紀70年代以前，股票投資是一種定性的分析，沒有數據應用，而是一門主觀的藝術。隨著電腦的普及，很多人開始研究驅動股價變化的規律，把傳統基本面研究方法用模型代替，市盈率、市凈率的概念誕生，量化投資由此興起。

量化投資技術的興起也帶動了一批華爾街大鱷的誕生。例如，巴克萊全球投資者（BGI）在上世紀70年代就以其超越同行的電腦模型成為全球最大的基金管理公司；進入80年代，另一家基金公司文藝復興（Renaissance）年均回報率在扣除管理費和投資收益分成等費用後仍高達34%，堪稱當時最佳的對沖基金，之後十多年該基金資產亦十分穩定。

「從主觀判斷到量化投資，是從藝術轉為科學的過程。」王政表示，上世紀70年代以前一個基本面研究員只能關注20隻到50隻股票，覆蓋面很有限。有了量化模型就可以覆蓋所有股票，這就是一個大的飛躍。此外，隨著計算機處理能力的發展，信息的用量也有一個飛躍變化。過去看三個指標就夠了，現在看的指標越來越多，做出的預測越來越准確。

隨著21世紀的到來，量化投資又遇到了新的瓶頸，就是同質化競爭。各家機構的量化模型越來越趨同，導致投資結果同漲同跌。「能否在看到報表數據之前，用更大的數據尋找規律？」這是大數據策略創業者們試圖解決的問題。

於是，量化投資的多米諾骨牌終於觸碰到了席勒理論的第三層變數——市場情緒。

計算機通過分析新聞、研究報告、社交信息、搜索行為等，藉助自然語言處理方法，提取有用的信息；而藉助機器學習智能分析，過去量化投資只能覆蓋幾十個策略，大數據投資則可以覆蓋成千上萬個策略。

基於互聯網搜索數據和社交行為的經濟預測研究，已逐漸成為一個新的學術熱點，並在經濟、社會以及健康等領域的研究中取得了一定成果。在資本市場應用上，研究發現搜索數據可有效預測未來股市活躍度（以交易量指標衡量）及股價走勢的變化。

海外就有學術研究指出，公司的名稱或者相關關鍵詞的搜索量，與該公司的股票交易量正相關。德國科學家Tobias Preis就進行了如此研究：Tobias利用谷歌搜索引擎和谷歌趨勢（Google Trends），以美國標普500指數的500隻股票為其樣本，以2004年至2010年為觀察區間，發現谷歌趨勢數據的公司名稱搜索量和對應股票的交易量，在每周一次的時間尺度上有高度關聯性。也就是說，當某個公司名稱在谷歌的搜索量活動增加時，無論股票的價格是上漲或者下跌，股票成交量與搜索量增加；反之亦然，搜索量下降，股票成交量下降。以標普500指數的樣本股為基礎，依據上述策略構建的模擬投資組合在六年的時間內獲得了高達329%的累計收益。

在美國市場上，還有多家私募對沖基金利用Twitter和Facebook的社交數據作為反映投資者情緒和市場趨勢的因子，構建對沖投資策略。利用互聯網大數據進行投資策略和工具的開發已經成為世界金融投資領域的新熱點。

保羅·霍丁管理的對沖基金Derwent成立於2011年5月，注冊在開曼群島，初始規模約為4000萬美元， 2013年投資收益高達23.77%。該基金的投資標的包括流動性較好的股票及股票指數產品。
通聯數據董事長肖風在《投資革命》中寫道，Derwent的投資策略是通過實時跟蹤Twitter用戶的情緒，以此感知市場參與者的「貪婪與恐懼」，從而判斷市場漲跌來獲利。

在Derwent的網頁上可以看到這樣一句話：「用實時的社交媒體解碼暗藏的交易機會。」保羅·霍丁在基金宣傳冊中表示：「多年以來，投資者已經普遍接受一種觀點，即恐懼和貪婪是金融市場的驅動力。但是以前人們沒有技術或數據來對人類情感進行量化。這是第四維。Derwent就是要通過即時關注Twitter中的公眾情緒，指導投資。」

另一家位於美國加州的對沖基金MarketPsych與湯普森·路透合作提供了分布在119個國家不低於18864項獨立指數，比如每分鍾更新的心情狀態（包括樂觀、憂郁、快樂、害怕、生氣，甚至還包括創新、訴訟及沖突情況等），而這些指數都是通過分析Twitter的數據文本，作為股市投資的信號。

此類基金還在不斷涌現。金融危機後，幾個台灣年輕人在波士頓組建了一家名為FlyBerry的對沖基金，口號是「Modeling the World（把世界建模）」。它的投資理念全部依託大數據技術，通過監測市場輿論和行為，對投資做出秒速判斷。

關於社交媒體信息的量化應用，在股票投資之外的領域也很常見：Twitter自己也十分注重信息的開發挖掘，它與DataSift和Gnip兩家公司達成了一項出售數據訪問許可權的協議，銷售人們的想法、情緒和溝通數據，從而作為顧客的反饋意見匯總後對商業營銷活動的效果進行判斷。從事類似工作的公司還有DMetics，它通過對人們的購物行為進行分析，尋找影響消費者最終選擇的細微原因。

回到股票世界，利用社交媒體信息做投資的公司還有StockTwits。打開這家網站，首先映入眼簾的宣傳語是「看看投資者和交易員此刻正如何討論你的股票」。正如其名，這家網站相當於「股票界的Twitter」，主要面向分析師、媒體和投資者。它通過機器和人工相結合的手段，將關於股票和市場的信息整理為140字以內的短消息供用戶參考。

此外，StockTwits還整合了社交功能，並作為插件可以嵌入Twitter、Facebook和LinkedIn等主要社交平台，讓人們可以輕易分享投資信息。

另一家公司Market Prophit也很有趣。這家網站的宣傳語是「從社交媒體噪音中提煉市場信號」。和StockTwits相比，Market Prophit更加註重大數據的應用。它採用了先進的語義分析法，可以將Twitter里的金融對話量化為「-1（極度看空）」到「1（極度看多）」之間的投資建議。網站還根據語義量化，每天公布前十名和後十名的股票熱度榜單。網站還設計了「熱度地圖」功能，根據投資者情緒和意見，按照不同板塊，將板塊內的個股按照顏色深淺進行標注，誰漲誰跌一目瞭然。

中國原創大數據指數

盡管大數據策略投資在美國貌似炙手可熱，但事實上，其應用尚僅限於中小型對沖基金和創業平台公司。大數據策略投資第一次被大規模應用，應歸於中國的百發100。

網路金融中心相關負責人表示，與歐美等成熟資本市場主要由理性機構投資者構成相比，東亞尤其是中國的股票類證券投資市場仍以散戶為主，因此市場受投資者情緒和宏觀政策性因素影響很大。而個人投資者行為可以更多地反映在互聯網用戶行為大數據上，從而為有效地預測市場情緒和趨勢提供了可能。這也就是中國國內公募基金在應用互聯網大數據投資方面比海外市場並不落後、甚至領先的原因。

百發100指數由網路、中證指數公司、廣發基金聯合研發推出，於2014年7月8日正式對市場發布，實盤運行以來一路上漲，漲幅超過60%。跟蹤該指數的指數基金規模上限為30億份，2014年9月17日正式獲批，10月20日發行時一度創下26小時瘋賣18億份的「神話」。

外界都知道百發100是依託大數據的指數基金，但其背後的細節鮮為人知。

百發100數據層面的分析分為兩個層面，即數據工廠的數據歸集和數據處理系統的數據分析。其中數據工廠負責大數據的收集分析，例如將來源於互聯網的非結構化數據進行指標化、產品化等數據量化過程；數據處理系統，可以在數據工廠遞交的大數據中尋找相互統計關聯，提取有效信息，最終應用於策略投資。

「其實百發100是在傳統量化投資技術上融合了基於互聯網大數據的市場走勢和投資情緒判斷。」業內人士概括道。

和傳統量化投資類似，百發100對樣本股的甄選要考慮財務因子、基本面因子和動量因子，包括凈資產收益率（ROE）、資產收益率（ROA）、每股收益增長率（EPS）、流動負債比率、企業價值倍數（EV/EBITDA）、凈利潤同比增長率、股權集中度、自由流通市值以及最近一個月的個股價格收益率和波動率等。

此外，市場走勢和投資情緒是在傳統量化策略基礎上的創新產物，也是百發100的核心競爭力。接近網路的人士稱，市場情緒因子對百發100基金起決定性作用。

網路金融中心相關負責人是羅伯特•席勒觀點的支持者。他認為，投資者行為和情緒對資產價格、市場走勢有著巨大的影響。因此「通過互聯網用戶行為大數據反映的投資市場情緒、宏觀經濟預期和走勢，成為百發100指數模型引入大數據因子的重點」。

傳統量化投資主要著眼點在於對專業化金融市場基本面和交易數據的應用。但在網路金融中心相關業務負責人看來，無論是來源於專業金融市場的結構化數據，還是來源於互聯網的非結構化數據，都是可以利用的數據資源。因此，前文所述的市場情緒數據，包括來源於互聯網的用戶行為、搜索量、市場輿情、宏觀基本面預期等等，都被網路「變廢為寶」，從而通過互聯網找到投資者參與特徵，選出投資者關注度較高的股票。

「與同期滬深300指數的表現相較，百發100更能在股票市場振盪時期、行業輪動劇烈時期、基本面不明朗時期抓住市場熱點、了解投資者情緒、抗擊投資波動風險。」網路金融中心相關負責人表示。

百發100選取的100隻樣本股更換頻率是一個月，調整時間為每月第三周的周五。

業內人士指出，百發100指數的月收益率與中證100、滬深300、中證500的相關性依次提升，說明其投資風格偏向中小盤。

但事實並非如此。從樣本股的構成來說，以某一期樣本股為例，樣本股總市值6700億元，佔A股市值4.7%。樣本股的構成上，中小板21隻，創業板4隻，其餘75隻樣本股均為大盤股。由此可見，百發100還是偏向大盤為主、反映主流市場走勢。

樣本股每個月的改變比例都不同，最極端的時候曾經有60%進行了換倉。用大數據預測熱點變化，市場熱點往往更迭很快；但同時也要考慮交易成本。兩方面考慮，網路最後測算認為一個月換一次倉位為最佳。

樣本股對百發100而言是核心機密——據說「全世界只有基金經理和指數編制機構負責人兩個人知道」——都是由機器決定後，基金經理分配給不同的交易員建倉買入。基金經理也沒有改變樣本股的權利。

展望未來，網路金融中心相關負責人躊躇滿志，「百發100指數及基金的推出，只是我們的開端和嘗試，未來將形成多樣化、系列投資產品。」

除了百發100，目前市場上打著大數據旗幟的基金還有2014年9月推出的南方-新浪I100和I300指數基金。

南方-新浪I100和I300是由南方基金、新浪財經和深圳證券信息公司三方聯合編制的。和百發100類似，也是按照財務因子和市場情緒因子進行模型打分，按照分值將前100和前300名股票構成樣本股。推出至今，這兩個指數基金分別上漲了10%左右。

正如百發100的市場情緒因子來自網路，南方-新浪I100和I300的市場情緒因子全部來自新浪平台。其中包括用戶在新浪財經對行情的訪問熱度、對股票的搜索熱度；用戶在新浪財經對股票相關新聞的瀏覽熱度；股票相關微博的多空分析數據等。

此外，阿里巴巴旗下的天弘基金也有意在大數據策略上做文章。據了解，天弘基金將和阿里巴巴合作，推出大數據基金產品，最早將於2015年初問世。

天弘基金機構產品部總經理劉燕曾對媒體表示，「在傳統的調研上，大數據將貢獻於基礎資產的研究，而以往過度依賴線下研究報告。大數據將視野拓展至了線上的數據分析，給基金經理選股帶來新的邏輯。」

在BAT三巨頭中，騰訊其實是最早推出指數基金的。騰訊與中證指數公司、濟安金信公司合作開發的「中證騰安價值100指數」早在2013年5月就發布了，號稱是國內第一家由互聯網媒體與專業機構編制發布的A股指數。不過，業內人士表示，有關指數並沒有真正應用大數據技術。雖然騰訊旗下的微信是目前最熱的社交平台，蘊藏了大量的社交數據，但騰訊未來怎麼開發，目前還並不清晰。

大數據投資平台化

中歐商學院副教授陳威如在其《平台戰略》一書中提到，21世紀將成為一道分水嶺，人類商業行為將全面普及平台模式，大數據金融也不例外。

然而，由於大數據模型對成本要求極高，就好比不可能每家公司都搭建自己的雲計算系統一樣，讓每家機構自己建設大數據模型，從數據來源和處理技術方面看都是不現實的。業內人士認為，大數據未來必將成為平台化的服務。

目前，阿里、網路等企業都表示下一步方向是平台化。

螞蟻金服所致力搭建的平台，一方麵包括招財寶一類的金融產品平台，另一方麵包括雲計算、大數據服務平台。螞蟻金服人士說，「我們很清楚自己的優勢不是金融，而是包括電商、雲計算、大數據等技術。螞蟻金服希望用這些技術搭建一個基礎平台，把這些能力開放出去，供金融機構使用。」

網路亦是如此。接近網路的人士稱，未來是否向平台化發展，目前還在討論中，但可以確定的是，「網路不是金融機構，目的不是發產品，百發100的意義在於打造影響力，而非經濟效益。」
當BAT還在摸索前行時，已有嗅覺靈敏者搶佔了先機，那就是通聯數據。

通聯數據股份公司（DataYes）由曾任博時基金副董事長肖風帶隊創建、萬向集團投資成立，總部位於上海，公司願景是「讓投資更容易，用金融服務雲平台提升投資管理效率和投研能力」。該平台7月上線公測，目前已擁有130多家機構客戶，逾萬名個人投資者。

通聯數據目前有四個主要平台，分別是通聯智能投資研究平台、通聯金融大數據服務平台、通聯多資產投資管理平台和金融移動辦公平台。

通聯智能投資研究平台包括雅典娜-智能事件研究、策略研究、智能研報三款產品，可以對基於自然語言的智能事件進行策略分析，實時跟蹤市場熱點，捕捉市場情緒。可以說，和百發100類似，其核心技術在於將互聯網非結構化數據的量化使用。

通聯金融大數據服務平台更側重於專業金融數據的分析整理。它可以提供公司基本面數據、國內外主要證券、期貨交易所的行情數據、公司公告數據、公關經濟、行業動態的結構化數據、金融新聞和輿情的非結構化數據等。

假如將上述兩個平台比作「收割機」，通聯多資產投資管理平台就是「廚房」。在這個「廚房」里，可以進行全球跨資產的投資組合管理方案、訂單管理方案、資產證券化定價分析方案等。

通聯數據可以按照主題熱點或者自定義關鍵字進行分析，構建知識圖譜，將相關的新聞和股票提取做成簡潔的分析框架。例如用戶對特斯拉感興趣，就可以通過主題熱點看到和特斯拉相關的公司，並判斷這個概念是否值得投資。「過去這個搜集過程要花費幾天時間，現在只需要幾分鍾就可以完成。」王政表示。

「通聯數據就好比一家餐館，我們把所有原料搜集來、清洗好、准備好，同時准備了一個鍋，也就是大數據存儲平台。研究員和基金經理像廚師一樣，用原料、工具去『烹制』自己的策略。」王政形容道。

大數據在平台上扮演的角色，就是尋找關聯關系。人類總是習慣首先構建因果關系，繼而去倒推和佐證。機器學習則不然，它可以在海量數據中查獲超越人類想像的關聯關系。正如維克托`邁爾-舍恩伯格在《大數據時代》中所提到的，社會需要放棄它對因果關系的渴求，而僅需關注相互關系。

例如，美國超市沃爾瑪通過大數據分析，發現颶風用品和蛋撻擺在一起可以提高銷量，並由此創造了頗大的經濟效益。如果沒有大數據技術，誰能將這毫無關聯的兩件商品聯系在一起？
通聯數據通過機器學習，也能找到傳統量化策略無法發現的市場聯系。其中包括各家公司之間的資本關系、產品關系、競爭關系、上下游關系，也包括人與人之間的關系，例如管理團隊和其他公司有沒有關聯，是否牽扯合作等。

未來量化研究員是否將成為一個被淘汰的職業？目前研究員的主要工作就是收集整理數據，變成投資決策，而之後這個工作將更多由機器完成。

「當初醫療科技發展時，人們也認為醫生會被淘汰，但其實並不會。同理，研究員也會一直存在，但他們會更注重深入分析和調研，初級的數據搜集可以交給機器完成。」王政表示。
但當未來大數據平台並廣泛應用後，是否會迅速擠壓套利空間？這也是一個問題。回答根據網上資料整理

5. 大數據告訴你A股的秘密規律

大數據告訴你A股的秘密規律
1、收盤前上漲概率較高

統計數據表明，2009年1月至2015年9月期間，對比指數每五分鍾的漲跌幅發現，午盤收盤前和全天收盤前，市場呈現較高概率的上漲，上漲概率高達60.3%和79.1%。
尾盤上漲現象與市場交易機制有較大關系，例如尾盤機構集中建倉、以及大宗交易的影響。但綜合而言，對該現象的產生，目前尚沒有完美的解釋。
2、周一上漲概率大
統計每周的交易時間發現，周一上漲的概率和幅度最大。分段統計後發現，牛市期間，股市在周一上漲的幅度較大，而熊市中這種現象不明顯。
「周一更容易上漲現象」在美國等成熟市場則並不明顯，這很可能是由於成熟市場投資者情緒化不明顯造成的。
周一出現極端漲跌幅的概率較高，這也與市場預期有關。例如投資者未預期到的周末市場數據和突發事件出現，或者預期落空帶來的市場波動，在我國以散戶為主的市場中，這種市場情緒波動更大。
統計月度數據發現，我國資本市場的上半月效應明顯。而這種現象，與SHIBOR短端利率上半月較低的統計規律遙相呼應。
3、四月份要賣
「Sell In may and goaway」是一句廣為流傳的股市諺語，指的是股市在經過5月份後，市場就開始疲軟，投資者在5月就可以獲利了結。
通過隨機測算上證綜指的投資收益率：在每年任意時間買入指數，在之後任意時間賣出獲利。發現年初買入、四月賣出獲得正收益的概率最大。同時對比美國標普500指數，此期間交易帶來的正收益概率也是最大的。
同時，美國的長期投資價值凸顯，從年度隨機投資收益的分布來看，均顯示最長時間的持股，投資收益最高。對比標普500的指數的長期走勢，發現標普500指數的價值是通過時間來檢驗的，持有時間越長，收益越高。
如果從月度漲跌幅的角度去看市場，上證綜指和標普500指數均在上半年取得比較好的正收益，上漲的概率較高，而進入6月份後，市場的回報率和上漲概率均下行。
4、牛市波動增強
用兩種方法來表示股票市場的波動，日內分鍾收益率的標准差和開盤收盤價格波幅。
從日內分鍾數據的標准差來看，在上證綜指的階段性頂點時，市場的波動顯著增強，而這種現象在市場趨勢性上漲的尾端更為明顯。
從開盤收盤價格的波幅來看，波動帶來的規律並不如上一種方式明顯。
但對開盤收盤的價格進行了策略化處理後，回測其效果即：高開買進、低開賣出的雙向操作。
回測結果顯示，這樣的策略長期表現要好於指數，但其效果存在失效期。用同樣的方法測試了滬深300股指期貨主力合約，策略失效同樣存在，其長期效果尚可，年化回報率為12.2%。
5、春節前後上漲概率大
每當長假來臨，持幣過節還是持股過節的問題，都會備受投資者關注。
研究結果表明，在節前五個交易日，節後七個交易日里，上證綜指表現較好。在迄今為止的22個春節前後，上證綜指上漲次數為18次，上漲概率高達81.81%，漲跌幅的中值為3.19%，均值為3.72%。春節效應比十一效應更加明顯，持續時間更長、平均上漲幅度更大。
在十一長假之前的三個交易日和假日之後的兩個交易日，上證綜指表現較好。在16次十一長假前後，上證綜指有11次上漲，上漲概率為68.75%，指數漲跌幅的中值為1.87%，均值為1.05%。由此可見，在十一假日前後，指數上漲的概率較大，十一效應在A股市場中較為明顯。
整體而言，我國的假期效應明顯，尤其是春節效應，其持續時間和漲幅都比較高。
統計標普500指數的聖誕節效應，發現同樣存在節日效應，尤其是在聖誕節之後，市場表現相對較好。
6、均線系統仍有效
技術分析在我國股票市場應用依然較為廣泛，而技術分析的有效性，也是廣大投資者爭論不休的事情。
回測結果顯示，在多數發展比較完善的資本市場，例如美國，日本、英國、法國，均線系統下的技術分析已經失效，而新興市場國家和地區依然有效，而且德國DAX30指數有效性也較強。
值得一提的是，雙均線系統的有效期，比單均線有效期要長久一些，或許這暗示著技術分析也要進行不斷的演化，以適應市場的發展。
7、7倍PE肯定見底
資本市場有其自身規律，也有著估值的上下限。「樹不會長到天上去」，脫離資本市場規律的事情不可能長久。
8、低價股收益率最高
對比A股的不同市場風格指數發現，在A股中，低估值個股，包括低市盈率和低市凈率指數，長期走勢均好於中、高估值品種，且其長期收益率要高於上證綜指。在資本市場的長線低估值走勢較好。
9、新股上市第一年收益欠佳
由於我國資本市場的結構和上市制度，導致上市公司在上市前報表的盈利能力較高，而一旦上市，其整體盈利能力開始下滑。
統計前五年上市公司的RoE分布表明，隨著上市時間的延長，低盈利能力的公司開始增加，收益率的眾數開始向較低的RoE水平傾斜。
對比上市公司不同年限的投資價值，上市第一年的投資收益並不好，其後明顯好轉。
10、金融板塊行情獨立
從行業的月度收益率出發，尋找行業之間的聯動性。
數據顯示，金融行業與其他行業的相關性最小，而在每個月上漲前五名的行業中，銀行業出現的次數最多。

6. 大數據技術在金融行業有哪些應用前景

大數據金融市場前景廣闊，深度開發大數據金融工具，或將重構整個金融行業。預計未來5到10年，金融大數據產業將迎來黃金增長期，大數據也將成為助推「大眾創業、萬眾創新」浪潮的有力抓手。
據《大數據金融行業市場前瞻與投資分析報告》數據顯示，2016年我國大數據金融市場規模為15.84億元，隨著政策逐步實施與落地，以大數據為核心手段、核心驅動力的產業金融，將邁入時代發展正軌成為主流趨勢，預計2018年中國金融大數據應用市場會突破100億元，金融業開始進入了大數據時代快車道。
大數據金融作為一個綜合性的概念，在未來的發展中，企業坐擁數據將不再局限於單一業務，第三方支付、信息化金融機構以及互聯網金融門戶都將融入到大數據金融服務平台中，大數據金融服務將在各家機構各顯神通的基礎上，實現多元業務的融合。
伴隨互聯網金融縱深發展，大數據優勢越加凸顯。作為互聯網金融創新的驅動力，大數據金融帶來的方式革新，未來走向精細化和專業化。今後大數據金融行業的努力方向，應該是以完備的大數據為基礎，基於用戶需求提供智能化一站式產品購買及定製化服務，以及數據挖掘、數據整合、數據產品、數據應用及解決方案等。

7. 大數據是如何賺錢和虧錢的

大數據是如何賺錢和虧錢的_數據分析師考試

大數據無疑是時下炙手可熱的流行詞彙，然而，我們鮮少看到大數據如何帶來收益，以及如何實現的例子，這是怎麼回事呢？

多年來，在經歷了幾個通信和投行的大數據相關早期實施項目後，我認為這個新興技術的收益主要在於：實現對復雜系統更為精準的剖析，例如股票市場或供應鏈。（投行成為最早一批應用大數據分析的行業之一，可謂毫不意外。對利用技術提升效率，創造效益更為敏銳的商業模式，往往也是更賺錢的。）

在投行的日常工作中，為了精準地選擇投資機會、選購股票，有大量對文檔處理的需求，例如新聞簡報，財務報表。如果人工進行，工作量過於龐大。因此助理分析師們往往簡化他們的預測分析過程，並使用電子表格來完成絕大部分工作。通過大數據技術，投行可以整合各種信息，減少可能的（簡化分析帶來的）風險，從整體上帶來更優越的分析和預測能力。

通過大數據平台，股票經紀和投資經理們可以聚合各種來源的非格式化數據，輔助判斷哪些公司值得投資。所謂『非格式化數據』包括如公司新聞，產品評論，供應商數據，價格變化，將這些信息以所謂「大數據」形式整合，通過建模，幫助股票經紀決策買入或售出運枯股票。

有些採用如上方式進行投資預測的公司，很注重節約實施成本，例如使用雲平台（如AWS），先從很小數量的伺服器開始，隨著獲益增長，逐步提高投入。一位我認識的分析師，從一家大投行離職創業後，在不到六個月的時間內，僅僅使用非常有限的投入，創立了一個盈利良好的大數據交易系統。

即便在傳統製造領域，大數據仍然可以提升預測能力。我曾經擔任過顧問的某歐洲一線汽車製造廠商，通過建立一個鋼材交易成本的分析系統，選擇更好的時機，以更優價格買入原材料。這個系統由開源Java框架Hadoop創建，整合了多個供應商的共計15Tb的數據，在兩年內為該公司節省了1600萬美元。

這個項目的氏肆成功主要有兩個原因：首先，公司有足夠的信息為所有的供應商建模；其次，該項目節省的原材料成本超過了實施這個項目的費用。

然而，並非每個大數據項目都會這樣成功。公司在大數據項目上以虧損告終的概率，有時和成功的概率相差無幾。大數據項目失敗的早期症狀有很多種，最常見的問題如：

大數據並不需要一筆巨大的預算，如果懷著巨大的投入將帶來巨大回報的預期開始一個大數據項目，往往會產生問題。在正式開始前，明智的做法是，嘗試用有限的投入，在小范圍內測試這個技術是否確實能帶來預期的收益。按這樣的節奏，一個項目可以按旁核洞部就班地隨著收益逐步提高，而逐步擴大投入規模，確保收益始終大於投入。

在開始實施一個大數據系統前，問自己一個簡單的問題：這個項目是否可以不需要持續的人工支持來運作？如果答案是，需要人工支持，那麼建議停止項目。建立這樣一個項目往往意味著百萬級的損失，無法在有利潤情況下保持維護和運行。

大數據有個經常聽到的功能是，通過自然語言處理，將各種領域的各種數據處理成直接可讀可理解的形式。這聽起來確實很贊，但是在實際應用中，往往不盡如人意。自然語言處理仍然存在許多妨礙應用的限制，主要由於人工智慧的發展還不夠——而且在可見的10年內，這個情況可能不會有很大改觀。

現代大數據項目具備巨大的節約成本的潛力，其效果對於過去的數據處理方式而言有如童話。但需要謹記的是，在投入時間和資源到大數據項目之前，首先要確認你的項目是收益大於成本的。只有傻瓜才會匆匆對一個點子一見鍾情並傾其所有。

以上是小編為大家分享的關於大數據是如何賺錢和虧錢的的相關內容，更多信息可以關注環球青藤分享更多干貨

8. 大數據技術在金融行業中的典型應用

大數據技術在金融行業中的典型應用
近年來，我國金融科技快速發展，在多個領域已經走在世界前列。大數據、人工智慧、雲計算、移動互聯網等技術與金融業務深度融合，大大推動了我國金融業轉型升級，助力金融更好地服務實體經濟，有效促進了金融業整體發展。在這一發展過程中，又以大數據技術發展最為成熟、應用最為廣泛。從發展特點和趨勢來看，「金融雲」快速建設落地奠定了金融大數據的應用基礎，金融數據與其他跨領域數據的融合應用不斷強化，人工智慧正在成為金融大數據應用的新方向，金融行業數據的整合、共享和開放正在成為趨勢，給金融行業帶來了新的發展機遇和巨大的發展動力。
大數據在金融行業的典型應用場景
大數據涉及的行業過於廣泛，除金融外，還包括政治、教育、傳媒、醫學、商業、工農業、互聯網等多個方面，各行業對大數據的定義目前尚未統一。大數據的特點可歸納為「4V」。第一，數據體量大（Volume），海量性也許是與大數據最相關的特徵。第二，數據類型繁多（Variety），大數據既包括以事務為代表的傳統結構化數據，還包括以網頁為代表的半結構化數據和以視頻、語音信息為代表的非結構化數據。第三，價值密度低（Value），大數據的體量巨大，但數據中的價值密度卻很低。比如幾個小時甚至幾天的監控視頻中，有價值的線索或許只有幾秒鍾。第四，處理速度快（Velocity），大數據要求快速處理，時效性強，要進行實時或准實時的處理。
金融行業一直較為重視大數據技術的發展。相比常規商業分析手段，大數據可以使業務決策具有前瞻性，讓企業戰略的制定過程更加理性化，實現生產資源優化分配，依據市場變化迅速調整業務策略，提高用戶體驗以及資金周轉率，降低庫存積壓的風險，從而獲取更高的利潤。
當前，大數據在金融行業典型的應用場景有以下幾個方面：
在銀行業的應用主要表現在兩個方面：一是信貸風險評估。以往銀行對企業客戶的違約風險評估多基於過往的信貸數據和交易數據等靜態數據，內外部數據資源整合後的大數據可提供前瞻性預測。二是供應鏈金融。利用大數據技術，銀行可以根據企業之間的投資、控股、借貸、擔保及股東和法人之間的關系，形成企業之間的關系圖譜，利於企業分析及風險控制。
在證券行業的應用主要表現為：一是股市行情預測。大數據可以有效拓寬證券企業量化投資數據維度，幫助企業更精準地了解市場行情，通過構建更多元的量化因子，投研模型會更加完善。二是股價預測。大數據技術通過收集並分析社交網路如微博、朋友圈、專業論壇等渠道上的結構化和非結構化數據，形成市場主觀判斷因素和投資者情緒打分，從而量化股價中人為因素的變化預期。三是智能投資顧問。智能投資顧問業務提供線上投資顧問服務，其基於客戶的風險偏好、交易行為等個性化數據，依靠大數據量化模型，為客戶提供低門檻、低費率的個性化財富管理方案。
在互聯網金融行業的應用，一是精準營銷。大數據通過用戶多維度畫像，對客戶偏好進行分類篩選，從而達到精準營銷的目的。二是消費信貸。基於大數據的自動評分模型、自動審批系統和催收系統可降低消費信貸業務違約風險。
金融大數據的典型案例分析
為實時接收電子渠道交易數據，整合銀行內系統業務數據。中國交通銀行通過規則欲實現快速建模、實時告警與在線智能監控報表等功能，以達到實時接收官網業務數據，整合客戶信息、設備畫像、位置信息、官網交易日誌、瀏覽記錄等數據的目的。
該系統通過為交通銀行卡中心構建反作弊模型、實時計算、實時決策系統，幫助擁有海量歷史數據，日均增長超過兩千萬條日誌流水的銀行卡中心，形成電子渠道實時反欺詐交易監控能力。利用分布式實時數據採集技術和實時決策引擎，幫助信用卡中心高效整合多系統業務數據，處理海量高並發線上行為數據，識別惡意用戶和欺詐行為，並實時預警和處置；通過引入機器學習框架，對少量數據進行分析、挖掘構建並周期性更新反欺詐規則和反欺詐模型。
系統上線後，該銀行迅速監控電子渠道產生的虛假賬號、偽裝賬號、異常登錄、頻繁登錄等新型風險和欺詐行為；系統穩定運行，日均處理逾兩千萬條日誌流水、實時識別出近萬筆風險行為並進行預警。數據接入、計算報警、案件調查的整體處理時間從數小時降低至秒級，監測時效提升近3000倍，上線3個月已幫助卡中心挽回數百萬元的風險損失。
網路的搜索技術正在全面注入網路金融。網路金融使用的梯度增強決策樹演算法可以分析大數據高維特點，在知識分析、匯總、聚合、提煉等多個方面有其獨到之處，其深度學習能力利用數據挖掘演算法能夠較好地解決大數據價值密度低等問題。網路「磐石」系統基於每日100億次搜索行為，通過200多個維度為8.6億賬號精確畫像，高效劃分人群，能夠為銀行、互聯網金融機構提供身份識別、反欺詐、信息檢驗、信用分級等服務。該系統累計為網路內部信貸業務攔截數十萬欺詐用戶，攔截數十億不良資產、減少數百萬人力成本，累計合作近500家社會金融機構，幫助其提升了整體風險防控水平。
金融大數據應用面臨的挑戰及對策
大數據技術為金融行業帶來了裂變式的創新活力，其應用潛力有目共睹，但在數據應用管理、業務場景融合、標准統一、頂層設計等方面存在的瓶頸也有待突破。
一是數據資產管理水平仍待提高。主要體現在數據質量不高、獲取方式單一、數據系統分散等方面。
二是應用技術和業務探索仍需突破。主要體現在金融機構原有的數據系統架構相對復雜，涉及的系統平台和供應商較多，實現大數據應用的技術改造難度很大。同時，金融行業的大數據分析應用模型仍處於起步階段，成熟案例和解決方案仍相對較少，需要投入大量的時間和成本進行調研和試錯。系統誤判率相對較高。
三是行業標准和安全規范仍待完善。金融大數據缺乏統一的存儲管理標准和互通共享平台，對個人隱私的保護上還未形成可信的安全機制。
四是頂層設計和扶持政策還需強化。體現在金融機構間的數據壁壘較為明顯，各自為戰問題突出，缺乏有效的整合協同。同時，行業應用缺乏整體性規劃，分散、臨時、應激等特點突出，信息價值開發仍有較大潛力。
以上問題，一方面需要國家出台促進金融大數據發展的產業規劃和扶持政策，同時，也需要行業分階段推動金融數據開放、共享和統一平台建設，強化行業標准和安全規范。只有這樣，大數據技術才能在金融行業中穩步應用發展，不斷推動金融行業的發展提升。

9. 利用大數據炒股會賺嗎

隨著科學技術的發展，現在很多炒股軟體都可以方便快捷地找到上市公司的關鍵數據。用大數據分析找出大股東的持倉成本，就等於看到了經銷商的底牌。購買價格接近或低於市場平均持倉成本。利潤機會越大，安全系數越高。

因為大數據分析人們的常識性需求或一些習慣性行為，只能通過多次或多次發生的常見行為事件找出一些規律。上述行為事件是相對固定時間或基本需求或習慣的單一行為的結果。作為股東，沒有人能夠預測未來。我們不否認這一點。然而，很少有人會否認每個人都可以回顧歷史。我們不知道未來會上升還是下降。我們不知道如何波動。然而，如果一個好故事講得很辛苦，說書人肯定會得到好處。粉絲越多，他得到的好處就越多。

10. 大數據分析技術在財經領域的應用

大數據分析技術在財經領域的應用如念禪宴下：

1、銀行大數據應用

國內不少銀行已經開始嘗試通過大數據來驅動業務運營襲伏，如中信銀行信用卡中心使用大數據技術實現了實時營銷，光大銀行建立了社交網路信息資料庫，招商銀行則利用大數據發展小微貸款。

財經領域的大數據應用依然有很多的問題需要克服，同時需要國家出台促進金融大數據發展的產業規劃和扶持政策，也需要行業分階段推動金融數據開放、共享和統一平台建設，強化行業標准和安全規范。