Big Data en el Mercado de Materias Primas

Durante la década de 2000, las materias primas eran los valores preferidos de Wall Street y otros centros financieros. Una clase de activos relativamente no correlacionados que han tenido una convincente historia de suministro y demanda; por ello, los inversores que buscaban oportunidades fuera de los mercados de capitales desarrollaron un gran interés hacia todo lo que fuera cultivado o extraído de la tierra. El resultado fue una gran afluencia de capital en ese sector y el interés de todos los bancos importantes de EE.UU, Canadá y Europa.

Las materias primas aportaban tres beneficios a cualquier cartera de inversión: diversificación, protección frente a la inflación y exposición al crecimiento mundial.  Sin embargo, la crisis alimentaria mundial (2007-2008)  y la subida de los precios del petróleo en 2010-2011 hizo que los precios internacionales de las materias primas experimentaran profundos vaivenes. El índice Bloomberg/UBS Commodity perdió un 30% entre 2010 y 2013 al frenarse la demanda tanto en el mundo desarrollado como en el emergente.

Los mercados están, quizás, más que nunca, en proceso de cambio, siendo impulsado por una rápida reorganización de patrones del comercio mundial, un marco regulador revisado, la transparencia de precios, el crecimiento chino más lento y un mercado globalizado junto con las inversiones en energías renovables, el esquisto bituminoso, el gas y GNL.

Cuota China Mercado Commodities

Consensodelmercado.com

Pero hay una nueva fuerza dinámica que se acelera a un ritmo que nunca hemos visto antes en la historia humana: Big Data.  En 2003, Mark Liberman, lingüista de la Universidad de Pennsylvania, calculó que toda el habla humana estaría comprendida en 42 zettabytes. Si se reúne la información procedente de diversas fuentes (internet, whatsapp, sms, etc) las previsiones actuales indican que en 2020 se crearían alrededor de 40 zettabytes por año. Esta asombrosa cantidad de datos es conocida como Big Data.

En los primeros días de comercialización de gas natural, los datos más importantes eran volumen y precio. Al evolucionar la industria del comercio de materias primas se generaron más y más datos internos provenientes del exterior  y muchos de esos datos son muy complejos. Los datos de comercio de productos básicos ahora comprenden series de tiempo, estructuras de precios, términos del contrato, documentos e imágenes de los documentos, registros de mensajería instantánea, registros telefónicos y muchos más datos no estándar. Al existir ahora mayor atención regulatoria en la transparencia, podemos esperar que haya más y más datos de todo tipo que serán capturados, analizados y reportados.

Las empresas consideran cada vez mas a las redes sociales como una fuente importante de información sobre el mercado y están incorporando estas fuentes en la formación de estrategias. Con las redes sociales generando cada minuto grandes cantidades de datos, combinadas con los blogs (de profesionales o aficionados), el flujo de información puede llegar a ser abrumador. Dado que sólo una mínima cantidad de estos “datos” puede ser de utilidad para los comerciantes, es muy difícil identificar la señal clara en este ruido masivamente abrumador. Sin embargo, dentro de ese ruido pueden haber información valiosa como el clima y las condiciones locales de emergencia, twitteado por los residentes en una determinada área, o interrupciones de transporte en una zona de producción que pueden tener un impacto en la formación de precios debido a la disponibilidad de alimentación reducida. Los medios sociales podrían incluir igualmente los blogs de los agentes de bolsa, que podrían ayudar a identificar una oportunidad transitoria o activar la formación de una nueva estrategia comercial.

La fiabilidad de las redes sociales, sin embargo, es problemática, ya que la mayor parte de la opinión está basada en poco o ningún análisis de los hechos (y hay un número casi infinito de fuentes). A pesar de ello, hay una serie de empresas que ya ofrecen productos derivados de datos de redes sociales. Compañías tales como Reuters o Bloomberg ofrecen sus servicios para ayudar a los comerciantes a hacer uso de las redes sociales. Estas herramientas, dirigidas principalmente a la renta variable, tienen como objetivo automatizar transacciones basadas en análisis de  sentimiento derivado de las redes sociales y la blogosfera. Esto no es nuevo, y se ha utilizado durante muchos años en los dominios gubernamentales de defensa, la renta variable y el campo de productos de gran consumo con un éxito razonable. En términos generales, el análisis de  sentimiento analiza los comentarios de las redes sociales y otros medios para identificar la actitud, sentimiento u opinión hacia un hilo de conversación sobre un producto, empresa, marca, acciones, etc., mediante el uso de variables como el contexto, el tono y la emoción. También se puede recurrir a medios como YouTube o Instagram, para analizar el número de “me gusta”. Una investigación realizada en 2010 mostró que la mención en las redes sociales de una marca tiende a correlacionarse con el precio de sus acciones.

En el siguiente diagrama, en el que el sistema de DataGenic Noticias Analytics analiza mensajes y noticias de Twitter, se muestra el seguimiento de más de 240 países, más de 8000 empresas y más de 35 temas relacionados con el comercio de materias primas, que refleja el sentimiento del mercado para China en el tema petróleo . En un periodo de cinco horas hay una cierta volatilidad en los feeds de Twitter,  sin embargo, es bastante plano. El sentimiento es marginalmente negativo sobre China y el petróleo, que por inferencia es un tanto pesimista acerca de la dirección del mercado.

Oil Price and Market Sentiment for China

datagenicgroup.com

Hacer frente a la avalancha de datos de todas estas fuentes es un problema creciente y   nuevas tecnologías han surgido para hacer frente a esta demanda.  Hadoop, NoSQL MongoDB, TeraData, Apache HBase y DataStax, ofrecen alternativas más eficaces a los sistemas de bases de datos y archivos tradicionales; bases de datos analíticas tales como Vertica, Teradata, Vectorwis y Business Intelligence (BI) y herramientas como QlikView, Tableau Software, IBM Cognos y SAP Business Objects ayudan a proporcionar algunas técnicas de visualización notables para representar grandes volúmenes de datos no estructurados.

En una coyuntura dominada por un incierto panorama para las materias primas y por la ralentización económica a nivel mundial, la posibilidad de tener éxito en el futuro depende, cada vez más, de las tecnologías comerciales  utilizadas para hacer frente a los grandes retos.

En 2006 el investigador de mercado Clive Humby declaró a los datos como el “nuevo petróleo”. El tiempo parece estar dándole la razón.

Anuncios

Responder

Introduce tus datos o haz clic en un icono para iniciar sesión:

Logo de WordPress.com

Estás comentando usando tu cuenta de WordPress.com. Cerrar sesión /  Cambiar )

Google+ photo

Estás comentando usando tu cuenta de Google+. Cerrar sesión /  Cambiar )

Imagen de Twitter

Estás comentando usando tu cuenta de Twitter. Cerrar sesión /  Cambiar )

Foto de Facebook

Estás comentando usando tu cuenta de Facebook. Cerrar sesión /  Cambiar )

w

Conectando a %s