چشم انداز فعلی و تأثیر کلان داده ها بر امور مالی

داده های بزرگ یکی از جدیدترین مسائل تجاری و فنی در عصر فناوری است. هر روز صدها میلیون اتفاق رخ می دهد. حوزه مالی عمیقاً درگیر محاسبه رویدادهای کلان داده است. در نتیجه هر روز صدها میلیون تراکنش مالی در دنیای مالی اتفاق می افتد. بنابراین، دست اندرکاران مالی و تحلیلگران آن را یک موضوع نوظهور مدیریت داده ها و تجزیه و تحلیل محصولات و خدمات مالی مختلف می دانند. همچنین کلان داده تاثیرات قابل توجهی بر محصولات و خدمات مالی دارد. بنابراین، شناسایی مسائل مالی که در آن کلان داده ها تأثیر قابل توجهی دارند نیز موضوع مهمی است که باید با تأثیرات مورد بررسی قرار گیرد. بر اساس این مفاهیم، هدف این مقاله نشان دادن چشم انداز فعلی امور مالی در برخورد با کلان داده ها و همچنین نشان دادن چگونگی تأثیر کلان داده بر بخش های مالی مختلف، به طور خاص، تأثیر آن بر بازارهای مالی، موسسات مالی و روابط بود. با امور مالی اینترنتی، مدیریت مالی، شرکت های خدمات اعتباری اینترنتی، کشف تقلب، تجزیه و تحلیل ریسک، مدیریت برنامه های مالی و غیره. ارتباط بین کلان داده و مؤلفه‌های مرتبط با مالی در بررسی ادبیات اکتشافی منابع داده ثانویه آشکار خواهد شد. از آنجایی که کلان داده در حوزه مالی یک مفهوم بسیار جدید است، جهت گیری های تحقیقاتی آتی در پایان این مطالعه اشاره خواهد شد.

معرفی

در عصر نوآوری فناوری، انواع مختلفی از داده ها با پیشرفت فناوری اطلاعات در دسترس هستند و داده ها به عنوان یکی از با ارزش ترین کالاها در مدیریت سیستم های اتوماسیون تلقی می شوند [13، 68]. به این معنا، بازارهای مالی و تحولات تکنولوژیکی با هر فعالیت انسانی در چند دهه گذشته مرتبط شده است. فناوری کلان داده به بخشی جدایی ناپذیر از صنعت خدمات مالی تبدیل شده است و به نوآوری آینده ادامه خواهد داد [12]. نوآوری های مالی نیز سریع ترین مسائل در حال ظهور در خدمات مالی در نظر گرفته می شوند. به طور خاص، آنها انواع کسب‌وکارهای مالی مانند وام‌دهی آنلاین همتا به همتا، پلت‌فرم‌های سرمایه‌گذاری جمعی، مالی SME، مدیریت ثروت و پلت‌فرم‌های مدیریت دارایی، مدیریت معاملات، ارز دیجیتال، انتقال پول/حواله، پلت‌فرم‌های پرداخت موبایلی را پوشش می‌دهند.، و غیره. همه این خدمات روزانه هزاران داده ایجاد می کنند. بنابراین مدیریت این داده ها نیز مهم ترین عامل در این خدمات تلقی می شود. هر گونه آسیب به داده ها می تواند مشکلات جدی برای آن صنعت مالی خاص ایجاد کند. امروزه، تحلیلگران مالی از داده های خارجی و جایگزین برای اتخاذ تصمیمات سرمایه گذاری بهتر استفاده می کنند. علاوه بر این، صنایع مالی از کلان داده ها از طریق تحلیل های مختلف پیش بینی و نظارت بر الگوهای مخارج مختلف برای توسعه مدل های تصمیم گیری بزرگ استفاده می کنند. به این ترتیب، صنایع می توانند تصمیم بگیرند که کدام محصولات مالی را ارائه دهند [29، 48]. میلیون ها داده بین شرکت های مالی منتقل می شود. به همین دلیل است که داده های بزرگ در عرصه خدمات مالی، جایی که اطلاعات بر عوامل مهم موفقیت و تولید تأثیر می گذارد، توجه بیشتری را به خود جلب می کند. این نقش به طور فزاینده ای در تحکیم درک ما از بازارهای مالی ایفا می کند [71]. در هر صورت، صنعت مالی از تریلیون ها داده به طور مداوم در تصمیم گیری های روزمره استفاده می کند [22]. نقش مهمی در تغییر بخش خدمات مالی، به ویژه در تجارت و سرمایه گذاری، اصلاحات مالیاتی، کشف و بررسی تقلب، تجزیه و تحلیل ریسک و اتوماسیون دارد [37]. علاوه بر این، صنعت مالی را با غلبه بر چالش های مختلف و به دست آوردن بینش های ارزشمند برای بهبود رضایت مشتری و تجربه کلی بانکداری تغییر داده است [45]. رازین [65] خاطرنشان کرد که کلان داده ها نیز به پنج روش مالی را تغییر می دهند: ایجاد شفافیت، تجزیه و تحلیل ریسک، تجارت الگوریتمی، استفاده از داده های مصرف کننده و تغییر فرهنگ. همچنین کلان داده ها تأثیر قابل توجهی در تحلیل اقتصادی و مدل سازی اقتصادی دارند [16، 21].

در این مطالعه ، دیدگاه محققان مختلف ، دانشگاهیان و سایر موارد مرتبط با داده های بزرگ و فعالیت های مالی جمع آوری و مورد تجزیه و تحلیل قرار گرفته است. این مطالعه نه تنها تلاش می کند تا نظریه موجود را آزمایش کند بلکه درک عمیقی از تحقیق از داده های کیفی به دست آورد. با این حال ، تحقیقات در مورد داده های بزرگ در خدمات مالی به اندازه سایر مناطق مالی گسترده نیست. تعداد کمی از مطالعات دقیقاً در زمینه های مختلف تحقیقات مالی به داده های بزرگ پرداخته اند. اگرچه برخی از مطالعات این کارها را برای برخی از موضوعات خاص انجام داده اند ، اما دیدگاه های گسترده ای از داده های بزرگ در خدمات مالی قبلاً با توضیحات مناسب در مورد تأثیر و فرصت داده های بزرگ در امور مالی انجام نشده است. بنابراین ، نیاز به شناسایی مناطق مالی که در آن داده های بزرگ تأثیر قابل توجهی دارند. همچنین ، تحقیقات مربوط به داده های بزرگ و مسائل مالی بسیار جدید است. بنابراین ، این مطالعه موضوعات نوظهور مالی را ارائه می دهد که داده های بزرگ تأثیر قابل توجهی دارند ، که هرگز توسط سایر محققان منتشر نشده است. به همین دلیل این تحقیق به بررسی تأثیر داده های بزرگ بر خدمات مالی می پردازد و این جدید بودن این مطالعه است.

در این مقاله به بررسی چشم انداز فعلی داده های بزرگ در خدمات مالی می پردازیم. به ویژه این مطالعه تأثیر داده های بزرگ در بانکداری اینترنتی ، بازارهای مالی و مدیریت خدمات مالی را برجسته می کند. این مطالعه همچنین یک چارچوب را ارائه می دهد ، که نحوه تأثیرگذاری داده های بزرگ بر امور مالی را تسهیل می کند. برخی دیگر از خدمات مربوط به امور مالی نیز در اینجا برای مشخص کردن منطقه گسترده داده های بزرگ در خدمات مالی برجسته شده اند. اینها سهم این مطالعه در ادبیات موجود است.

این نتیجه از مطالعه به ادبیات موجود کمک می کند که به خوانندگان و محققانی که در این موضوع مشغول کار هستند کمک می کند و همه خوانندگان هدف از این مطالعه یک مفهوم یکپارچه از داده های بزرگ در امور مالی کسب می کنند. علاوه بر این ، این تحقیق برای محققانی که در این موضوع کار می کنند نیز مهم است. موضوع داده های بزرگ در اینجا از دیدگاه های مختلف تأمین مالی مورد بررسی قرار گرفته است تا درک روشنی برای خوانندگان ارائه دهد. بنابراین ، این مطالعه با هدف تشریح وضعیت فعلی فناوری داده های بزرگ در خدمات مالی است. مهمتر از همه ، تلاش شده است تا با تمرکز بر تأثیر آن بر بخش مالی از ابعاد مختلف ، بر فعالیت های بزرگ مالی داده ها تمرکز شود.

بررسی ادبیات

مفهوم داده های بزرگ در امور مالی از ادبیات قبلی گرفته شده است ، جایی که برخی از مطالعات توسط برخی از مجلات دانشگاهی خوب منتشر شده است. در حال حاضر ، بیشتر زمینه های تجارت با داده های بزرگ مرتبط است. این تأثیر قابل توجهی در دیدگاههای مختلف تجارت مانند مدیریت فرآیند تجارت ، مدیریت منابع انسانی ، مدیریت تحقیق و توسعه [8 ، 63] ، تجزیه و تحلیل تجارت [19 ، 26 ، 42 ، 59 ، 63] ، فرآیند تجارت B2B ، بازاریابی و فروش دارد [30 ، 39 ، 53 ، 58] ، فرآیند تولید صنعتی [7 ، 15 ، 40] ، اندازه گیری عملکرد عملیاتی شرکت [20 ، 69 ، 81] ، سیاست گذاری [2] ، مدیریت زنجیره تأمین ، تصمیم و عملکرد [4 ، 38، 64] ، و بنابراین سایر عرصه های تجاری.

به ویژه، ربحی و همکاران.[63] داده های بزرگ را به عنوان یک عامل مهم مدیریت فرآیند کسب و کار و فرآیند منابع انسانی برای حمایت از تصمیم گیری ذکر کردند. این مطالعه همچنین در مورد سه نوع پیچیده از تکنیک های تجزیه و تحلیل مانند تجزیه و تحلیل توصیفی، تجزیه و تحلیل پیش بینی، و تجزیه و تحلیل تجویزی به منظور بهبود فرآیند سنتی تجزیه و تحلیل داده ها صحبت کرد. دوان و شیونگ [19]، گروور و کار [26]، جی و همکاران.[42]، و پاپاس و همکاران.[59] همچنین اهمیت داده های بزرگ در تجزیه و تحلیل کسب و کار را بررسی کرد. داده های بزرگ به حل مشکلات تجاری و مدیریت داده ها از طریق زیرساخت سیستم کمک می کند، که شامل هر تکنیکی برای جمع آوری، ذخیره، انتقال و پردازش داده ها است. دوان و شیونگ [19] دریافتند که سازمان‌های با عملکرد برتر تقریباً پنج برابر بیشتر از سازمان‌هایی که عملکرد پایین‌تری دارند، از تحلیل‌ها برخلاف شهود استفاده می‌کنند. تجزیه و تحلیل کسب و کار و استراتژی کسب و کار باید از نزدیک با هم مرتبط باشند تا بینش های تحلیل محور بهتری به دست آورند. گروور و کار [26] در مورد شرکت هایی مانند اپل، فیس بوک، گوگل، آمازون و eBay اشاره کردند که به طور منظم از داده های تراکنش دیجیتالی مانند ذخیره زمان تراکنش، مقادیر خرید، قیمت محصول و اعتبار مشتری به طور منظم برای تخمینشرایط بازار آنها برای بهبود عملیات تجاری آنها [61، 76]. هالند و همکاران[39] مشارکت نظری و تجربی کلان داده در تجارت را نشان داد. این مطالعه استنباط کرد که روابط B2B از الگوهای جستجوی مصرف کننده، که برای ارزیابی و اندازه گیری عملکرد آنلاین رقبا در بازار خطوط هوایی ایالات متحده استفاده می شود. علاوه بر این، کلان داده همچنین به تقویت فروش B2B با تجزیه و تحلیل داده های مشتری کمک می کند. استفاده از مجموعه داده های بزرگ مشتری به طور قابل توجهی رشد فروش (نتایج عملکرد پولی) را بهبود می بخشد و عملکرد ارتباط با مشتری (نتایج عملکرد غیر پولی) را افزایش می دهد [30]. همچنین به نوآوری بازار با فرصت های متنوع مربوط می شود.

داده های بزرگ و تجزیه و تحلیل و برنامه های آن به عنوان شاخص های توانایی سازمانها در نوآوری در پاسخ به فرصت های بازار کار می کنند [78]. همچنین ، تأثیر داده های بزرگ در فرآیند تولید صنعتی برای به دست آوردن مزایای رقابتی. پس از تجزیه و تحلیل یک مطالعه موردی از دو شرکت ، Belhadi و همکاران.[7] اظهار داشت: "NAPC هدف از جهش کیفی با تجزیه و تحلیل داده های دیجیتالی و بزرگ است تا تیم های صنعتی بتوانند مدل های لازم برای تهیه یا حتی کپی کردن مدل های کارخانه های کلید در آفریقا را توسعه دهند. این مطالعه همچنین یک چارچوب کلی از قابلیت های BDA در فرآیند تولید را مشخص کرده و برخی از مقادیر تجزیه و تحلیل داده های بزرگ را برای فرآیند تولید ، مانند افزایش شفافیت ، بهبود عملکرد ، حمایت از تصمیم گیری و افزایش دانش ذکر کرده است. همچنین ، کوی و همکاران.[15] چهار برنامه کاربردی داده های بزرگ (نظارت ، پیش بینی ، چارچوب فناوری اطلاعات و ارتباطات و تجزیه و تحلیل داده ها) را که در ساخت استفاده می شود ، ذکر کرد. اینها برای تحقق فرایند تولید هوشمند ضروری هستند. شمیم و همکاران.[69] استدلال كرد كه دوامكاری كاركنان مهم است زیرا توانایی های مدیریت داده های بزرگ كاركنان و دوام برای Emmnes برای مدیریت خواسته های كاربران جهانی بسیار مهم است. همچنین داده های بزرگ به عنوان مرزی از فرصت برای بهبود عملکرد شرکت ظاهر شدند. Yadegaridehkordi و همکاران.[81] فرض کرد که پذیرش داده های بزرگ تأثیر مثبتی بر عملکرد شرکت دارد. در این مطالعه همچنین ذکر شده است که سیاست گذاران ، دولت ها و مشاغل می توانند تصمیمات آگاهانه ای را برای اتخاذ داده های بزرگ اتخاذ کنند. به گفته هافمن [38] ، سرعت ، تنوع و حجم به طور قابل توجهی در مدیریت زنجیره تأمین تأثیر می گذارد. به عنوان مثال ، در ابتدا ، Velocity بزرگترین فرصت را برای تشدید کارایی فرآیندها در زنجیره تأمین ارائه می دهد. در کنار این ، Variety از انواع مختلف حجم داده در زنجیره های تأمین پشتیبانی می کند. پس از آن ، این حجم نیز نسبت به زنجیره های عرضه دو مرحله ای مورد علاقه زنجیره های عرضه چند مرحله ای است. رامان و همکاران.[64] با ترکیب SCM با داده های بزرگ ، یک مدل جدید ، مرجع عملیات زنجیره تأمین (SCOR) ارائه داد. این مدل در معرض اتخاذ فناوری داده های بزرگ ارزش قابل توجهی را به شما می بخشد و همچنین سود مالی را برای صنعت ایجاد می کند. این مدل برای ارزیابی عملکرد مالی زنجیره های عرضه مناسب است. همچنین به عنوان یک پشتیبانی تصمیم گیری عملی برای بررسی گزینه های تصمیم گیری رقیب در امتداد زنجیره و همچنین ارزیابی محیط زیست عمل می کند. لامبا و سینگ [50] بر جنبه تصمیم گیری فرآیند زنجیره تأمین متمرکز شده اند و ذکر کردند که تصمیم گیری مبتنی بر داده ها در مدیریت فعالیت های لجستیک ، بهبود فرآیند ، بهینه سازی هزینه و مدیریت بهتر موجودی اهمیت قابل توجهی کسب می کند. صحال و همکاران.[67] و Xu و Duan [80] رابطه سیستم های فیزیکی سایبر و بستر پردازش جریان را برای صنعت 4. 0 نشان دادند. داده های بزرگ و IoT به همان اندازه نیروهای تأثیرگذار برای دوره صنعت 4. 0 در نظر دارند. اینها همچنین به دستیابی به دو هدف مهم برنامه های کاربردی صنعت 4. 0 کمک می کند (افزایش بهره وری ضمن کاهش هزینه تولید و حداکثر به روزرسانی در طول زنجیره تولید). Belhadi و همکاران.[7] چالش های فرآیند تولید ، مانند کنترل کیفیت و فرآیند (پرسش و پاسخ) ، بهره وری انرژی و محیط زیست (E&EE) ، تشخیص و نگهداری فعال (PD&M) و تجزیه و تحلیل ایمنی و ریسک (S&A) را شناسایی کرد.

هافمن [38] همچنین اشاره کرد که یکی از بزرگ‌ترین چالش‌ها در زمینه داده‌های بزرگ، یافتن راه‌های جدید برای ذخیره‌سازی و پردازش انواع مختلف داده‌ها است. علاوه بر این، Duan و Xiong [19] ذکر کردند که داده‌های بزرگ شامل داده‌های بدون ساختار بیشتری مانند متن، نمودار و داده‌های سری زمانی در مقایسه با داده‌های ساخت‌یافته برای تکنیک‌های ذخیره‌سازی داده و تکنیک‌های تجزیه و تحلیل داده‌ها است. ژائو و همکاران[86] دو چالش عمده برای ادغام داده های داخلی و خارجی برای تجزیه و تحلیل داده های بزرگ شناسایی کرد. اینها مجموعه داده ها را در بین منابع داده به هم متصل می کنند و داده های مربوطه را برای تجزیه و تحلیل انتخاب می کنند. هوانگ و همکاران[40] چهار چالش را مطرح کرد، اول، دقت و کاربرد پارادایم های PSM مبتنی بر داده های کوچک یک نوع چالش است. دوم، پارادایم‌های PSM مبتنی بر استاتیک سنتی برای انطباق با تغییرات پویا سیستم‌های تولید پیچیده دشوار است. سوم، انجام تحقیقاتی که بر پارادایم‌های PSM مبتنی بر پیش‌بینی تمرکز دارد، ضروری است. و چهارم، تعیین رابطه علّی به سرعت، از نظر اقتصادی و مؤثر دشوار است، که بر پیش بینی ایمنی و تصمیم گیری ایمنی تأثیر می گذارد.

بحث بالا بر اساس حوزه های مختلف کسب و کار است. به هر حال، برخی از مطالعات (مانند [6، 11، 14، 22، 23، 41، 45، 54، 68، 71، 73، 75، 83، 85] دیدگاه های مختلف خدمات مالی را متمرکز کردند. با این حال، سهم در این زمینهبر اساس آن تحقیقات، روندهای فعلی کلان داده در امور مالی در بخش یافتن مشخص شده است.

روش شناسی

هدف از این مطالعه مکان یابی تحقیقات دانشگاهی با تمرکز بر مطالعات مرتبط داده های بزرگ و مالی است. برای انجام این تحقیق از منابع داده های ثانویه برای جمع آوری داده های مرتبط استفاده شد [31، 32، 34]. برای جمع‌آوری داده‌های ثانویه، این مطالعه از پایگاه داده الکترونیکی Scopus، وب علم و Google scholar [33] استفاده کرد. کلیدواژه‌های این تحقیق شامل کلان داده‌های مالی، مالی و کلان داده، کلان داده و بازار سهام، کلان داده در بانکداری، مدیریت کلان داده، و داده‌های بزرگ و فین‌تک است. جستجو عمدتاً فقط بر مجلات دانشگاهی و با داوری همتایان متمرکز بود، اما در برخی موارد، محقق برخی از مقالات را در اینترنت مطالعه کرد که در مجلات دانشگاهی و با داوری همتا منتشر نشده بودند. گاهی اوقات، اطلاعات از موتورهای جستجو به درک موضوع کمک می کند. حوزه تحقیقاتی کلان داده قبلاً مورد بررسی قرار گرفته است، اما داده های مربوط به کلان داده در امور مالی چندان گسترده نیست. به همین دلیل است که ما جستجو را به یک دوره زمانی خاص محدود نکردیم زیرا محدودیت زمانی ممکن است دامنه این تحقیق را کاهش دهد. در اینجا، یک فرآیند جمع آوری داده های ساختار یافته و سیستماتیک دنبال شد. شکل 1 فرآیند جمع آوری داده های ساختار یافته و سیستماتیک این مطالعه را نشان می دهد. برخی از ناشران معروف، به عنوان مثال، الزویر، اسپرینگر، تیلور و فرانسیس، ویلی، امرالد، و سیج، در میان دیگران، هنگام جمع آوری داده های این مطالعه در اولویت قرار گرفتند [35، 36].

چارچوب سیستماتیک ساختار تحقیق.(منبع: تصویر نویسنده)

تعداد مقالات مرتبط جمع‌آوری‌شده از این پایگاه‌ها تنها 180 مقاله است. پس از آن، مقالات جمع‌آوری‌شده غربال شدند و فهرست کوتاهی با تنها 100 مقاله ایجاد شد. در نهایت از داده‌های 86 مقاله استفاده شد که 34 مقاله مستقیماً با «داده‌های بزرگ در امور مالی» مرتبط بودند. جدول 1 فهرستی از مجلاتی را ارائه می دهد که به کمک به تحقیقات آینده کمک می کنند.

جدول 1 فهرست مجلاتی که تحقیقات مربوط به کلان داده و امور مالی را منتشر می کنند. منبع: توضیحات نویسنده

این مطالعه ادبیات نشان می دهد که برخی از عوامل اصلی به کلان داده و امور مالی مرتبط هستند. در این زمینه، مشخص شده است که این عوامل خاص با کلان داده‌ها نیز رابطه عمیقی دارند، مانند بازارهای مالی، ریسک و وام بانکی، امور مالی اینترنتی، مدیریت مالی، رشد مالی، تحلیل و کاربرد مالی، داده‌کاوی و کشف تقلب.، مدیریت ریسک و سایر روش های مالی. جدول 2 تمرکز در ادبیات بخش مالی مربوط به کلان داده را توصیف می کند.

چارچوب نظری

پس از مطالعه ادبیات، این مطالعه دریافته است که کلان داده بیشتر به بازار مالی، مالی اینترنتی مرتبط است. شرکت خدمات اعتباری، مدیریت خدمات مالی، برنامه های کاربردی مالی و غیره. داده ها عمدتاً با چهار نوع صنعت مالی مانند بازار مالی، بازار آنلاین، شرکت وام دهی و بانک مرتبط است. این شرکت ها هر روز میلیاردها داده را از تراکنش های روزانه، حساب کاربری، به روز رسانی داده ها، اصلاح حساب ها و فعالیت های دیگر تولید می کنند. این شرکت‌ها میلیاردها داده را پردازش می‌کنند و برای پیش‌بینی اولویت هر مصرف‌کننده با توجه به فعالیت‌های قبلی‌اش، و سطح ریسک اعتباری برای هر کاربر، کمک می‌کنند. بر اساس این داده ها، موسسات مالی در تصمیم گیری کمک می کنند [84]. با این حال، شرکت‌های مالی مختلف داده‌های بزرگ را پردازش می‌کنند و برای تأیید و جمع‌آوری، پیش‌بینی ریسک اعتباری و کشف تقلب کمک می‌گیرند. از آنجایی که میلیاردها داده از منابع ناهمگن تولید می شوند، داده های از دست رفته یک نگرانی بزرگ است و همچنین کیفیت داده ها و قابلیت اطمینان داده ها نیز مهم است. به هر حال، مفهوم نقش داده‌های بزرگ مالی شکل گرفته است [71]، که در آن مطالعه منابع اطلاعات بازار مالی شامل اطلاعات جمع‌آوری‌شده از داده‌های بازار سهام (به عنوان مثال، قیمت سهام، حجم معاملات سهام، نرخ‌های بهره، و غیره) است. در)، رسانه های اجتماعی (به عنوان مثال، فیس بوک، توییتر، روزنامه ها، تبلیغات، تلویزیون و غیره). این داده ها نقش مهمی در بازار مالی مانند پیش بینی بازده بازار، پیش بینی نوسانات بازار، ارزش گذاری موقعیت بازار، شناسایی حجم معاملات مازاد، تحلیل ریسک بازار، حرکت سهام، قیمت گذاری اختیار معامله، معاملات الگوریتمی، نوسانات خاص و غیره دارند.. بر اساس این بحث ها، یک چارچوب نظری در شکل 2 نشان داده شده است.

چارچوب نظری کلان داده در خدمات مالیمنبع: توضیحات نویسنده(این مفهوم از این چارچوب از شن و چن [71] و ژانگ و همکاران [85] گرفته شده است).

نتایج و بحث

داده های انبوه و فناوری های روزافزون پیچیده، نحوه عملکرد و رقابت صنایع را تغییر می دهند. دنیای مالی نیز با این مجموعه داده های بزرگ کار می کند. این نه تنها بر بسیاری از زمینه های علم و جامعه تأثیر گذاشته است، بلکه تأثیر مهمی بر صنعت مالی داشته است [6، 13، 23، 41، 45، 54، 62، 68، 71،72،73، 82، 85]. پس از بررسی ادبیات، این مطالعه برخی از حوزه‌های مالی را که مستقیماً با کلان داده‌ها مرتبط هستند، از جمله بازارهای مالی، شرکت‌های خدمات اعتباری اینترنتی و مالی اینترنتی، مدیریت مالی، تحلیل و برنامه‌های کاربردی، تحلیل ریسک بانکداری اعتباری، مدیریت ریسک و غیره پیدا کرد.. این مناطق در اینجا به سه گروه تقسیم می شوند. اول، پیامدهای کلان داده برای بازارهای مالی و رشد مالی شرکت ها. دوم، مفاهیم کلان داده برای تامین مالی اینترنتی و ایجاد ارزش در شرکت‌های خدمات اعتباری اینترنتی. و سوم، داده های بزرگ در مدیریت مالی، مدیریت ریسک، تحلیل مالی و برنامه های کاربردی. بحث کلان داده ها در این حوزه های مالی مشخص، سهمی است که توسط این مطالعه انجام شده است. همچنین، اینها به عنوان چشم انداز نوظهور داده های بزرگ در امور مالی در این مطالعه در نظر گرفته می شوند.

پیامدهای کلان داده در بازارهای مالی

بازارهای مالی همیشه به دنبال نوآوری های تکنولوژیکی برای فعالیت های مختلف هستند، به ویژه نوآوری های تکنولوژیکی که همیشه مورد پذیرش مثبت قرار می گیرند و تاثیر زیادی بر بازارهای مالی می گذارند و واقعاً تاثیرات دگرگون کننده ای بر آنها می گذارند. شن و چن [71] توضیح می دهند که کارایی بازارهای مالی بیشتر به میزان اطلاعات و فرآیند انتشار آن نسبت داده می شود. از این نظر، رسانه های اجتماعی بدون شک نقش مهمی در بازارهای مالی ایفا می کنند. از این نظر، یکی از تأثیرگذارترین نیروهای فعال بر آنها به حساب می آید. هر روز میلیون ها قطعه اطلاعات را در بازارهای مالی در سطح جهان تولید می کند [9]. کلان داده ها عمدتاً بر بازارهای مالی از طریق پیش بینی بازده، پیش بینی نوسانات، ارزش گذاری بازار، حجم معاملات مازاد، تجزیه و تحلیل ریسک، مدیریت پرتفوی، عملکرد شاخص، حرکت مشترک، قیمت گذاری گزینه، نوسانات خاص، و معاملات الگوریتمی بر بازارهای مالی تأثیر می گذارند.

شن و چن [71] بر اثر متوسط کلان داده ها بر بازار مالی تمرکز می کنند. این اثر دو عنصر دارد، تأثیر بر فرضیه بازار کارآمد و تأثیر بر پویایی بازار. تأثیر بر فرضیه بازار کارآمد به تعداد دفعاتی که نام سهام خاص ذکر می شود، احساسات استخراج شده از محتوا و فراوانی جستجوی کلمات کلیدی مختلف اشاره دارد. یاهو فاینانس یک مثال رایج از تأثیر بر فرضیه بازار کارآمد است. از سوی دیگر، تأثیر کلان داده های مالی معمولاً بر تئوری های مالی خاصی متکی است. بولن و همکاران[9] تأکید می‌کند که به تحلیل احساسات در بازارهای مالی نیز کمک می‌کند، که نشان‌دهنده تکنیک یادگیری ماشین آشنا با مجموعه داده‌های بزرگ است.

در چشم انداز دیگری، Begenau و همکاران.[6] این فرض را بررسی می‌کند که داده‌های بزرگ به‌طور عجیبی برای شرکت‌های بزرگ به‌دلیل فعالیت‌های اقتصادی طولانی‌تر و سابقه طولانی‌تر شرکت، سود می‌رساند. حتی شرکت های بزرگ معمولاً داده های بیشتری را در مقایسه با شرکت های کوچک تولید می کنند. کلان داده‌ها همچنین به روش‌های مختلفی مانند جذب تحلیل‌های مالی بیشتر و همچنین کاهش عدم قطعیت سهام، کاهش هزینه سرمایه شرکت و هزینه‌های سرمایه‌گذاران که در رابطه با یک تصمیم مالی پیش‌بینی می‌کنند، به امور مالی شرکت مربوط می‌شود. این هزینه سرمایه را کاهش می دهد زیرا سرمایه گذاران داده های بیشتری را پردازش می کنند تا شرکت های بزرگ بزرگتر شوند. در فناوری اطلاعات فراگیر و متحول کننده، بازارهای مالی می توانند داده های بیشتری، بیانیه های سود، اعلامیه های کلان، داده های تقاضای بازار صادرات، معیارهای عملکرد رقبا و پیش بینی بازده آتی را پردازش کنند. با پیش بینی بازده آتی، سرمایه گذاران می توانند عدم اطمینان در مورد نتایج سرمایه گذاری را کاهش دهند. از این نظر بگناو و همکاران.[6] بیان کرد که "پردازش بیشتر داده ها عدم اطمینان را کاهش می دهد، که حق بیمه ریسک و هزینه سرمایه را کاهش می دهد و سرمایه گذاری ها را جذاب تر می کند."

مفاهیم کلان داده در امور مالی اینترنتی و ایجاد ارزش در یک شرکت خدمات اعتباری اینترنتی

پیشرفت های تکنولوژیکی باعث تحول انقلابی در خدمات مالی شده است. به ویژه نحوه ارائه خدمات بانک ها و شرکت های فین تک. با اندیشیدن به تأثیر کلان داده ها بر بخش مالی و خدمات آن، این فرآیند را می توان به عنوان یک ارتقاء مدرن برای دسترسی مالی برجسته کرد. به طور خاص، تراکنش های آنلاین، برنامه های کاربردی بانکی و بانکداری اینترنتی میلیون ها قطعه داده را در یک روز تولید می کنند. بنابراین، مدیریت این میلیون ها داده موضوعی مهم است [46]. زیرا مدیریت این خدمات تأمین مالی اینترنتی تأثیرات عمده ای بر بازارهای مالی دارد [57]. در اینجا، ژانگ و همکاران.[85] و زی و همکاران.[79] بر حجم داده ها، تنوع خدمات، حفاظت از اطلاعات و صحت پیش بینی برای نشان دادن رابطه بین فناوری اطلاعات و تجارت الکترونیک و امور مالی تمرکز دارد. کلان داده ها کارایی قیمت گذاری مبتنی بر ریسک و مدیریت ریسک را بهبود می بخشد و در عین حال مشکلات عدم تقارن اطلاعات را به طور قابل توجهی کاهش می دهد. همچنین، به تأیید و جمع‌آوری داده‌ها، پیش‌بینی وضعیت ریسک اعتباری و کشف تقلب کمک می‌کند [24، 25، 56]. جین و همکاران[44]، [47]، پژی [60] و حاجی زاده و همکاران.[28] شناسایی کرد که فناوری داده کاوی نقش حیاتی در مدیریت ریسک و کشف تقلب دارد.

داده های بزرگ همچنین تأثیر قابل توجهی در شرکت های خدمات اعتباری اینترنتی دارند. اولین تأثیر این است که بتوانیم وام گیرندگان بیشتری را ارزیابی کنیم ، حتی افراد بدون وضعیت مالی خوب. داده های بزرگ همچنین نقش مهمی در دفاتر رتبه بندی اعتبار دارند. به عنوان مثال ، دو دفاتر اعتباری عمومی در چین فقط 0. 3 میلیارد سوابق مالی دارند. برای افراد دیگر ، آنها حداکثر دارای اطلاعات هویت و جمعیتی هستند (مانند شناسه ، نام ، سن ، وضعیت ازدواج و سطح تحصیلات) ، و دستیابی به پیش بینی های قابل اعتماد اعتبار با استفاده از مدلهای سنتی قابل قبول نیست. این وضعیت به طور قابل توجهی مؤسسات مالی را از نزدیک شدن به مصرف کنندگان جدید محدود می کند [85]. در این حالت ، داده های بزرگ با دادن فرصتی برای دسترسی به داده های نامحدود از مزایای استفاده می کنند. به منظور مقابله با ریسک اعتباری ، سیستم های مالی از مکانیسم های اطلاعات شفاف استفاده می کنند. داده های بزرگ می توانند با ادغام مزایای محاسبات ابری و فناوری اطلاعات ، بر سیستم اعتباری مبتنی بر بازار شرکت و افراد تأثیر بگذارند. محاسبات ابری یکی دیگر از عوامل انگیزشی است. با استفاده از این سرویس های Cloud Computing و Big Data ، فناوری اینترنت موبایل یک فرآیند تشکیل قیمت کریستالی را در معاملات مالی سنتی مبتنی بر اینترنت افتتاح کرده است. علاوه بر ارائه اطلاعات به وام دهندگان و وام گیرندگان ، این رابطه مثبت بین نهادهای نظارتی هر دو بخش بانکی و اوراق بهادار ایجاد می کند. اگر یک شرکت دارای مجموعه داده های بزرگی از منابع مختلف باشد ، منجر به متغیرهای چند بعدی می شود. با این حال ، مدیریت این مجموعه داده های بزرگ دشوار است. بعضی اوقات اگر این مجموعه داده ها به طور مناسب مدیریت نشوند ، حتی ممکن است به جای یک مزیت به نظر برسد. به این معنا ، مفهوم فناوری داده کاوی که در حاجیزاد و همکاران شرح داده شده است.[28] برای مدیریت حجم عظیمی از داده ها در مورد بازارهای مالی می تواند به کاهش این مشکلات کمک کند. با مدیریت مجموعه های عظیم داده ها ، شرکت های FinTech می توانند اطلاعات خود را به طور قابل اطمینان ، کارآمد ، مؤثر و با هزینه نسبتاً پایین تر از موسسات مالی سنتی پردازش کنند. آنها می توانند در عمق بیشتری به مشتریان بیشتری تجزیه و تحلیل و ارائه دهند. علاوه بر این ، آنها می توانند از تجزیه و تحلیل و پیش بینی خطرات مالی سیستمیک بهره مند شوند [82]. با این حال ، یک مسئله مهم این است که افراد یا شرکت های کوچک ممکن است قادر به دسترسی مستقیم به داده های بزرگ نباشند. در این حالت ، آنها می توانند از طریق شرکت های مختلف اطلاعاتی مانند شرکت های مشاوره حرفه ای ، سازمان های دولتی مربوطه ، آژانس های خصوصی مربوطه و موارد دیگر از داده های بزرگ استفاده کنند.

داده های بزرگ در مدیریت خدمات مالی

داده های بزرگ تقریباً در همه زمینه های تجارت یک مسئله نوظهور است. به خصوص در امور مالی ، تأثیرات آن با انواع تسهیلات ، مانند مدیریت مالی ، مدیریت ریسک ، تجزیه و تحلیل مالی و مدیریت داده های برنامه های مالی. داده های بزرگ به طور صریح مدل های تجاری شرکت های مالی و مدیریت مالی را تغییر می دهند. همچنین امروزه یک منطقه جذاب در نظر گرفته می شود. در این منطقه جذاب ، دانشمندان و کارشناسان در تلاشند تا با در نظر گرفتن روش های بزرگ داده های بزرگ ، به ویژه روش هایی برای کنترل ریسک ، تجزیه و تحلیل بازار مالی ، ایجاد شاخص های جدید احساسات مالی از شبکه های اجتماعی و ایجاد ابزارهای مبتنی بر اطلاعات ، مدل های تجاری مالی جدید را پیشنهاد دهند و در این زمینه ارائه دهند. روشهای مختلف خلاقانه [58]. سان و همکاران.[73] از ویژگی های 4 ولت داده های بزرگ اشاره کرد. اینها حجم (مقیاس داده بزرگ) ، تنوع (قالب های مختلف داده) ، سرعت (جریان داده در زمان واقعی) و صحت (عدم اطمینان داده) هستند. این خصوصیات شامل چالش های مختلف برای مدیریت ، تجزیه و تحلیل ، امور مالی و برنامه های مختلف است. این چالش ها شامل سازماندهی و مدیریت بخش مالی به روش های مؤثر و کارآمد ، یافتن مدلهای جدید تجاری و رسیدگی به مسائل مالی سنتی است. مسائل مالی سنتی به عنوان معاملات با فرکانس بالا ، ریسک اعتباری ، احساسات ، تجزیه و تحلیل مالی ، مقررات مالی ، مدیریت ریسک و غیره تعریف می شود [73].

هر شرکت مالی هر روز میلیاردها قطعه داده دریافت می کند اما در یک لحظه از همه آنها استفاده نمی کند. داده ها به بنگاهها کمک می کند تا ریسک خود را تجزیه و تحلیل کنند ، که تأثیرگذارترین عامل مؤثر بر حداکثر سود آنها محسوب می شود. Cerchiello و Giudici [11] مدل سازی ریسک سیستمیک را به عنوان یکی از مهمترین زمینه های مدیریت ریسک مالی مشخص کردند. این امر به طور عمده بر برآورد روابط متقابل بین موسسات مالی تأکید می کند. همچنین به کنترل خطر عملیاتی و یکپارچه کمک می کند. چوی و لامبرت [13] اظهار داشتند که "داده های بزرگ برای تجزیه و تحلیل ریسک اهمیت بیشتری دارند". این امر با افزایش کیفیت مدل ها ، به ویژه با استفاده از کارت ویزیت های کاربردی و رفتاری ، بر مدیریت ریسک تأثیر می گذارد. همچنین اطلاعات تجزیه و تحلیل ریسک را نسبتاً سریعتر از سیستم های سنتی توضیح و تفسیر می کند. علاوه بر این ، همچنین با کاهش تلاش های دستی با ارتباط داده های داخلی و خارجی در موضوعاتی مانند پولشویی ، کلاهبرداری کارت اعتباری و غیره ، به تشخیص کلاهبرداری [25 ، 56] کمک می کند. همچنین به تقویت بهره وری محاسباتی ، مدیریت ذخیره سازی داده ها ، ایجاد یک جعبه ابزار تجسم و تهیه یک جعبه ابزار بررسی با عقل با فعال کردن تحلیلگران ریسک برای انجام بررسی های اولیه داده ها و تهیه یک برنامه اصلاح خاص در معرض خطر کمک می کند. Campbell-Verduyn و همکاران.[10] دولت "امور مالی یک فناوری کنترل است ، نکته ای که با استفاده از اسناد مالی ، داده ها ، مدل ها و اقدامات در مدیریت ، مطالبات مالکیت ، برنامه ریزی ، پاسخگویی و تخصیص منابع نشان داده شده است".

علاوه بر این ، تکنیک های داده های بزرگ به اندازه گیری ریسک اعتبار بانکداری در وام های سهام در خانه کمک می کنند. هر روز میلیون ها عملیات مالی منجر به رشد پایگاه داده های شرکت ها می شود. مدیریت این پایگاه داده های بزرگ گاهی اوقات مشکلاتی ایجاد می کند. برای حل این مشکلات ، ارزیابی خودکار وضعیت اعتبار و اندازه گیری ریسک در یک دوره زمانی معقول ضروری است [62]. امروزه بانکداران در اندازه گیری خطرات اعتبار و مدیریت بانکهای اطلاعاتی مالی خود با مشکل روبرو هستند. شیوه های داده های بزرگ برای مدیریت پایگاه داده های مالی به منظور تقسیم گروه های مختلف ریسک اعمال می شود. همچنین داده های بزرگ برای بانک ها بسیار مفید است که هم در مورد الزامات قانونی و هم نظارتی در حوزه های ریسک اعتباری و ریسک یکپارچگی مطابقت داشته باشند [12]. برای ارائه برآوردگرهای سریعتر و بی طرفانه ، یک مجموعه داده بزرگ همیشه باید با تکنیک های داده بزرگ مدیریت شود. موسسات مالی از ارزیابی ریسک اعتباری بهبود یافته و دقیق بهره مند می شوند. این امر به کاهش خطرات شرکتهای مالی در پیش بینی توانایی بازپرداخت وام مشتری کمک می کند. به این ترتیب ، تعداد بیشتری از افراد به وام های اعتباری دسترسی پیدا می کنند و در عین حال بانک ها خطرات اعتباری خود را کاهش می دهند [62].

داده های بزرگ و سایر مسائل مالی

یکی از بزرگترین سیستم عامل های داده اینترنت است که به وضوح نقش های فزاینده ای را در بازارهای مالی و مالی شخصی بازی می کند. اطلاعات از اینترنت همیشه مهم است. Tumarkin و Whitelaw [77] رابطه بین فعالیت هیئت مدیره پیام اینترنتی و بازده سهام غیر طبیعی و حجم معاملات را بررسی می کنند. این مطالعه نشان داد که فعالیت پیام غیرطبیعی سهام بخش اینترنت نظرات سرمایه گذاران را در ارتباط با بازده های غیر طبیعی تنظیم شده توسط صنعت تغییر می دهد ، و همچنین باعث می شود حجم معاملات به طور غیر طبیعی زیاد شود ، زیرا اینترنت رایج ترین کانال برای انتشار اطلاعات استسرمایه گذاران. در نتیجه ، سرمایه گذاران همیشه به دنبال اطلاعات از اینترنت و منابع دیگر هستند. این اطلاعات بیشتر با جستجوی موتورهای جستجوگر مختلف بدست می آید. دریک و همکاران.[18] دریافت که جستجوی اطلاعات غیر طبیعی در موتورهای جستجو حدود دو هفته قبل از اعلام درآمد افزایش می یابد. این مطالعه همچنین نشان می دهد که انتشار اطلاعات با انتشار اطلاعات درآمد فوری نیست ، بلکه در دوره پیرامون اعلامیه پخش می شود. یک همبستگی مهم دیگر که در این مطالعه مشخص شده است این است که تقاضای اطلاعات با توجه و اخبار رسانه ها مثبت است ، اما با حواس پرتی سرمایه گذار منفی است. Dimpfl و Jank [17] مشخص کردند که نمایش داده های جستجو به پیش بینی نوسانات آینده کمک می کند ، و نوسانات آنها از اطلاعات موجود در خود نوسانات تاخیر فراتر خواهد رفت و نوسانات حجم جستجو تأثیر بر نوسانات خواهد داشت ، که دوره قابل توجهی از آن خواهد بودزمان. جین و همکاران.[43] مشخص کرد که وبلاگ نویسی میکرو نیز تأثیر بسزایی در تغییر محیط اطلاعات دارد که به نوبه خود بر تغییر در رفتار بازار سهام تأثیر می گذارد.

نتیجه گیری