Die meisten Aufzeichnungen und Beobachtungen werden heutzutage elektronisch von Geräten erfasst, die mit dem Internet verbunden sind. Dies ermöglicht den Anlegern im Prinzip den Zugriff auf ein breites Spektrum marktrelevanter Daten in Echtzeit. So lassen sich beispielsweise die Online-Preise von Millionen von Artikeln zur Bewertung der Inflation heranziehen, die Anzahl der Kunden, die ein Geschäft besuchen und Transaktionen tätigen, kann zu Echtzeit-Umsatzschätzungen führen, und mit Hilfe von Satellitenbildern können landwirtschaftliche Erträge oder die Aktivität von Ölplattformen bewertet werden. In der Vergangenheit waren ähnliche Daten nur in geringer Häufigkeit verfügbar (z. B. monatlicher VPI, wöchentliche Zählungen von Bohrinseln, USDA-Ernteberichte, Einzelhandelsumsätze und vierteljährliche Gewinne usw.). Angesichts der Menge der verfügbaren Daten kann ein erfahrener quantitativer Anleger heutzutage theoretisch nahezu in Echtzeit über makro- oder unternehmensspezifische Daten verfügen, die aus traditionellen Datenquellen nicht verfügbar sind. In der Praxis sind nützliche Daten nicht ohne weiteres verfügbar, und man muss alternative Datensätze erwerben, organisieren und analysieren, um handelbare Signale zu erhalten. Die Analyse großer oder unstrukturierter Datensätze erfolgt häufig mit Hilfe von Machine Learning. Die erfolgreiche Anwendung von Techniken des maschinellen Lernens erfordert einige theoretische Kenntnisse und viel praktische Erfahrung bei der Entwicklung quantitativer Strategien. …
Ähnliche Beiträge:
- Künstliche Intelligenz im Aktienhandel und die Anmaßung von Wissen Von Ralf Keuper Im Gegensatz zu früher, als das Börsenparkett…
- Werkzeuge für das New Banking: Zwischen Experiental und Reflective Mode Von Ralf Keuper Ist von den Vorzügen der Künstlichen Intelligenz…
- New Banking: Welchen Kontext meinen wir? Von Ralf Keuper Wenn das Banking natürlicher Bestandteil des “digitalen”…
- KI-Schlangenöl Als Schlangenöl (snake oil) wird ein Produkt bezeichnet, das wenig…