data science in finance voorbeelden en trends

In de wereld van finance zijn analyses en data niet nieuw, het is daarom niet vreemd dat juist de laatste jaren binnen finance een verschuiving plaatsvindt waarbij data-analyse, software engineering en statistiek, kortom data science, een steeds belangrijkere rol gaan spelen. De verandering is dusdanig groot dat er voor bedrijven die op het snijvlak van technologie en finance opereren zelfs een nieuwe naam is bedacht: fintech.

Ontslagen en reorganisaties bij banken zijn aan de orde van de dag, maar het aantal data-analisten en data scientists neemt alleen maar toe. Voor de grote bedrijven is het dus duidelijk, de toekomst van finance is verbonden aan data science.

In deze blog gaan we in op een aantal ontwikkelingen die dit verklaren en leggen we je uit waarom het een wellicht een goed idee is om je te laten opleiden tot data scientist indien je in de financiële sector werkzaam bent.

Data science in finance trend #1: geautomatiseerde analyses

Finance en automatisering zijn een gouden combinatie, aangezien nagenoeg alle processen in en rondom finance administratief zijn: alles is data in systemen die op een manier verwerkt moet worden. Het automatiseren van financiële processen is niet nieuw, maar het automatiseren van analyses in meerdere mate wel.

Deze automatisering kent twee voordelen: allereerst bespaar je tijd omdat je minder handmatig werkt hoeft te doen, maar belangrijker is dat wanneer analyses eenmaal geautomatiseerd zijn je op elk moment van de dag alle wenselijke informatie tot je beschikking kan hebben, waardoor je uiteindelijk betere (financiële) beslissingen kunt nemen.

Tot voor kort was dit vrij lastig. Financiële analyses zijn namelijk complex: datasets zijn groot, er moeten vele berekeningen gebaseerd op allerlei regels worden verricht, meerdere databronnen moeten op verschillende manieren met elkaar gecombineerd worden, etc.  Momenteel zien wij dat deze analyses nog vaak in Excel gebeuren, maar dat wordt bij complexe analyses lastig: grote datasets verwerken wordt lastig, veel tabbladen verwijzen naar elkaar en de foutgevoeligheid neemt toe.

De laatste jaren worden analyses meer en meer in Python gedaan in plaats van Excel (zie ook: Python vs Excel). Dat heeft meerdere redenen: je kan gemakkelijk reproduceerbare code schrijven en kan je dankzij packages als pandas op een goede wijze tabulaire data combineren en hierop logica toepassen. Daarnaast kan je complexere berekeningen uitvoeren via packages als NumPy.

Complexe analyses automatiseren zonder dat je aanloopt tegen beperkingen zoals bij Excel is daardoor relatief eenvoudig en dit opent nieuwe mogelijkheden.

Wil jij verder met data science in finance? Neem contact op voor een in-house training of schrijf je in voor een van onze open trainingen.


Data science in finance trend #2: risk analytics

Voor investeerders en portfolio managers is risk management cruciaal, waarbij het doel is om onzekerheid zoveel mogelijk uit te bannen. Uiteraard kan je dat het beste doen door optimaal gebruik te maken van data, dit wordt ook wel risk analytics genoemd.

Risk analytics kan op meerdere manieren. Indien je een portfolio beheert, zou het een goed idee zijn om de rendementen van je portfolio te vergelijken met andere trends in de markt. Ook hiervoor is Python zeer geschikt, je kan namelijk met elke gewenste databron verbinden. Zo kan je bijvoorbeeld web scraping gebruiken om financiële data op te halen of kan je middels publieke API’s zoals AlphaVantage time series ophalen van allerlei aandelen.

Instellingen kunnen ook interne data gebruiken om risico’s te reduceren. Veel banken gebruiken steeds geavanceerde algoritmes om te kijken of klanten kredietwaardig zijn. Deze algoritmes zijn veelal gebaseerd op supervised machine learning. Simpel gezegd gebruik je in dit geval historische data om te achterhalen hoe groot de kans is dat een klant mogelijk in de problemen komt bij het terugbetalen.

Data science in finance trend #3: fraude detectie

Met name banken staan de afgelopen jaren onder druk om fraude tegen te gaan, banken kunnen fikse boetes krijgen wanneer ze hier nalatig in zijn. Niet zo vreemd daarom dat banken volop data scientists werven tegen goede salarissen, want dat verdien je snel terug als je zo’n boete voorkomt.

Fraude detectie is een vraagstuk waarbij machine learning erg goed van pas komt. In de vele data die banken verzamelen kunnen patronen zichtbaar zijn die algoritmes kunnen herkennen. Ook hierbij kan de technische implementatie uitdagend zijn, omdat banken de fraude het liefst zo vroeg mogelijk detecteren moeten deze algoritmes ingebakken zitten in de processen met een goede performance. 

Wanneer je kijkt naar hoe je data scientist wordt, zie je dat hierin ook een belangrijke rol voor ‘computer science’ is weggelegd. Dat is met name van belang bij dit soort oplossingen, je moet immers niet alleen een algoritme maken, het algoritme moet ook stabiel en betrouwbaar draaien binnen de bestaande it-systemen. Programmeerkennis dus zeer belangrijk.

Data science in finance trend #4: real-time analytics

Het daadwerkelijk doen van financiële transacties is uiteindelijk essentieel. Hierbij is timing belangrijk: prijzen fluctueren continu en wat nu een goede deal lijkt kan over enkele minuten al een slechte deal zijn. Je wilt dus real-time analyses uitvoeren op je beschikbare data. Nederlandse bedrijven als Flowtraders en Optiver spelen hierop in. Op dit soort bedrijven wordt dan ook vaak gedoeld wanneer er in de media over fintech gesproken wordt. 

Met name computer science is hierbij relatief belangrijk: software zodanig programmeren dat je met zo min mogelijk vertraging de juiste beslissing neemt is cruciaal. Daarnaast kan je gebruik maken van machine learning modellen (die ook weer zo snel mogelijk moeten zijn) om continu de beste inschatting te maken.

Conclusie

De financiële sector kent een enorme potentie voor data science. Aangezien alle data in de systemen zit is het niet ondenkbaar dat over enkele jaren het merendeel van de werknemers bij banken of verzekeraars software engineers en data scientists zijn. Finance betekent immers data en data betekent data science.

Wil je hier graag zelf mee aan de slag?

Bekijk dan eens onze Python cursus voor data science, onze machine learning training, of voor onze data science opleiding en leer met vertrouwen te programmeren en analyseren in Python. Nadat je een van onze trainingen hebt gevolgd kun je zelfstandig verder aan de slag. Je kunt ook altijd even contact opnemen als je een vraag hebt.

Download één van onze opleidingsbrochures voor meer informatie

by: