Ожидается, что в Европе будет наблюдаться значительный рост

412 
таких как защита данных, качество и безопасность. Их следует включить для поддержки 
развертывания расширенной аналитики. 
•
Однако, по данным Commerzbank, внедрение аналитики больших данных в некоторых 
частях Европы отстает. Более существенные инвестиции в инфраструктуру, более 
широкое внедрение общедоступного облака и развертывание 5G - вот факторы, 
необходимые для сохранения конкурентоспособности и актуальности на глобальных 
рынках. Это можно рассматривать как возможность и риск (см.рис.1). 
Рис.1. Аналитика больших данных в банковском секторе 
Функции 
анализа 
ответственности 
могут 
предоставить 
более 
ранние 
предупреждающие признаки потенциального риска. Учреждения, оказывающие финансовые 
услуги, могут активно работать с клиентами, чтобы ограничить обязательства и риски для 
обеспечения большей защиты. Расширенные данные о клиентах, данные о транзакциях и 
геопространственные данные в сочетании с расширенным анализом данных, который 
рассматривает аномалии транзакций, позволит легко обнаруживать риски и предотвращать 
мошенничество. 
Ayasdi, компания, занимающаяся разработкой программного обеспечения для 
искусственного интеллекта, использует аналитику больших данных с помощью Model 
Accelerator Ayasdi, чтобы помочь компаниям, предоставляющим финансовые услуги, 
моделировать и прогнозировать нормативные риски с помощью машинного обучения. Они 
утверждают, что их программное обеспечение может помочь банкам соблюдать нормативные 
требования в области борьбы с отмыванием денег, которые могут автоматически сканировать 
данные о транзакциях клиентов, чтобы уменьшить количество ложных срабатываний и 
выявлять любые аномалии в обнаружении мошенничества. 
Финансовые учреждения и банки могут легко интегрировать программное обеспечение 
в свои собственные корпоративные сети передачи данных. Алгоритм программного 
обеспечения будет искать данные о клиентах и транзакциях продаж для сравнения и 
тестирования моделей риска в реальном времени, включая вероятность дефолта, дефолт с 
учетом убытков и другие модели. Затем аналитические данные можно легко просмотреть на 
простой панели инструментов, чтобы выявить текущие риски в реальном времени и 
спрогнозировать потенциальные риски. 

413 
Одной из крупнейших информационных платформ является Интернет, который явно 
играет все возрастающую роль как на финансовых рынках, так и в личных финансах. 
Информация из Интернета всегда имеет значение. Тумаркин и Уайтлоу[3]. исследуют 
взаимосвязь между активностью интернет-доски объявлений и аномальной доходностью 
акций и объемом торгов. Исследование показало, что аномальная активность сообщений 
акций интернет-сектора меняет мнение инвесторов в корреляции с аномальной доходностью 
с поправкой на отрасль, а также приводит к аномально высокому объему торгов, поскольку 
Интернет является наиболее распространенным каналом распространения информации среди 
инвесторов. В результате инвесторы постоянно ищут информацию в интернете и других 
источниках. Эта информация в основном получена поиск в разных поисковых системах. Drake 
et al. [4]. обнаружили, что ненормальный поиск информации в поисковых системах 
увеличивается примерно за две недели до объявления о доходах. Это исследование также 
предполагает, что распространение информации не происходит мгновенно с выпуск 
информации о доходах, а скорее распространяется в течение периода, окружающего 
объявление. Еще одна значимая корреляция, выявленная в этом исследовании, заключается в 
том, что информационный спрос положительно связан с вниманием СМИ и новостями, но 
отрицательно связан с отвлечением внимания инвесторов. Dimpfl и Jank[5]. уточнили, что 
поисковые запросы помогают прогнозировать будущую волатильность, причем их 
волатильность будет превышать информацию, содержащуюся в самой лаговой волатильности, 
а волатильность объема поиска будет оказывать влияние на волатильность, которая будет 
длиться значительный период времени. Jin et al. [6]. установили, что микроблогинг также 
оказывает значительное влияние на изменение информационной среды, что в свою очередь 
влияет на изменения поведения фондового рынка. 
Использование решений для больших данных, таких как кластер Hadoop, определенно 
окупается для каждой отдельной компании, располагающей огромными объемами данных. 
Конечно, это требует некоторого внимания, но дает преимущество в том, что данные 
хранятся в одном месте. К сожалению, более чем уверенно, что однажды вы столкнетесь с 
ограничением производительности - моментом, когда вы не сможете добавить больше 
обработки из-за аппаратных ограничений. Что делать в таком случае? Лучшее решение - 
рассмотреть гибридное облако. 
Гибридное облако - это подход, при котором компания может расширить свои 
внутренние возможности с помощью облачной инфраструктуры по запросу. Это отличное 
решение для больших данных, если вы хотите быстро масштабировать свой бизнес и намного 
быстрее анализировать все вводимые данные. Важным в этом решении является то, что 
гибридное облако полностью настраивается, и данные безопасно хранятся внутри него. 
Используются ли большие данные в кибербезопасности? Конечно, Hadoop, Spark, 
Casandra - это всего лишь пара примеров технологий больших данных, используемых в этой 
отрасли. 
В сентябре 2017 года Equifax сообщила об утечке данных, в результате которой была 
раскрыта личная информация более чем половины американцев. В одном из самых больших 
панических событий XXI века, связанных с большими данными, 147 миллионов человек 
получили полную информацию о своей личности и крайне уязвимой информации. С тех пор 
CyberSecurity стала одним из основных приоритетов Big Data в индустрии финансовых услуг. 
Versive - это компания, которая создала программное обеспечение, которое, как они 
утверждают, может помочь учреждениям финансовых услуг и банкам анализировать 
массивные наборы данных транзакций и данные о кибербезопасности с помощью машинного 
обучения. 
Программное обеспечение называется Versive Security Engine и рекламируется как 
способное легко интегрироваться с облачными, гибридными или локальными структурами 
данных. Это программное обеспечение использует алгоритмы машинного обучения для 

414 
поиска закономерностей и отклонений в сетях передачи данных, которые могут указывать на 
потенциальные киберугрозы. 
Версивные утверждают, что они помогли Riaz Invest Limited улучшить безопасность 
данных клиентов. Они утверждают, что Versive Security Engine смог уменьшить количество 
ложных срабатываний при идентификации угроз в Riaz. 
Большие данные, машинное обучение, искусственный интеллект и облачные 
вычисления подпитывают финансы промышленность на пути к цифровизации. Крупные 
компании используют эти технологии для осуществления цифровой трансформации, 
увеличения прибылей и удовлетворения потребительского спроса. В то время как 
большинство компаний хранят новые и ценные данные, вопрос заключается в значении и 
влиянии этих хранимых данных в финансовой отрасли.
В этой перспективе каждая финансовая служба технологически инновационна и 
рассматривает данные как кровообращение. Таким образом, результаты этого исследования 
позволяют сделать вывод о том, что большие данные произвели революцию в финансовой 
отрасли, главным образом, с помощью анализа фондового рынка в реальном времени, изменив 
торговлю и инвестиции, обнаружение и предотвращение мошенничества, а также точный 
анализ рисков с помощью процесса машинного обучения. Эти услуги влияют на увеличение 
доходов и удовлетворенности клиентов, ускорение ручных процессов, улучшение пути для 
покупки, оптимизации рабочего процесса и надежной обработки системы, анализа 
финансовых показателей и контроля роста.
Несмотря на эти революционные передачи услуг, в финансовом мире существует 
несколько критических проблем больших данных. Конфиденциальность и защита данных - 
одна из самых важных проблем в сфере услуг больших данных. А также качество данных 
данных и нормативные требования также рассматриваются как существенные вопросы. 
Несмотря на то, что все финансовые продукты и услуги полностью зависят от данных и 
производят данные каждую секунду, исследования в области больших данных и финансов еще 
не достигли своей пиковой стадии. В этой перспективе обсуждение данного исследования 
разумно обосновать на будущее направления исследований.
В будущем различные исследовательские усилия будут иметь важное значение для 
систем управления финансовыми данными для решения технических проблем, чтобы 
реализовать обещанные преимущества больших данных; в частности, проблемы управления 
большими наборами данных должны быть изучены исследователями и финансовыми 
аналитиками, чтобы стимулировать трансформационные решения. Общая проблема 
заключается в том, что чем крупнее отрасль, тем больше база данных; поэтому важно 
подчеркнуть важность управления большими наборами данных для крупных компаний по 
сравнению с небольшими фирмами. Управление такими большими массивами данных 
является дорогостоящим, а в некоторых случаях очень труднодоступным. В большинстве 
случаев частные лица или небольшие компании не имеют прямого доступа к большим 
данным. Поэтому будущие исследования могут сосредоточьтесь на создании 
беспрепятственного доступа малых фирм к большим массивам данных. Кроме того, основное 
внимание должно быть уделено изучению влияния больших данных на финансовые продукты 
и услуги, а также на финансовые рынки. Исследования также необходимы для изучения 
рисков безопасности больших данных в финансовых услугах. Кроме того, необходимо 
расширить формальный и комплексный процесс реализации стратегий больших данных в 
финансовых институтах.

Download 9,47 Mb.