Dass die Umsätze der Schnellrestaurantkette Chipotle Mexican Grill einbrechen würden, war Foursquare, einem Anbieter von Location Intelligence, lange vor Bekanntgabe der Quartalszahlen bekannt. Sie hatten dazu mobile Daten zum Fußgängerverkehr rund um die Restaurants gesammelt und ausgewertet.

Bewegungsdaten für Investments

Wie viele Menschen ein Restaurant besucht haben, lässt sich aus Bewegungsdaten von mobilen Apps analysieren. Von da ist es kein weiter Weg bis zur Einschätzung der aktuellen Umsatzzahlen.

Partner des Bank Blogs

Daten, vor allem alternative Daten, spielen bei Investments eine immer größere Rolle. In den vergangenen Jahren haben daher immer mehr Vermögensverwalter begonnen, konventionelle Finanzdaten mit alternativen Daten zu kombinieren und ihre Handelsstrategien so mit zusätzlichen Erkenntnissen angereichert. Doch der Informationsvorsprung durch die Nutzung alternativer Daten schrumpft, wenn diese Quellen allgemein verstanden und akzeptiert werden. Mit anderen Worten: Je mehr Firmen ähnliche alternative Datenquellen verarbeiten und auswerten, umso schneller verfällt das „Alpha” (also die Abweichung der Wertentwicklung eines Investments von der Entwicklung des Benchmarks wie z.B. dem DAX).

Um den „Alpha-Schwund” (Alpha Decay) abzuwenden, ist es wichtig, zu verstehen, wie alternative Daten zu einer Investment-Strategie beitragen und sich zu vergewissern, dass die Daten aus den richtigen Motiven heraus angewendet werden. Darüber hinaus müssen Integrität der zugrunde liegenden Daten sichergestellt und optimierte Modelle genutzt werden, um am Ende schnell zu informierten Entscheidungen zu kommen.

Mit Fußgängerdaten zum Erfolg

Alternative Daten kommen meist aus Datenquellen, die einerseits neue Informationen liefern und es andererseits ermöglichen, bereits bestehende Daten neu auszuwerten. Der Zweck alternativer Daten ist, zu einer Strategie zusätzliche und verwertbare Erkenntnisse beizusteuern, bevor sie weitgehend verstanden und allgemein genutzt werden. Eine Strategie mit alternativen Daten kann alle möglichen Nicht-Finanzdaten beinhalten wie etwa Fußgängerverkehr, Energieangebot und -nachfrage, das Wetter, Satellitenbilder oder Telekommunikationsdaten.

Ein Beispiel verdeutlicht das Potenzial: Im April 2016 hat Foursquare, Anbieter von Location Intelligence, vorhergesagt, dass die Verkaufszahlen der amerikanischen Schnellrestaurantkette Chipotle Mexican Grill im ersten Quartal um fast 30 Prozent einbrechen würden. Die Einschätzung beruhte auf Daten zum Fußgängerverkehr, die mobile Apps gesammelt hatten. Als zwei Wochen später die Restaurantkette genau diesen Rückgang bekannt gab, fiel die Aktie um 6 Prozent. Mit Hilfe solch alternativer Daten können also einzigartige und zeitnahe Erkenntnisse zu Markttrends gefunden werden, die Kauf- oder Verkaufssignale liefern, die kein anderer Wettbewerber zur Verfügung hat.

Aber alternative Daten helfen nicht nur bei Investmentenscheidungen. In einer kürzlich veröffentlichten Studie von Greenwich Associates gaben 88 Prozent der Fondsmanager an, dass sie Investoren ihre Trading-Strategien gerne anschaulich demonstrieren. Aktuell verwenden bereits 95 Prozent dieser Fondsmanager zur Verdeutlichung ihrer Entscheidungen alternative Daten.

Mehrwert lässt sich nur mit Hilfe von Fachspezialisten generieren

Eine weitere interessante Art alternativer Datenquellen sind Sentiment-Analysen. Mit Hilfe moderner Textanalysen ziehen beispielsweise Cloudera und Arcadia Data, Anbieter von Visualisierungssoftware, wertvolle Informationen aus solchen Datenquellen für ihre Kunden. Dazu gehören veröffentlichte Geschäftsergebnisse, Berichten unabhängiger Analysten und Jahresberichte.

Der Erfolg von alternativen Daten hängt jedoch nicht nur von den verwendeten Algorithmen ab. Teams, die diese Strategie umsetzen, benötigen profundes Wissen zum Markt und zu Produkten sowie analytisches Know-how. Nur so können sie einschätzen, ob ein Signal relevante Informationen zu einer Kaufentscheidung beisteuert und wie sich diese Information am besten umsetzen lässt.

Eine Studie von Eagle Alpha zeigt, dass Daten nur so wertvoll sind, wie die an sie gerichteten Fragen. Die richtigen Fragen zu finden ist ein iterativer und kreativer Prozess, der am besten von Fachspezialisten vorangetrieben wird. Analytics-Teams sind idR. am besten ausgerüstet, um Mehrwerte aus neuen Datentypen abzuleiten, weil sie die historische und geschäftliche Relevanz eines Themas verstehen und schnell feine Disruptionen erkennen, die auf eine Chance hinweisen könnten.

Daten im Ursprungsformat nutzen – Integrität sicherstellen

Qualität geht vor Quantität: Der Erfolg der Algorithmus-Modelle hängt zum großen Teil von der Integrität der zugrunde liegenden Daten ab. Durch Umwandlung der Daten kann deren Bedeutung bei der “Übersetzung“ verloren gehen. Ein Data Lake ist daher die ideale Umgebung, um spezifische Signale zu erfassen und Entscheidungen auf Basis einer großen Bandbreite an historischen alternativen und konventionellen Datenquellen zu treffen. Der Grund: Eine Data-Lake-Architektur verarbeitet sowohl strukturierte als auch unstrukturierte Daten in ihren Ursprungsformaten, speichert und analysiert diese – all das, ohne die Ursprungsdaten zu verändern.

Direkt aus dem Data Lake heraus lassen sich App/ Dashboards erstellen, die sowohl für alternative als auch für konventionelle Datenbestände die ursprünglichen Formate nutzen. Im Zusammenspiel mit einer intuitiven „Self Service” Web-Oberfläche können Fachspezialisten dann mit ihren Teams gemeinsam am großen Ganzen arbeiten. Weil die Daten nicht modifiziert wurden, kann das Team der Integrität seiner Analysen vertrauen. Der Zugriff erfolgt direkt auf den Output der operationalisierten Modelle und nicht auf abstrakte Summierungen.

Vorsprung durch Operationalisierung von Analysen

Die Operationalisierung von Modellen ist wichtig, um die Gesamtkosten für die Ausführung eines Trades zu verringern. Werkzeuge wie Data Science Workbenches helfen dabei, eine effiziente Zusammenarbeit im gesamten Team zu erreichen und Prozesse zu rationalisieren. Mit ihnen lässt sich ein Modell in einer kontrollierten Umgebung schnell operationalisieren, Teams können damit die Vorhersage-Power und das Verhalten ihrer Modelle kontinuierlich überwachen und auch die Kontrolle über die Daten und Einhaltung regulatorischer Vorschriften ist gewährleistet. All dies maximiert die Lebensdauer einer alternativen Datenstrategie.

Fazit: Die Nutzung von alternativen und konventionellen Daten, Auswertungen durch Data Lake und Workbenches, operationalisierte Modelle und spezialisierte Teams – all das kann im Zusammenspiel helfen, den Benchmark Dax & Co. sowie die Konkurrenz zu schlagen.


Dr. Richard Harmon

Dr. Richard Harmon Co-Autor des Beitrags. Er ist als Financial Services Industry Leader bei Cloudera in London tätig. Der Schwerpunkt seiner Arbeit dort war die Nutzung spezifischer Datenquellen und erweiterter Analyseverfahren, um innovative Lösungen zu entwickeln. Nach Studium und Promotion  an der Georgetown University (USA) im Fach Economics war er zunächst für die US-Notenbank tätig. Später hatte er leitende Positionen in verschiedenen Banken und Technologieunternehmen inne.