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. …