Kensho激怒华尔街:算法取代分析师

简介:

据英国《金融时报》报道,近日一家名叫Kensho的金融数据服务商得到高盛1500万美元的投资。


除了高盛,谷歌和CNBC都是该公司的投资者。Kensho目前正在研发一种针对专业投资者的大规模数据处理分析平台。该平台将能取代现有各大投行分析师们的工作。该工作平台将可以快速、大量的进行各种数据处理分析工作并能实时回答投资者所提出的复杂的金融问题。


如果Kensho的产品最后能研发成功,金融机构的分析师和研究人员将面临灾难。面对更快、更好的机器人黄金分析师,他们毫无胜算。


Kensho背后的男人叫做Daniel Nadler,是哈佛大学经济学博士。Kensho位于马萨诸塞州剑桥市,由Nadler与程序员Peter Kruskall联合创立。


自2012年1月24日起,来自对冲基金的电话就不断响起,纷纷要找Daniel Nadler。当天,Nadler在彭博新闻社上与人合著一篇文章,介绍了如何通过美元的走强来预测标普500指数每周的走低情况。在当时,交易员们正利用美元与标普指数之间的这种关系大赚特赚。


Nadler说:


他们的电话就像是说,你这个叛徒!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。


Kensho对于金融分析行业的影响就好像当年谷歌给搜索领域带来的冲击一样。


Kensho想要将金融市场的一些专业知识交到大众手中,而此前只有一些顶尖对冲基金和投行使用这些专业知识来进行套利。Kensho公司的软件取名沃伦(沃伦巴菲特的沃伦)。你可以像在谷歌上搜索一样,在简单的文本框里输入复杂的金融问题。例如:


当三级飓风袭击佛罗里达州时,哪支水泥股的涨幅会最大?(最大的赢家是谁?德州工业[Texas Industries])


又或者,当朝鲜试射导弹时,哪支国防股会涨得最多?(雷神公司[Raytheon]、美国通用动力公司[General Dynamics]、和洛克希德马丁公司[Lockheed Martin])。


当苹果公司发布新iPad时,哪家苹果公司的供应商股价上涨幅度会最大?(为iPad内置摄像头生产传感器的豪威科技股份有限公司[OmniVision])。


要回答此类问题,即使对冲基金的分析师能找到所有的数据,这也要花上他们数天的时间。但沃伦软件可以通过扫描药物审批、经济报告、货币政策变更、政治事件以及这些事件对地球上几乎所有金融资产的影响等9万余份资料,立刻为6500万个问题找到答案。


如果广泛加以使用,沃伦软件可以撼动长期以来被彭博和汤姆森路透垄断的260亿美元的金融数据市场,并且让华尔街的大银行和Bridgewater等对冲基金的研究工具变得更为大众化。


投资公司Devonshire Investors总经理David Jegen说:


每天,基金经理会有一个投资理念,然后必须找数量分析专家来建立模型。这是多数金融服务公司内部的一个瓶颈,导致经过测试的理念少之又少。


Devonshire Investors是共同基金巨头Fidelity Investments的私募股权部门,也是Kensho公司的投资者。Jegen称,提高投资理念测试的效率、质量和数量,这对于企业来说是件好事。


Nadler曾经在美联储工作。当时,他惊奇地发现这家全球最具权势的金融监管机构仍然依靠Excel来对经济进行分析。Nadler说:


我当时曾经想象美联储会有一个有着实时信息的作战室。


但相反,他发现美联储使用的是普通的不能再普通的Excel。他将这些告诉了Peter Kruskall。Kruskall是一位少年老成的程序员,在麻省理工学院获得了计算机科学的学士和硕士学位,并且在谷歌公司担任实习生,负责开发Gmail的颜色标签。


Kruskall表示,我开始思考自己在谷歌公司所了解到的东西,使用它们来分析市场。


Kensho使用了从谷歌那里得到的灵感,例如映射化简(MapReduce,将庞大的处理任务分配给云服务器的一种方法)和BigTable(将庞大的数据压缩到可以加以处理的规模的一种方法)。2013年4月份,Kruskall从谷歌公司辞职,来到波士顿加入了Nadler的行列。


在向沃伦软件提问后,投资者会得到非常直观的答案,你还可以通过改变时间范围或被研究公司对象等变量来对答案加以优化。投资者甚至可以在自动驾驶仪上通过沃伦软件进行搜索。


例如,如果当天美国耐用工业品订单高于预期,标准偏差值为0.25,那除了向你播报数据,Kensho还会自动分析,发现这种情况自2009年来已经发生26次,而且在这26次里,Clorox公司有23次的日回报为正。


Kensho可以帮助更多投资者在面对突发状况时,更快速地进行反应,例如美国中西部的龙卷风或者是纽约近日的抗议活动。Stanley Young表示:


在数据分析和洞悉方面,Kensho的沃伦软件确实设定了新的标准。


Young曾担任过彭博社企业产品与解决方案部门和纽约证券交易所技术部的首席执行官。目前他是Kensho公司顾问团成员之一。


要想打入华尔街,Kensho自然需要面临挑战。


Kensho公司的使命是将量化分析大众化,这将同投资界这一注重秘密和排外的群体产生冲突。FirstMark Capital的Matt Turck表示,我认为市场将向这个方向发展,但还需要经过很长的过程。


Nadler表示,他正在敲定一个一年期的独家协议。用他的话来说,协议的另一方是华尔街一家著名的银行巨头。他同时也计划将沃伦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。


原文发布时间为:2014-12-04

本文来自云栖社区合作伙伴“大数据文摘”,了解相关信息可以关注“BigDataDigest”微信公众号

相关文章
|
15天前
|
算法
基于WOA算法的SVDD参数寻优matlab仿真
该程序利用鲸鱼优化算法(WOA)对支持向量数据描述(SVDD)模型的参数进行优化,以提高数据分类的准确性。通过MATLAB2022A实现,展示了不同信噪比(SNR)下模型的分类误差。WOA通过模拟鲸鱼捕食行为,动态调整SVDD参数,如惩罚因子C和核函数参数γ,以寻找最优参数组合,增强模型的鲁棒性和泛化能力。
|
21天前
|
机器学习/深度学习 算法 Serverless
基于WOA-SVM的乳腺癌数据分类识别算法matlab仿真,对比BP神经网络和SVM
本项目利用鲸鱼优化算法(WOA)优化支持向量机(SVM)参数,针对乳腺癌早期诊断问题,通过MATLAB 2022a实现。核心代码包括参数初始化、目标函数计算、位置更新等步骤,并附有详细中文注释及操作视频。实验结果显示,WOA-SVM在提高分类精度和泛化能力方面表现出色,为乳腺癌的早期诊断提供了有效的技术支持。
|
1天前
|
供应链 算法 调度
排队算法的matlab仿真,带GUI界面
该程序使用MATLAB 2022A版本实现排队算法的仿真,并带有GUI界面。程序支持单队列单服务台、单队列多服务台和多队列多服务台三种排队方式。核心函数`func_mms2`通过模拟到达时间和服务时间,计算阻塞率和利用率。排队论研究系统中顾客和服务台的交互行为,广泛应用于通信网络、生产调度和服务行业等领域,旨在优化系统性能,减少等待时间,提高资源利用率。
|
9天前
|
存储 算法
基于HMM隐马尔可夫模型的金融数据预测算法matlab仿真
本项目基于HMM模型实现金融数据预测,包括模型训练与预测两部分。在MATLAB2022A上运行,通过计算状态转移和观测概率预测未来值,并绘制了预测值、真实值及预测误差的对比图。HMM模型适用于金融市场的时间序列分析,能够有效捕捉隐藏状态及其转换规律,为金融预测提供有力工具。
|
17天前
|
算法
基于GA遗传算法的PID控制器参数优化matlab建模与仿真
本项目基于遗传算法(GA)优化PID控制器参数,通过空间状态方程构建控制对象,自定义GA的选择、交叉、变异过程,以提高PID控制性能。与使用通用GA工具箱相比,此方法更灵活、针对性强。MATLAB2022A环境下测试,展示了GA优化前后PID控制效果的显著差异。核心代码实现了遗传算法的迭代优化过程,最终通过适应度函数评估并选择了最优PID参数,显著提升了系统响应速度和稳定性。
|
9天前
|
机器学习/深度学习 算法 信息无障碍
基于GoogleNet深度学习网络的手语识别算法matlab仿真
本项目展示了基于GoogleNet的深度学习手语识别算法,使用Matlab2022a实现。通过卷积神经网络(CNN)识别手语手势,如"How are you"、"I am fine"、"I love you"等。核心在于Inception模块,通过多尺度处理和1x1卷积减少计算量,提高效率。项目附带完整代码及操作视频。
|
14天前
|
算法
基于WOA鲸鱼优化的购售电收益与风险评估算法matlab仿真
本研究提出了一种基于鲸鱼优化算法(WOA)的购售电收益与风险评估算法。通过将售电公司购售电收益风险计算公式作为WOA的目标函数,经过迭代优化计算出最优购电策略。实验结果表明,在迭代次数超过10次后,风险价值收益优化值达到1715.1万元的最大值。WOA还确定了中长期市场、现货市场及可再生能源等不同市场的最优购电量,验证了算法的有效性。核心程序使用MATLAB2022a实现,通过多次迭代优化,实现了售电公司收益最大化和风险最小化的目标。
|
18天前
|
算法
通过matlab分别对比PSO,反向学习PSO,多策略改进反向学习PSO三种优化算法
本项目使用MATLAB2022A版本,对比分析了PSO、反向学习PSO及多策略改进反向学习PSO三种优化算法的性能,主要通过优化收敛曲线进行直观展示。核心代码实现了标准PSO算法流程,加入反向学习机制及多种改进策略,以提升算法跳出局部最优的能力,增强全局搜索效率。
|
12天前
|
机器学习/深度学习 算法 数据安全/隐私保护
基于深度学习网络的宝石类型识别算法matlab仿真
本项目利用GoogLeNet深度学习网络进行宝石类型识别,实验包括收集多类宝石图像数据集并按7:1:2比例划分。使用Matlab2022a实现算法,提供含中文注释的完整代码及操作视频。GoogLeNet通过其独特的Inception模块,结合数据增强、学习率调整和正则化等优化手段,有效提升了宝石识别的准确性和效率。
下一篇
DataWorks