Альтернативные данные

Альтернативные данные (англ. alternative data, alt data) — это информация, получаемая из нестандартных, нетрадиционных источников, которая используется для принятия инвестиционных, управленческих или аналитических решений, в отличие от классических данных (финансовая отчётность, макроэкономическая статистика, биржевые котировки). Альтернативные данные характеризуются высокой детализацией, оперативностью получения и часто неструктурированным форматом, что позволяет выявлять скрытые закономерности и получать конкурентное преимущество.

История

Термин «альтернативные данные» вошёл в широкий обиход в начале 2010-х годов, хотя отдельные их виды использовались и ранее. Первоначально трейдеры и аналитики применяли спутниковые снимки для оценки урожайности сельскохозяйственных культур или количества автомобилей на парковках торговых центров. С развитием цифровых технологий, интернета вещей и больших данных (Big Data) объём доступных альтернативных данных резко возрос.

В 2010-х годах инвестиционные фонды, особенно хедж-фонды, начали систематически закупать данные о транзакциях по кредитным картам, геолокации мобильных устройств, настроениях в социальных сетях и веб-трафике. К 2020-м годам рынок альтернативных данных превратился в многомиллиардную индустрию, охватывающую сотни поставщиков и тысячи клиентов по всему миру.

Классификация

Альтернативные данные классифицируют по нескольким признакам:

По источнику получения

• Данные о транзакциях — информация о покупках по кредитным и дебетовым картам, электронные чеки, данные платёжных систем. Позволяют оценить реальные потребительские расходы компаний и секторов экономики.
• Данные о геолокации — трекинг перемещений мобильных устройств, данные GPS-навигаторов, сигналы Wi-Fi и Bluetooth. Используются для анализа посещаемости магазинов, ресторанов, офисов, транспортных потоков.
• Веб-скрейпинг — автоматизированный сбор данных с веб-сайтов: цены, ассортимент, отзывы, вакансии, новости. Позволяет отслеживать динамику рынка и активность конкурентов.
• Данные из социальных сетей и медиа — тональность упоминаний брендов, частота обсуждений, тренды. Применяются для оценки репутации и прогнозирования спроса.
• Спутниковые снимки — изображения Земли из космоса, позволяющие оценивать урожайность, строительство, запасы сырья (например, уровень нефти в резервуарах).
• Данные сенсоров и интернета вещей — показания датчиков промышленного оборудования, умных счётчиков, метеостанций, трекеров логистики.
• Данные о занятости — обезличенные данные из резюме, объявлений о вакансиях, корпоративных баз сотрудников. Позволяют оценивать найм и увольнения в реальном времени.

По структуре

• Структурированные — данные, организованные в таблицы и базы данных (например, транзакции, цены).
• Неструктурированные — текст, изображения, видео, аудио (например, посты в соцсетях, спутниковые снимки).
• Полуструктурированные — данные с частичной организацией (например, JSON-файлы, XML-документы).

По способу получения

• Первичные — собираются напрямую из источника (например, данные сенсоров).
• Вторичные — агрегируются и обрабатываются поставщиками (например, индексы потребительских настроений на основе соцсетей).

Применение

Финансовый сектор

Основное применение альтернативных данных — в инвестиционном анализе и управлении активами. Хедж-фонды, инвестиционные банки и управляющие компании используют их для:

• Прогнозирования доходов компаний — анализ данных о продажах, трафике, найме сотрудников позволяет оценить финансовые результаты до публикации официальной отчётности.
• Оценки рыночных трендов — мониторинг потребительских настроений, цен конкурентов, регуляторных изменений.
• Управления рисками — выявление ранних признаков кризисов, дефолтов, санкционных рисков.
• Альфа-генерации — поиск недооценённых или переоценённых активов на основе неочевидных данных.

Другие отрасли

• Розничная торговля — оптимизация ассортимента, ценообразования, логистики на основе данных о спросе и поведении покупателей.
• Сельское хозяйство — прогнозирование урожайности, планирование посевов и уборки по спутниковым снимкам и метеоданным.
• Логистика и транспорт — оптимизация маршрутов, прогнозирование загрузки складов и портов.
• Страхование — оценка рисков на основе данных о поведении водителей (телематика), состоянии здоровья (носимые устройства).
• Маркетинг и реклама — таргетирование аудитории, измерение эффективности кампаний.

Технологии обработки

Для работы с альтернативными данными применяются технологии больших данных (Big Data), машинного обучения (Machine Learning), искусственного интеллекта (AI) и облачных вычислений. Основные этапы обработки включают:

• Сбор — автоматизированный сбор из различных источников (API, веб-скрейпинг, потоковая передача).
• Очистка — удаление шума, дубликатов, ошибок, приведение к единому формату.
• Анализ — статистический анализ, построение моделей, визуализация.
• Интеграция — объединение с традиционными данными (финансовая отчётность, макроэкономика).

Правовые и этические аспекты

Использование альтернативных данных связано с рядом правовых и этических проблем:

• Конфиденциальность — многие данные (геолокация, транзакции) содержат персональную информацию. В России действует Федеральный закон «О персональных данных» № 152-ФЗ, требующий согласия субъекта на обработку.
• Инсайдерская информация — использование данных, полученных незаконным путём или с нарушением договорных обязательств, может быть признано инсайдерской торговлей.
• Интеллектуальная собственность — скрейпинг данных с веб-сайтов может нарушать авторские права или условия использования.
• Дискриминация — модели на основе альтернативных данных могут усилить предвзятость (например, отказ в кредите по геолокации).

Рынок альтернативных данных

Рынок альтернативных данных активно растёт. По оценкам аналитических компаний, его объём в 2023 году превысил 5 миллиардов долларов США, а к 2030 году может достигнуть 20–30 миллиардов. Крупнейшими поставщиками являются компании Neudata, Eagle Alpha, YipitData, Thinknum, а также специализированные подразделения технологических гигантов (например, Amazon Web Services, Google Cloud). Основные потребители — хедж-фонды (около 60% рынка), инвестиционные банки, пенсионные фонды, страховые компании.

Критика

Критики альтернативных данных указывают на:

• Высокую стоимость — качественные данные требуют значительных инвестиций в сбор и обработку.
• Низкое качество — многие данные содержат шум, ошибки, смещения, что снижает точность прогнозов.
• Отсутствие стандартизации — разные поставщики используют разные методики, что затрудняет сравнение.
• Риск «ложных корреляций» — нахождение статистически значимых, но бессмысленных связей (например, между продажами мороженого и уровнем преступности).
• Этическую неоднозначность — сбор данных без ведома пользователей, использование данных для манипуляции рынками.

Перспективы

Развитие альтернативных данных связано с ростом вычислительных мощностей, совершенствованием алгоритмов машинного обучения и увеличением числа цифровых следов. Ожидается, что в будущем альтернативные данные станут неотъемлемой частью стандартного аналитического инструментария, а их использование будет регулироваться более чёткими правовыми нормами.

Источники

• Федеральный закон «О персональных данных» от 27.07.2006 № 152-ФЗ (ред. от 06.02.2023).
• «Alternative Data: How to Use Non-Traditional Data Sources for Investment Analysis» — CFA Institute Research Foundation, 2020.
• «The Rise of Alternative Data» — Harvard Business Review, 2019.
• «Alternative Data: A Comprehensive Guide» — Neudata, 2022.
• «Big Data and Alternative Data in Finance» — Journal of Financial Data Science, 2021.