Bitemporalität hilft, die Kosten für Anwendungsfälle im Finanzdienstleistungsbereich zu senken

Ich war letzte Woche auf einer Veranstaltung zum Thema „Rundum Daten- und Analyse-Benchmarking“. Es war fabelhaft, die meisten großen Banken waren vertreten, auch die angesagtesten Hedgefonds, eine Reihe von Börsen und einige ungewöhnliche Anbieter.

Ich fand es erfrischend, wie die meisten Veranstaltungen, bei denen konkrete Analysen diskutiert werden. Meine frühe Karriere war auf Quantität/Datenwissenschaft/Analyse ausgerichtet, aber jetzt bin ich in der, ähm,
„Daten“-Beruf, der sich aus einer verwirrenden Reihe (meist) kommerzieller Produkte zusammensetzt, die „Data Warehouses“, „Data Lakes“ und „Data Mesh“, „Data Fabric“ und „Data Swamp“-Infrastrukturen im Wert von $ zugrunde liegen Billionen an Ausgaben und die Unterstützung einiger sehr großer Organisationen. Ich persönlich finde, dass die Sprache, der Jargon und das Ökosystem in dieser Branche von der Realität abstrahiert sind, aber sie tragen dazu bei, kommerzielle Anbieter mit schön benannten Produkten und Kategorien zu unterstützen. Folgen Sie dem Geld, wie man sagt: Eine „komplexe“ Datenplattform ist viel teurer als ein Modellierungstool, das jeder MSC-Student nutzen kann.

Die Datenindustrie bildete den Hintergrund der sehr pragmatischen Veranstaltung, wurde aber auf einer Podiumsdiskussion zum Thema „“ erfreulich und explizit diskutiert.Datenherkunft.“ Bei der Datenherkunft handelt es sich überwiegend um einen sequenziellen linearen Prozess, der die Datentransformation von der Aufnahme bis zur Nutzung erfasst und dabei hilft, die sogenannte Datenverwaltung zu unterstützen, die eine Menge kostspieliger Lagertools antreibt. Im Cloud-Zeitalter liegen Cloud-Data-Warehouses voll im Trend, und zwar ganz besonders. Aber hier ist die Sache. Die Datentransformation ist eigentlich nicht linear, insbesondere wenn sie nützlich ist. Es ist komplex, zyklisch, verändert sich wie Doctor Who und die Tardis und reist durch die Zeit und durch Galaxien. Abgesehen von Pseudophilosophie und populärer Physik können dieselben Daten im Finanzwesen, wenn sie optimiert, transformiert und analysiert werden, vielen verschiedenen Anwendungsfällen dienen, auch über Zeit und Ort hinweg. Darüber hinaus verlangen die Aufsichtsbehörden von uns, Änderungen zu dokumentieren und transparent zu machen, was wir wann, warum und was geändert haben. Man könnte sagen: „Das ist die Datenverwaltung, die sie fordern.“ So'ne Art. Aber die Regulierungsbehörden fordern tatsächlich die Berichterstattung über umsetzbare Entscheidungen, die Modelle und Engagement erfordern und zu Maßnahmen führen, die Auswirkungen haben. Dabei geht es um Menschen, Entscheidungen und konkrete Anwendungsfälle, nicht nur um Daten.

In der Podiumsdiskussion wurde das Konzept vorgestellt und ausführlich diskutiert Bitemporalität, eine praktische Datenverwaltungstaktik, die finanzielle Anwendungsfälle und regulatorische Prozesse gut bedient. Ein Diskussionsteilnehmer einer (sehr) regulierten Tier-1-Bank lobte die Bitemporalität überschwänglich. Seine Architektur nutzte Bitemporalität, um sich im Laufe der Zeit anzupassen und Datenänderungen wiederzugeben. Nehmen wir an, Sie möchten einen alten Finanzbericht oder einen Derivatehandel so nachbilden, wie er zum Zeitpunkt der Erstellung aussah und dann nach späteren Korrekturen/Ergänzungen/Rückzahlungen, beispielsweise in einem Compliance-Bericht, hätte aussehen sollen. Bei der Bitemporalität in seinem Fall informiert eine einzelne Datenquelle über mehrere (validierte) Datenansichten, wann sie passiert sind und später mit „Weisheit“. Es ist einfach zu implementieren, nicht kostspielig, und hier erfahren Sie, was Sie darüber wissen müssen.

• Ein Datenmodell sollte Daten über zwei Zeitdimensionen hinweg speichern und deren Analyse ermöglichen – ein bitemporales Datenmodell, d -of“ einer bestimmten Zeit. 
• Dieses Modell speichert mehr als einen Zeitstempel für jede Eigenschaft, jedes Objekt und jeden Wert.
• Datenpunkte können zusammengeführt und verbunden werden – ein „As-of“-Join 

In einer traditionellen Data-Warehouse-Architektur kann eine solche Abstammung kostspielige Datenkopien sowie unzeitgemäße Ineffizienzen und Komplexitäten beim Abruf bedeuten. Dies ist eine Möglichkeit, mit der Cloud-Data-Warehouse-Anbieter Geld verdienen, indem sie mehrere Kopien von Daten verwalten – ein einfacher Ansatz.

Eine einfache Alternative sind einfache Datenmuster mit einem unterstützenden Speicher-/In-Memory-Prozess. Das kann und sollte billig und Python-zentriert sein. Verwenden Sie einfach Zeitstempel (mit Ihren Daten) und As-of-Joins (im Code), um den Prozess unkompliziert zu gestalten und bei Bedarf tief in einzelne Datensätze einzutauchen.

Um Kosten für Ihr Data Warehouse zu sparen, entwickeln Sie es mit etwas einfachem Python und achten Sie dabei auf die In-Memory-Leistung. Es ist weniger Aufwand für die Entwicklung eines teuren Data-Warehouse-Prozesses erforderlich.

Wo nutzen Sie Bitemporalität im Finanzwesen? Nun, Compliance ist ein offensichtlicher Fall. Nehmen Sie zum Beispiel

Spoofing. Spoofing ist im Grunde ein Handelsabsichtsmuster, wenn auch ein betrügerisches, bei dem bestimmte Arten von Geschäften getätigt, aber nicht umgesetzt werden. Der Grund für Deep-Diving-Parodien ist in erster Linie Compliance, aber das Muster von Deep-Dive-Trades, ob erfolgreich, erfolglos, betrügerisch oder einfach nur großartig, kommt auch dem Front Office zugute. Dies wiederum beeinflusst Backtesting und Strategieentwicklung, die auch Zeitvorstellungen umfassen können. Dies liegt daran, dass Strategien, wenn sie in Produktionshandels-, Risiko- oder Portfoliomanagementsysteme einfließen, nur wissen, was vor ihnen liegt, der Backtest jedoch versuchen kann, bekannte Annahmen einzubeziehen, um Risiken zu mindern. Beispiele hierfür sind der Vergleich kurzfristiger Transaktionskosten im Vergleich zu geschätzten, der Vergleich realer und erwarteter kurzfristiger Paarkorrelationen, mittelfristiger Auszahlungen beispielsweise für Derivate und festverzinsliche Instrumente, Dividenden bei Aktien, Aktien-/Sektorkorrelationen im Portfoliomanagement usw längerfristige „Makro“-Markt-/Risikoregime, die von Ökonomen geliebt werden. Zeit – und Bitemporalität – sind wichtig. Die betroffenen Anwendungsfälle machen die Technik viel wertvoller als nur ein einfaches Data-Engineering-Manöver.

Berücksichtigen Sie über die Kapitalmärkte hinaus Zahlungen. Beispielsweise werden über Aktionen auf einem Zahlungsgerät Transaktionen zentral gemeldet. Was zum Zeitpunkt der Transaktion bekannt ist, wird dann durch Informationen, beispielsweise die des Kunden, aktualisiert. Die Betrugserkennung ist hierfür ein offensichtlicher Anwendungsfall, und dieser muss zeitnah erfolgen. Intelligente Zahlungsdaten werden zu einem bestimmten Zeitpunkt verarbeitet, aber angepasst, um die Datenqualität zu verbessern und nachgelagerte Ereignisse zu informieren. Die Verwendung eines bitemporalen Datenmodells für die Stamm- und Zeitreihendaten hilft bei der Verwaltung von Point-in-Time-Aktivitäten.

Zusammenfassend lässt sich sagen, dass eine möglicherweise kostspielige, „stark regulierte“ lineare Transformation der Lagerherkunft mit einigen vernünftigen Analysen und einem Einfühlungsvermögen in reale Anwendungsfälle vereinfacht werden kann. Bitemporalität ist durchaus einen Blick wert.

• SEO-gestützte Content- und PR-Distribution. Holen Sie sich noch heute Verstärkung.
• PlatoData.Network Vertikale generative KI. Motiviere dich selbst. Hier zugreifen.
• PlatoAiStream. Web3-Intelligenz. Wissen verstärkt. Hier zugreifen.
• PlatoESG. Kohlenstoff, CleanTech, Energie, Umwelt, Solar, Abfallwirtschaft. Hier zugreifen.
• PlatoHealth. Informationen zu Biotechnologie und klinischen Studien. Hier zugreifen.
• Quelle: https://www.finextra.com/blogposting/25203/bitemporality-helping-lower-costs-for-financial-services-use-cases?utm_medium=rssfinextra&utm_source=finextrablogs