Rationaliser les informations sur les marchés financiers grâce à des innovations sur les séries temporelles et à la modernisation des données de ticks

Ces derniers temps, le secteur des services financiers a été confronté à de nombreux défis. La hausse du coût du capital signifie que les leaders doivent être intelligents et trouver comment réduire le coût total de possession et faire évoluer la technologie. Le nombre de réglementations du marché et de la technologie concernant les données, l’infrastructure et les rapports, telles que le règlement européen sur la résilience opérationnelle numérique et le RGPD, peut être écrasant. Pour s’y conformer, les entreprises peuvent être obligées de repenser les workloads hérités afin d’accélérer les processus de prise de décision pour se préparer à l’IA générative (ce qui peut entraîner des coûts supplémentaires si une stratégie data d’entreprise évolutive n’est pas adoptée). 

Et bien que la récente volatilité des marchés ait permis aux trading desks de devenir un moteur clé de la croissance du chiffre d’affaires et de la performance pour les banques et les gestionnaires d’actifs, c’est également un signal d’alerte précoce que les frameworks de gestion des risques pourraient avoir besoin d’être modernisés (ce qui pourrait également entraîner des pertes financières supplémentaires). Les institutions financières doivent être en mesure de prendre en charge tous ces aspects tout en continuant à traiter et à analyser les grandes quantités de données de trading essentielles au maintien d’un avantage concurrentiel, ce qui n’est pas une mince affaire.

L’optimisation et la modernisation des données historiques de ticks, qui fournissent des dizaines de milliards de points de données stockés dans des bases de données on-premise que les professionnels de la finance peuvent exploiter pour obtenir des informations, sont un élément important de cette stratégie. Les données de ticks sont si précieuses car elles peuvent être utilisées pour de nombreux secteurs d'activité différents dans de nombreux cas d'usage. Les analystes quantitatifs du front office peuvent les utiliser pour développer des stratégies de backtesting ou effectuer des analyses de liquidité et de volatilité. En middle office, les analystes peuvent les utiliser pour surveiller les risques des marchés et de défaillance des contreparties des actifs et de leurs parties prenantes, ou pour effectuer une analyse des coûts de transaction. Et comme les données de ticks fournissent des enregistrements détaillés et horodatés qui permettent une surveillance en temps réel, la détection des anomalies et l’analyse judiciaire des activités de trading, elles peuvent aider les entreprises à identifier et à enquêter sur les comportements suspects et à documenter les activités de conformité. 

Les difficultés liées à l’optimisation des données de ticks, de leur nature silotée à leur taille énorme, peuvent créer des problèmes opérationnels, entraînant des opportunités manquées de générer des bénéfices et augmentant les risques à la fois sur les marchés et pour la réputation si des questions réglementaires surviennent. Mais la mise en œuvre d’une stratégie data d’entreprise avec une plateforme data unifiée telle que Snowflake permet aux équipes de tirer pleinement parti de la richesse d’informations offerte par les données de ticks, avec plus de capacités que jamais. 

Comment Snowflake peut aider à optimiser les données de ticks

Fonctionnalités de séries temporelles

Snowflake a investi massivement dans une suite de fonctions, natives de SQL, qui permettent d’agréger et d’analyser facilement les données d’horodatage à la nanoseconde près (disponibles pour tous nos clients depuis juin 2024). Cela atténue l’un des principaux problèmes liés à la gestion des données de ticks, à savoir la nécessité d’analyser les données sur des périodes spécifiques. Selon les besoins de l'utilisateur final, cela nécessite souvent des systèmes, des bases de données et des langages de calcul/procédure/objet différents. Mais Snowflake a simplifié le processus d’assemblage et de micro-segmentation des plages horaires. En outre, Snowflake a investi massivement dans ses fonctions ML natives pour simplifier les prévisions à partir des données historiques.

IA générative 

La vectorisation est une composante stratégique de l’IA générative, qui aide les modèles à fonctionner et à améliorer leurs résultats. Les travaux d’ingénierie autour de la vectorisation dans Snowflake ont permis d’agréger plus facilement les données d’horodatage sans utiliser de bases de données vectorielles spécialisées distinctes pour le traitement des données. Snowflake dispose de fonctions vectorielles et peut traiter des fonctions définies par l’utilisateur (UDF) et des packages de bibliothèques Python vectoriels via Snowpark, ce qui permet aux entreprises de concevoir et d’analyser des données de ticks dans le langage requis pour le cas d’usage commercial. 

Snowflake Cortex AI est un service géré qui facilite le déploiement, la gestion et le fine-tuning des LLM directement dans l’environnement Snowflake. Grâce à notre partenariat élargi avec NVIDIA, il offre un coût et un délai réduits pour régler les LLM d’entreprise , ainsi qu’un accès direct aux GPU requis. Avec la dernière version de Cortex Analyst (public preview), il ne va pas falloir longtemps pour qu’existe un monde avec des LLM et des copilotes spécifiques à un domaine et des séries temporelles. 

Collaboration plus simple

Au cours des deux dernières années, les fournisseurs de données de ticks, tels que Factset, ICE et BSLL, ont ajouté leurs applications de données et références à la Marketplace Snowflake et aux Snowflake Native Apps, et d’autres fournisseurs tiers sont à venir. Cela permet aux sociétés de services financiers de profiter des nombreux avantages du partage de données (e.g., stockage compressé, réplication de données) afin d'accélérer la migration des jeux de données et des workloads on-premise vers le cloud. Grâce à la capacité de Snowflake à partager des UDF et des procédures stockées en SQL et Python, ou à débloquer de nouveaux coprocesseurs analytiques, tels que Relational.ai pour l'analyse graphique, un écosystème amélioré permettant une collaboration plus facile entre toutes les parties prenantes accélérera la prochaine vague d'innovation.

Les entreprises côté achat et côté vente travaillent actuellement avec Snowflake pour moderniser le traitement des données de ticks pour leurs cas d'usage commerciaux. Pour découvrir plus en détail comment Snowflake peut vous aider à repenser votre stratégie en matière de données de ticks, inscrivez-vous à notre webinaire.