Альтернативные данные в финансах: источники и применение

Альтернативные данные в финансах — это информация из внешних источников, которая помогает инвесторам принимать более обоснованные решения. Спутниковые снимки, данные из социальных сетей, информация о транзакциях и другие нетрадиционные источники позволяют получить уникальные инсайты о деятельности компаний. Такой подход создаёт конкурентное преимущество на рынке благодаря доступу к информации, недоступной большинству участников.

Альтернативные данные в финансовой сфере — это информация, используемая для получения инсайтов в инвестиционный процесс. Такие наборы данных часто применяют менеджеры хедж-фондов и другие профессионалы институциональных инвестиций. Альтернативные данные представляют собой информацию о конкретной компании, опубликованную источниками вне самой компании, что позволяет получить уникальные и своевременные инсайты об инвестиционных возможностях.

Альтернативные наборы данных часто классифицируют как большие данные (big data), что означает их потенциальный большой объём и сложность. Они часто не могут быть обработаны традиционным программным обеспечением для хранения и анализа данных, таким как Microsoft Excel. Альтернативные данные компилируются из различных источников: финансовые транзакции, датчики, мобильные устройства, спутники, публичные реестры и интернет. Их можно противопоставить традиционным данным, используемым инвестиционными компаниями, — презентациям инвесторов, документам SEC и пресс-релизам. Эти примеры «традиционных данных» создаются самой компанией.

Поскольку альтернативные наборы данных возникают как побочный продукт деятельности компании, они часто менее доступны и менее структурированы, чем традиционные источники. Альтернативные данные также называют «информационным мусором». Компании, генерирующие такие данные, обычно не осознают их ценность для институциональных инвесторов. За последнее десятилетие множество брокеров данных, агрегаторов и других посредников начали специализироваться на предоставлении альтернативных данных инвесторам и аналитикам.

Типы

Примеры альтернативных данных включают:

• Геолокация (пешеходный трафик)
• Транзакции по кредитным картам
• Квитанции электронной почты
• Операции в точках продаж
• Использование веб-сайтов
• Аналитика мобильных приложений и App Store
• Краудсорсинг
• Малоизвестные муниципальные архивы
• Спутниковые снимки
• Посты в социальных сетях
• Активность в интернете
• Квитанции о доставке контейнеров
• Отзывы о продуктах
• Трекеры цен
• Трекеры доставки
• Данные об интернет-активности и качестве соединения

Применение

Альтернативные данные используют фундаментальные и количественные институциональные инвесторы для создания инновационных источников альфа. Область находится на ранних этапах развития, однако в зависимости от ресурсов и допустимого уровня риска фонда существует множество подходов к участию в этой новой парадигме.

Процесс извлечения выгоды из альтернативных данных может быть чрезвычайно сложным. Аналитика, системы и технологии обработки таких данных относительно новы, и большинство институциональных инвесторов не имеют возможности интегрировать альтернативные данные в процесс принятия инвестиционных решений. Однако при наличии правильных инструментов и стратегии фонд может снизить затраты и создать устойчивое конкурентное преимущество.

Большинство исследовательских проектов с альтернативными данными требуют значительного времени и ресурсов, поэтому перед работой с набором данных необходимо провести комплексную проверку. Она должна включать одобрение от команды соответствия требованиям, проверку процессов создания и доставки данных, а также выявление инвестиционных инсайтов, которые могут дополнить инвестиционный процесс.

Однако использование альтернативных данных не ограничивается инвестиционной сферой — они успешно применяются в экономике, политике, розничной торговле и электронной коммерции. Глубокий анализ альтернативных данных позволяет прогнозировать геополитические риски, а социальные сети предоставляют богатый материал для анализа потребительских настроений.

Методология

Альтернативные данные можно получить через:

• Веб-скрейпинг (или веб-сбор, выполняемый программистами, разрабатывающими алгоритмы для поиска конкретных данных на веб-сайтах)
• Приобретение сырых данных
• Лицензирование у третьих сторон

Анализ

В финансовой сфере альтернативные данные часто анализируют по следующим критериям:

• Редкость: информационная перегруженность финансовых рынков
• Детализация: уровень подробности и агрегации данных (включая временное измерение)
• История: траектория развития данных
• Структура: формат данных (CSV, JSON и т. д.)
• Охват: акции или географические регионы, с которыми можно связать данные

Лучшие практики

Хотя соответствие требованиям и внутреннее регулирование широко практикуются в сфере альтернативных данных, существует потребность в отраслевом стандарте лучших практик. Такой стандарт должен охватывать маскирование персональных данных (PII) и требования к схемам доступа, среди прочего. Специалисты по соответствию требованиям и лица, принимающие решения, могут получить выгоду от активного создания внутренних руководств для операций с данными. Публикации, такие как NIST 800-122, предоставляют рекомендации по защите PII и полезны при разработке внутренних лучших практик. Организация Investment Data Standards Organization (IDSO) была создана для разработки, поддержки и продвижения отраслевых стандартов и лучших практик в индустрии альтернативных данных.

Веб-скрейпинг

Правовые аспекты веб-скрейпинга альтернативных данных ещё не определены. Текущие лучшие практики рассматривают следующие вопросы при определении законности операций веб-краулинга:

• Проверка условий использования веб-сайтов, с которых производится сбор данных
• Контроль над потенциальным вмешательством в работу этих сайтов

Веб-скрейпленные данные — это информация, собранная с открытых веб-сайтов. При наличии 4 миллиардов веб-страниц и 1,2 миллиона терабайт данных в интернете существует огромный объём информации, которая может быть ценна для инвесторов при анализе корпоративной деятельности.

Компании, специализирующиеся на таком сборе данных, например Thinknum Alternative Data, разрабатывают программы, которые получают доступ к целевым веб-сайтам и периодически собирают и сохраняют информацию. В некоторых случаях веб-скрейпинг требует использования открытых API для прямого доступа к данным без посещения самого сайта.

Типы веб-скрейпленных данных включают:

• Объявления о вакансиях: компания, увеличивающая найм и численность персонала, вероятно, переживает рост.
• Рейтинги компаний: сайты вроде Glassdoor позволяют сотрудникам оценивать свою компанию; растущие рейтинги, особенно в сочетании с увеличением объявлений о вакансиях, могут служить ещё одним индикатором роста.
• Данные онлайн-розницы: высокие рейтинги продуктов на онлайн-платформах указывают на сильные продажи производителей. С другой стороны, значительные скидки на товары свидетельствуют о слабых продажах.

Standards Board for Alternative Investment (SBAI) — это глобальное органо по установлению стандартов для индустрии альтернативных инвестиций и хранитель Стандартов альтернативных инвестиций. Организацию поддерживают примерно 200 менеджеров альтернативных инвестиций и институциональных инвесторов, совместно управляющих активами в размере 3,5 триллиона долларов. SBAI опубликовала Стандартизированное соглашение о пробной лицензии на данные, которое решает проблемы менеджеров инвестиций при работе с новыми процессами тестирования данных, такими как альтернативные данные и большие данные. Томас Дейнет, исполнительный директор SBAI, сказал: «Это соглашение о пробной лицензии на данные выделяет ряд очень важных вопросов, включая защиту персональных данных, которая стала актуальной темой в связи с пересмотром нормативно-правовой базы по защите данных во многих юрисдикциях. Оно также включает ключевые защиты для менеджеров в таких областях, как предотвращение инсайдерской торговли и «право на использование данных». Критически важно, чтобы менеджеры и поставщики данных полностью понимали все риски при продаже и использовании новых данных».

Альтернативные данные в финансах: основные источники и методы применения