Optimierung von Finanzmarkt-Intelligence mit Zeitreiheninnovationen und Tick-Daten-Modernisierung

Die Finanzdienstleistungsbranche steht in letzter Zeit vor zahlreichen Herausforderungen. Angesichts der steigenden Kapitalkosten müssen Führungskräfte auf kluge Weise nach Möglichkeiten suchen, die Gesamtbetriebskosten zu senken und Technologien zu skalieren. Die Anzahl der Markt- und Technologievorschriften in Bezug auf Daten, Infrastruktur und Reporting, wie DORA und DSGVO, kann überwältigend sein. Ihre Einhaltung kann bedeuten, dass Unternehmen veraltete Workloads umstrukturieren müssen, um Entscheidungsprozesse zur Vorbereitung auf generative KI zu beschleunigen (was wiederum zu zusätzlichen Kosten führen kann, wenn dies nicht mit einer skalierbaren Unternehmensdatenstrategie umgesetzt wird). 

Und obwohl die jüngsten Schwankungen auf dem Markt dazu geführt haben, dass Trading Desks zu einem wichtigen Motor für Umsatzwachstum und Performance für Banken und Vermögensverwalter:innen geworden sind, ist dies auch ein Frühwarnsignal, dass Risikomanagement-Frameworks modernisiert werden müssen (was ebenfalls zu zusätzlichen finanziellen Verlusten führen könnte). Finanzinstitute müssen in der Lage sein, all das zu bewältigen und gleichzeitig die riesigen Mengen an Handelsdaten zu verarbeiten und zu analysieren, die für einen Wettbewerbsvorteil unerlässlich sind – keine leichte Aufgabe.

Die Optimierung und Modernisierung historischer Tick-Daten – die Dutzende von Milliarden von Datenpunkten in On-Premises-Datenbanken enthalten, die Finanzfachleute für Einblicke nutzen können – ist ein wichtiger Teil dieser Strategie. Tick-Daten sind deshalb so wertvoll, weil sie für viele verschiedene Geschäftsbereiche und Anwendungsfälle genutzt werden können. Quantitative Analyst:innen im Frontoffice können damit Backtest-Strategien entwickeln oder Liquiditäts- und Volatilitätsanalysen durchführen. Im Middle Office können Analyst:innen damit Markt- und Gegenparteirisiken von Assets und ihren Stakeholder:innen überwachen oder Transaktionskosten analysieren. Und da Tick-Daten detaillierte, zeitgestempelte Aufzeichnungen liefern, die eine Echtzeitüberwachung, Anomalieerkennung und forensische Analyse von Handelsaktivitäten ermöglichen, können sie Unternehmen dabei helfen, verdächtiges Verhalten zu erkennen und zu untersuchen und Compliance-Aktivitäten zu dokumentieren. 

Herausforderungen bei der tatsächlichen Optimierung von Tick-Daten – von isolierten Daten bis hin zu ihrer enormen Größe – können zu Betriebsproblemen führen, was zu verpassten Gewinnchancen führt und sowohl das Markt- als auch das Reputationsrisiko erhöht, wenn regulatorische Probleme auftreten. Die Implementierung einer Unternehmensdatenstrategie mit einer einheitlichen Datenplattform wie Snowflake ermöglicht es Teams jedoch, die Fülle an Einblicken, die Tick-Daten bieten, sinnvoll zu nutzen – mit mehr Funktionen als je zuvor. 

Wie Snowflake zur Optimierung von Tick-Daten beitragen kann

Zeitreihenfunktionen

Snowflake hat massiv in eine Reihe von Funktionen investiert, die in SQL nativ sind und eine einfache Aggregation und Analyse von Zeitstempeldaten auf Nanosekunden ermöglichen (seit Juni 2024 allgemein in Snowflake verfügbar). Damit wird einer der Hauptprobleme des Tick-Daten-Managements beseitigt, nämlich die Notwendigkeit, Daten über bestimmte Zeiträume hinweg zu analysieren. Je nach den Anforderungen der Endanwender:innen sind hierfür oft unterschiedliche Systeme, Datenbanken und objektorientierte/prozedurale/Computing-Sprachen erforderlich. Snowflake hat jedoch den Prozess der Verknüpfung und Mikrosegmentierung von Zeitbereichen vereinfacht. Darüber hinaus hat Snowflake massiv in seine nativen ML-Funktionen investiert, um Prognosen aus den historischen Daten zu vereinfachen.

Generative KI (GenAI) 

Vektorisierung ist eine wichtige Komponente der generativen KI, die Modelle beim Funktionieren unterstützt und die Ergebnisse verbessert. Dank Engineering-Arbeit rund um die Vektorisierung in Snowflake können Zeitstempeldaten einfacher aggregiert werden, ohne dass separate spezialisierte Vektordatenbanken für die Datenverarbeitung verwendet werden. Snowflake verfügt über VECTOR-Funktionen und kann über Snowpark vektorbasierte Python User-Defined Functions (UDF) und Bibliothekspakete verarbeiten, sodass Unternehmen Tick-Daten in der Sprache entwickeln und analysieren können, die für den geschäftlichen Anwendungsfall erforderlich ist. 

Snowflake Cortex AI ist ein verwalteter Dienst, der die Bereitstellung, Verwaltung und Optimierung von LLMs direkt in der Snowflake-Umgebung ermöglicht. Dank unserer erweiterten Partnerschaft mit NVIDIA bietet die Lösung weniger Kosten und Zeitaufwand für die Optimierung von Enterprise-LLMs sowie direkten Zugriff auf die benötigten GPUs. Mit der jüngsten Version von Cortex Analyst (Public Preview) dauert es nicht lange, bis eine Welt mit domänenspezifischen, zeitreihenbasierten LLMs und Co-Piloten existiert. 

Leichtere Zusammenarbeit

In den letzten zwei Jahren haben Tick-Daten-Anbieter wie Factset, ICE und BSLL ihre Daten-Apps und -Angebote zu Snowflake Marketplace und Snowflake Native Apps hinzugefügt – weitere Drittanbieter werden folgen. So profitieren Finanzdienstleistungsunternehmen von den zahlreichen Vorteilen des Data Sharing (z. B. komprimierter Speicher, Datenreplikation), um die Migration von On-Premise-Datasets und Workloads in die Cloud zu beschleunigen. Da mit Snowflake UDFs und Stored Procedures in SQL und Python gemeinsam genutzt oder neue analytische Koprozessoren wie Relational.ai für Graphanalytik erschlossen werden können, beschleunigt ein verbessertes Ökosystem, das eine einfachere Zusammenarbeit zwischen allen Interessengruppen ermöglicht, die nächste Innovationswelle.

Unternehmen auf Kauf- und Verkaufsseite arbeiten derzeit mit Snowflake zusammen, um die Verarbeitung von Tick-Daten für ihre geschäftlichen Anwendungsfälle zu modernisieren. Um mehr darüber zu erfahren, wie Snowflake Sie dabei unterstützen kann, Ihre Datenstrategie zu überdenken, melden Sie sich für unser Webinar an.