Home » Articole » Articles » Affaires » Business Intelligence » Traitement des événements complexes pour l’industrie des services financiers

Traitement des événements complexes pour l’industrie des services financiers

L’industrie des services financiers a été l’un des premiers à adopter la technologie du traitement des événements complexes (CEP), utilisant le traitement d’événements complexes pour structurer et contextualiser les données disponibles afin qu’elles puissent informer le comportement de trading, en particulier le commerce algorithmique, en identifiant les opportunités ou les menaces qui indiquent que les commerçants (ou les systèmes de commerce automatique) devraient acheter ou vendre. Par exemple, si un commerçant souhaite suivre des actions qui ont cinq mouvements à la hausse suivis de quatre mouvements à la baisse, la technologie CEP peut suivre un tel événement. La technologie CEP peut également suivre une hausse et une baisse drastiques du nombre de transactions. Le commerce algorithmique est déjà une pratique en bourse. On estime qu’environ 60 % des transactions sur actions aux États-Unis se font par le biais de transactions algorithmiques. Le CEP devrait continuer à aider les institutions financières à améliorer leurs algorithmes et à être plus efficaces.

Les récentes améliorations des technologies CEP l’ont rendu plus abordable, aidant les petites entreprises à créer leurs propres algorithmes de négociation et à concurrencer les grandes entreprises. Le CEP est passé d’une technologie émergente à une plate-forme essentielle de nombreux marchés de capitaux. La croissance la plus constante de la technologie a été dans le secteur bancaire, au service de la détection des fraudes, des services bancaires en ligne et des initiatives de marketing multicanal.

Aujourd’hui, une grande variété d’applications financières utilisent CEP, notamment les systèmes de gestion des profits, des pertes et des risques, l’analyse des ordres et des liquidités, les systèmes de négociation quantitative et de génération de signaux, etc.

Intégration avec des bases de données de séries temporelles

Une base de données de séries temporelles est un système logiciel optimisé pour le traitement de données organisées par temps. Les séries temporelles sont des séquences finies ou infinies d’éléments de données, où chaque élément a un horodatage associé et la séquence d’horodatages est non décroissante. Les éléments d’une série temporelle sont souvent appelés ticks. Il n’est pas nécessaire que les horodatages soient croissants (seulement non décroissants) car, dans la pratique, la résolution temporelle de certains systèmes tels que les sources de données financières peut être assez faible (millisecondes, microsecondes ou même nanosecondes), de sorte que les événements consécutifs peuvent porter des horodatages égaux.

Les données de séries temporelles fournissent un contexte historique à l’analyse généralement associée au traitement d’événements complexes. Cela peut s’appliquer à n’importe quel secteur vertical tel que la finance et en coopération avec d’autres technologies telles que la gestion des processus métier.

Considérez le scénario en finance où il est nécessaire de comprendre la volatilité historique des prix pour déterminer les seuils statistiques des mouvements de prix futurs. Cela est utile à la fois pour les modèles commerciaux et pour l’analyse des coûts de transaction.

Le cas idéal pour l’analyse CEP consiste à visualiser les séries temporelles historiques et les données de flux en temps réel comme un continuum temporel unique. Ce qui s’est passé hier, la semaine dernière ou le mois dernier n’est qu’un prolongement de ce qui se passe aujourd’hui et de ce qui pourrait se passer dans le futur. Un exemple peut consister à comparer les volumes actuels du marché aux volumes, prix et volatilité historiques pour la logique d’exécution des transactions. Ou la nécessité d’agir sur les prix du marché en direct peut impliquer des comparaisons avec des références qui incluent des mouvements sectoriels et indiciels, dont les tendances intrajournalières et historiques mesurent la volatilité et lissent les valeurs aberrantes.

Source: Drew Bentley, Business Intelligence and Analytics. © 2017 Library Press, License CC BY-SA 4.0. Traduction et adaptation: Nicolae Sfetcu. © 2022 MultiMedia Publishing, L’informatique décisionnelle et l’analyse exploratoire des données dans les entreprises, Collection Sciences de l’information

Émotions et intelligence émotionnelle dans les organisations
Émotions et intelligence émotionnelle dans les organisations

Une argumentation pour l’importance dualiste des émotions dans la société, individuellement et au niveau communautaire. La tendance actuelle à la prise de conscience et au contrôle des émotions grâce à l’intelligence émotionnelle a un effet bénéfique dans les affaires et … Lire la suite

non noté $0.00 Choix des options
L’éthique des mégadonnées (Big Data) en recherche
L’éthique des mégadonnées (Big Data) en recherche

Les principaux problèmes rencontrés par les scientifiques qui travaillent avec des ensembles de données massives (mégadonnées, Big Data), en soulignant les principaux problèmes éthiques, tout en tenant compte de la législation de l’Union européenne. Après une brève Introduction au Big … Lire la suite

non noté $0.00 Choix des options
Londres: Affaires, Voyager, Culture (London: Business, Travel, Culture)
Londres: Affaires, Voyager, Culture (London: Business, Travel, Culture)

Guide touristique bilingue anglais/français (Bilingual English/French Tourist Guide) Londres, seule ville à avoir organisé trois fois les Jeux olympiques (1908, 1948, 2012), est dynamique et très diverse sur le plan culturel. Elle joue un rôle important dans l’art et dans … Lire la suite

non noté $5.99 Choix des options

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *