Le biais d'exploration de données fait référence à une hypothèse d'importance qu'un trader attribue à un événement sur le marché Marchés financiers Les marchés financiers, d'après le nom lui-même, sont un type de marché qui offre une avenue pour la vente et l'achat d'actifs tels que des obligations, des actions , devises et dérivés. Souvent, ils sont appelés par des noms différents, y compris «Wall Street» et «marché des capitaux», mais tous signifient toujours la même chose. c'était en fait le résultat du hasard ou d'événements imprévus. Le biais d'exploration de données, pour de nombreux analystes, est considéré comme une «menace insidieuse» car il peut se faufiler sur les traders et les analystes pendant les processus de recherche qui conduisent les traders et les investisseurs à jouer les jeux qu'ils font sur le marché.
Si le biais d'exploration de données n'est pas identifié et contrôlé, au mieux, cela conduit à des résultats biaisés et à quelques choix imprudents. Dans le pire des cas, cependant, cela peut amener un trader ou un analyste de marché à développer et à suivre une stratégie de trading entièrement imparfaite Six compétences essentielles des maîtres traders Presque tout le monde peut devenir trader, mais être l'un des maîtres traders demande plus que du capital d'investissement et un costume trois pièces. Gardez à l'esprit: il y a une mer d'individus qui cherchent à rejoindre les rangs des maîtres commerçants et à rapporter à la maison le genre d'argent qui va avec ce titre. , ce qui peut être synonyme de désastre financier.
Qu'est-ce que l'exploration de données?
L'exploration de données est un processus séculaire de recherche et d'analyse de quantités substantielles de données ou d'informations. Pour les traders et les analystes de marché, l'exploration de données est le processus par lequel les mouvements du marché sont suivis, modèles Modèles triangulaires - Analyse technique Les modèles triangulaires sont des modèles graphiques courants que tout commerçant devrait connaître. Les modèles triangulaires sont importants car ils aident à indiquer la poursuite d'un marché haussier ou baissier. Ils peuvent également aider un commerçant à repérer un renversement du marché. sont identifiés, et les virages ou changements potentiels dans la direction du marché peuvent être identifiés et traités. C'est l'un des processus les plus importants que les traders et les analystes utilisent pour effectuer les transactions les plus avantageuses.
Le biais d'exploration de données s'installe lentement lorsque des anomalies ou des événements sur le marché reçoivent plus de poids ou d'importance qu'ils ne le méritent. Un commerçant peut agir sur un tel biais et obtenir un résultat négatif - soit par un manque de profit souhaité ou, pire, par la perte de son investissement initial.
La menace la plus réelle avec un tel biais est lorsqu'un ou plusieurs traders construisent toute leur stratégie de trading et planifient des événements de marché mal compris, ce qui entraîne souvent des pertes de temps et financières substantielles.
Comment le biais d'exploration de données se développe
Il y a deux principaux coupables qui conduisent à un biais d'exploration de données - deux aspects qui se produisent pendant le processus d'exploration de données d'un commerçant.
Le premier aspect est la propension au hasard. Simulation de Monte Carlo La simulation de Monte Carlo est une méthode statistique appliquée pour modéliser la probabilité de résultats différents dans un problème qui ne peut être simplement résolu, en raison de l'interférence d'une variable aléatoire. dans un ensemble de données . Lorsqu'un trader examine les données du marché, l'ensemble de données possède intrinsèquement un certain caractère aléatoire - des valeurs aberrantes ou des mouvements qui ne correspondent pas nécessairement aux autres mouvements ou événements du marché.
Les traders tombent parfois dans le piège de l'examen d'une seule valeur aberrante et, parce qu'elle semble déplacée, déterminent qu'elle mérite plus de poids que les autres données de l'ensemble. Agir sur une telle observation peut s'avérer profitable au moins dans un premier temps.
C'est là qu'intervient le deuxième problème de partialité; les commerçants deviennent biaisés sur le fait qu'à un moment donné, ils ont agi sur une valeur aberrante et cela s'est avéré fructueux. Malheureusement, cela peut les amener à conclure, par conséquent, que toutes les valeurs aberrantes doivent avoir une certaine importance ou une grande importance.
Le problème est également connu sous le nom de comparaison séquentielle ou de sélection séquentielle - choisir une valeur aberrante ou une valeur aberrante similaire encore et encore, en supposant qu'elle détient le même type de signification que la première. La réalité est que plus le trader sélectionne ou agit sur des valeurs aberrantes, plus la probabilité de probabilité d'importance des données aberrantes est faible et faible.
Points clés à retenir
La technologie étant ce qu'elle est aujourd'hui, les traders et les analystes sont en mesure d'utiliser une variété d'outils et de programmes, ce qui signifie que les informations ou les ensembles de données auxquels ils peuvent accéder sont massifs.
Posséder beaucoup d'informations peut être une bonne chose. Cependant, plus il y a de données à exploiter, plus il y a de chances qu'un biais d'exploration de données se produise. Il est important que les traders et les analystes soient conscients du potentiel de biais et de garder leurs stratégies sous contrôle avant de faire des jeux importants.
Ressources supplémentaires
Finance est le fournisseur officiel du programme de certification FMVA® Global Financial Modeling & Valuation Analyst (FMVA) ™. . Pour continuer à apprendre et faire progresser votre carrière, les ressources financières supplémentaires ci-dessous vous seront utiles:
- Actifs de données Actifs de données Les actifs de données font référence à un système, un fichier de sortie d'application, un document, une base de données ou une page Web que les entreprises utilisent pour générer des revenus. Les actifs de données font partie des
- Sources de données dans la modélisation financière Sources de données dans la modélisation financière La collecte et l'utilisation des bonnes sources de données dans la modélisation financière sont essentielles au succès d'une entreprise. La modélisation financière nécessite la collecte et
- Méthodes de prévision Méthodes de prévision Principales méthodes de prévision. Dans cet article, nous expliquerons quatre types de méthodes de prévision des revenus que les analystes financiers utilisent pour prédire les revenus futurs.
- Analyse quantitative Analyse quantitative L'analyse quantitative est le processus de collecte et d'évaluation de données mesurables et vérifiables telles que les revenus, la part de marché et les salaires afin de comprendre le comportement et les performances d'une entreprise. À l'ère de la technologie des données, l'analyse quantitative est considérée comme l'approche privilégiée pour prendre des décisions éclairées.
