Pontos Principais
- Quando consideramos os 3 Vs de big data - volume, velocidade e variedade - é difícil pensar em quais setores os requisitos se encaixam tão bem quanto nas diretrizes de finanças.
- Um fluxo constante de regulamentos novos e padrões de relatório traz novas fontes de dados e cada vez mais métricas complexas, como a métrica XVA, em sistemas financeiros.
- Algumas grandes instituições financeiras têm sido lentas em adotar abordagens de big data, mas a pesquisa de mercado da PwC esclareceu alguns dos inibidores organizacionais e culturais para a adoção desse conceito nessas instituições, muitos dos quais também são relevantes em outros setores industriais.
- Modelos adaptativos de padrões de negociação no mercado podem prover estratégias de investimento para comprar e vender certos tipos de ativos.
- Embora ninguém possa prever os mercados futuros em 100%, a análise profunda de dados históricos e parâmetros atuais do mercado fornecem modelos sofisticados de tendências e comportamentos nos mercados.
Este artigo apareceu pela primeira vez na revista IEEE IT Professional. Esta revista oferece informações sólidas e revisadas por pares sobre os problemas tecnológicos estratégicos de hoje. Para enfrentar os desafios da execução de empresas confiáveis e flexíveis, os gerentes de TI e as lideranças técnicas contam com a IT Pro para soluções de ponta.
Quando pensamos em setores industriais impulsionados pela alta tecnologia, para algumas pessoas, o setor bancário não é o primeiro setor que vem à mente. No entanto, quando consideramos os 3 Vs de big data - volume, velocidade e variedade - é difícil pensar em outros setores cujos requisitos se encaixam tão bem nas diretrizes. Por exemplo, apenas em abril de 2016, os mercados cambiais (ForEx) atingiram a média de US$ 5,1 trilhões por dia [2]. As empresas ForEx oferecem taxas de câmbio em tempo real entre moedas em todo o mundo, facilitando negócios e liquidações globais.
Neste artigo é discutida a relevância de abordagens de big data para o setor financeiro, descrevendo desafios para sua adoção, bem como oportunidades futuras para o desenvolvimento tecnológico. Devido ao volume de transações e dinheiro, o artigo foca em bancos de negócios corporativo (mercados financeiros, crédito corporativo, negociação, etc.), embora muitas áreas de aplicação também sejam relevantes para a finança do consumidor.
Big Data no setor financeiro
Vamos examinar primeiramente a relevância dos 3 Vs em finanças:
- O Volume é considerado por ser possível alcançar em big data níveis em muitos terabytes ou até mesmo petabytes de dados. A indústria financeira produz um enorme volume de cotações, dados de mercado e dados comerciais históricos. A Bolsa de Valores de Nova York (NYSE) por si só gera mais de um terabyte por dia [3].
- A Velocidade se adapta ao big data quando a velocidade de armazenamento ou processamento de dados é da ordem de 105 transações por segundo ou mais. Gerar dados a essa velocidade não é um desafio para os mercados financeiros. Além disso, quanto mais rápido os sistemas podem processar os dados, mais rapidamente eles podem gerenciar uma negociação.
- A Variedade implica que algoritmos de big data funcionem adequadamente com vários formatos e fontes de dados. Em bancos corporativos, as instituições trabalham com dados de referência (sobre entidades legais, por exemplo), dados comerciais e de mercado, pedidos de clientes (por meios eletrônicos e de voz) e muitas outras fontes.
O que torna o setor financeiro ainda mais interessante do ponto de vista do big data é o constante fluxo de novos regulamentos e padrões de relatórios que trazem novas fontes de dados e métricas mais complexas em sistemas financeiros.
Isso torna o setor um local muito interessante para o cientista de dados.
As empresas ForEx, como mencionado anteriormente, comercializam 24 horas por dia, desde a manhã em Sydney até a noite em Nova York, com exceção de uma pequena janela durante o fim de semana. Além disso, a negociação algorítmica tem sido usada nos mercados financeiros há muito tempo de uma forma ou de outra. A NYSE apresentou seu sistema de Turno de Pedido Designado (Designated Order Turnaround - DOT) no início da década de 1970 para rotear pedidos para mesas de negociação, onde as ordens eram executadas manualmente. Agora, os sistemas de negociação algorítmica quebram ordens muito grandes em pedaços menores que são executados automaticamente com base no tempo, preço e volume, otimizado para os parâmetros do mercado.
De forma contínua, o processamento de grandes volumes de dados é utilizado para geração de relatório em instituições financeiras:
- As regulamentações bancárias e de mercado financeiro exigem cada vez mais o cálculo de várias métricas complexas, como o XVA (ajustes de avaliação de instrumentos derivativos, com base no risco de crédito da contraparte, custo de financiamento, margem, etc.). Essas métricas são usadas, por exemplo, para definir as reservas mínimas de capital de um banco, o que influencia diretamente na rentabilidade do banco.
- Os dados transacionais sequenciados pelo tempo são analisados para modelar o comportamento do mercado e do cliente. Por exemplo, o mapeamento do volume comercial com o tempo poderia ajudar a prever a probabilidade de um descumprimento de crédito, evitando que um banco tenha perda de recursos em um empréstimo.
Algumas grandes instituições financeiras tardaram em adotar abordagens de big data, mas a pesquisa de mercado da PwC esclareceu alguns dos inibidores organizacionais e culturais para a adoção desse conceito nessas instituições [4], muitos dos quais também são relevantes em outros setores industriais. Primeiro, alguns gerentes do setor financeiro acreditam que os algoritmos de big data resolvem problemas técnicos, mas não problemas de negócios. No entanto, quando os dados são gerados pelo negócio e os resultados são usados pelo negócio, é claro que a tecnologia está apoiando o negócio. Alguns não entendem como obter valor de seus fluxos de dados, enquanto alguns acham que abordagens de big data melhoram a eficiência técnica, mas fazem pouco para gerar lucros. No entanto, a análise profunda é que as abordagens de big data podem apoiar diretamente o crescimento do negócio e aperfeiçoar a eficácia. O setor financeiro tradicionalmente não foi um destino para os cientistas de dados, de forma que algumas instituições tiveram dificuldades para encontrar e atrair as habilidades necessárias para suas organizações. Finalmente, mesmo quando a vontade de transformação está em vigor, pode não ser claro como e onde começar a transformação de uma empresa para utilizar grandes abordagens de dados.
No entanto, o setor bancário está entre os principais setores da indústria que investem em big data analytics, de acordo com um estudo recente da IDC [5], como mostra a Figura 1. Além disso, as organizações de tecnologia financeira, ou FinTechs, estão desenvolvendo soluções e produtos para uma gama de necessidades bancárias para o gerenciamento de ativos e patrimônios; a Figura 2 explora a proporção de empresas FinTech por área de acordo com a PwC. Seguindo essa tendência, há um crescente volume de pesquisas e desenvolvimento de algoritmos relacionados a outros usos de dados financeiros para aumentar a eficácia do negócio. Examinaremos alguns destes.
Figura 1. O mercado em 2016 para big data analytics (US$ 130,1 bilhões). (Dados originais do IDC [5])
Figura 2. Proporção aproximada do mercado FinTech por área. (Dados originais de PwC[6])
Padrões de negociação de mercado
Modelos adaptativos de padrões de negociação de mercado podem fornecer contribuições para estratégias de investimento para comprar e vender certos tipos de ativos. Esta seção explora um exemplo.
O dia do Ex-dividendo (também chamado de X-Day) é o primeiro dia de negociação quando o vendedor de um recibo de depósito (depository receipt - DR) tem o direito de receber o último pagamento de dividendos. Antes do X-Day, o comprador do DR receberia o pagamento do dividendo. Os DRs americanos (ADRs) são instrumentos financeiros negociados no mercado norte-americano por empresas não-americanas. Como tal, há uma carga tributária dupla sobre os dividendos: os impostos dos EUA e a retenção de impostos no país que emitiu o ADR. Como resultado, os investidores estão motivados a vender ADRs antes do X-Day e a comprar após o X-Day. Naturalmente, a política fiscal tem uma forte influência na estabilidade do mercado de ADRs.
Em trabalhos recentes, Bi-Huei Tsai examinou o mercado de ADR para entender os volumes de negociação nesse universo [7]. A análise de tais mercados por uma classe de algoritmos poderia ser utilizada para sugerir tempos de negociação ótimos com base nos recentes volumes do mercado. O autor analisa os índices de excesso de volume de ADR (o volume de negociação diário menos o volume de negociação diário "normal") durante o período do ex-dividendo (X-Day +/- 10 dias), correlacionado positivamente com os impostos sobre dividendos, gerando um modelo de influência da política de impostos no mercado de ADRs. Tanto os comerciantes quanto as autoridades fiscais do governo poderiam usar esses modelos para criar uma estratégia.
Avaliação de crédito em tempo real
Um aplicativo que não é específico para o mercado financeiro, mas tem relevância para o setor bancário para consumidores e para pequenas e médias empresas é o processamento de dados para produzir classificações de crédito para os usuários em tempo real. Por exemplo, as empresas FinTech, como Klarna, Lenddo e Credit Karma, prestam serviços relacionados ao scoring e verificação de crédito on-line. Em trabalhos recentes, Ying Wang, Siming Li e Zhangxi Lin examinam o potencial de scoring de crédito em tempo real para o comércio eletrônico [8].
Qualquer pessoa que tenha solicitado uma quantidade significativa de crédito estará familiarizada com a linha do tempo desse processo. Tradicionalmente, os bancos coletam informações sobre o solicitante tanto a partir de um formulário de inscrição como de outras fontes. Os especialistas analisam estas informações para criar uma proposta de crédito para o cliente, que inclui a taxa de juros e os termos do reembolso. Pode haver alguma negociação entre o solicitante e o banco, incluindo compensações de vários parâmetros de empréstimo para melhores condições gerais. Após a assinatura do contrato de crédito, o cliente pode exercer sua atividade financeira e pagar o empréstimo.
Não somente a coleta de dados e a negociação de termos levam tempo, mas dois fatores complicam esse processo. Em primeiro lugar, muitos dos repositórios de dados utilizados para a classificação de crédito são atualizados apenas mensalmente, de modo que os problemas financeiros recentes do cliente podem não ser conhecidos pelo banco. Além disso, fatores não financeiros poderiam desempenhar um papel importante no risco de inadimplência. Os autores examinaram vários desses fatores relacionados a uma grande plataforma de comércio eletrônico: freqüência de login na plataforma, fornecimento de dados de contato adicionais (incluindo número de telefone celular), volume de transações no último mês, número de transações de sucesso em geral, tempo como cliente da plataforma, o setor de negócios do cliente, e assim por diante. Os autores utilizam análise de regressão linear em grupos desses parâmetros em dados históricos de clientes para obter uma correlação entre a probabilidade de inadimplência e os vários parâmetros. O resultado é um modelo que poderia facilitar classificações de crédito em tempo real para a plataforma de comércio eletrônico, com base no comportamento on-line. Tais parâmetros nem sequer estão presentes em bancos de dados tradicionais de classificação de crédito.
Bancos estão se tornando mais high-tech
Os dois exemplos descritos não são, de modo algum, o limite para as aplicações de algoritmos de big data no setor financeiro. Embora ninguém possa prever em 100% os mercados futuros, a análise profunda de dados históricos e parâmetros atuais do mercado fornecem modelos sofisticados e adaptativos de tendências e comportamentos nos mercados. Por sua vez, esses modelos facilitam decisões mais rápidas e melhor informadas por comerciantes (incluindo sistemas de negociação), instituições financeiras e outras organizações.
A oportunidade para quem lê este conteúdo está em é desenvolver novas tecnologias e soluções para um setor em rápido crescimento. O financiamento para FinTechs mais do que duplicou entre 2014 e 2015 [6], indicando a oportunidade e a necessidade desses produtos e soluções. As amplas categorias mostradas na Figura 2 deixam um ótimo espaço para a inovação no produto, processo e experiência do cliente. Pode não demorar muito para que bancos venham logo à mente quando pensarmos nos setores da indústria impulsionados pela alta tecnologia.
Referências
1. D. Laney, 3D Data Management: Controlling Data Volume, Variety and Velocity, MetaGroup, 2001.
2. Triennial Central Bank Survey: Foreign Exchange Turnover in April 2016, Bank for Int'l Settlements, Sept. 2016;
3. Where Have You Been All My Life? How the Financial Services Industry Can Unlock the Value in Big Data, PwC FS Viewpoint, Oct. 2013.
4. T. Nath, "How Big Data Has Changed Finance", Investopedia, 9 Apr. 2015;
5. Semiannual Big Data and Analytics Spending Guide, IDC Worldwide, 3 Oct. 2016.
6. Blurred Lines: How FinTech Is Shaping Financial Services, PwC Global FinTech Report, Mar. 2016.
7. B.-H. Tsai, "Examination of Ex-Dividend Day Trading Using Big Data of American Depositary Receipts", Proc. 2nd Int'l Conf. Advanced Cloud and Big Data (CBD), 2014, pp. 34-38.
8. Y. Wang, S. Li, and Z. Lin, "Revealing Key Non-Financial Factors for Online Credit-Scoring in e-Financing", Proc. 10th Int'l Conf. Service Systems and Service Management (ICSSSM), 2013, pp. 547-552.
Sobre a autora
Jennifer Q. Trelewicz é technical risk officer e CTO da Enterprise Risk Technology no Deutsche Bank Technology Center. Seus interesses de pesquisa incluem big data, algoritmos numéricos de alto desempenho e gerenciamento de inovação. Trelewicz trabalhou em empresas de tecnologia líderes da indústria como IBM, Microsoft e Google, tem inúmeras patentes concedidas em vários países e publicações em revistas internacionais e conferências de referência, e atua como voluntária ativa com o IEEE. Ela tem um doutorado em processamento de sinais da Arizona State University e é membro das sociedades internacionais de honra Tau Beta Pi e Phi Kappa Phi. Entre em contato com ela aqui.
Este artigo apareceu pela primeira vez na revista IEEE IT Professional. Esta revista oferece informações sólidas e revisadas por pares sobre os problemas tecnológicos estratégicos de hoje. Para enfrentar os desafios da execução de empresas confiáveis e flexíveis, os gerentes de TI e as lideranças técnicas contam com a IT Pro para soluções de ponta.