Τα μεγάλα δεδομένα βρίσκονται στην αιχμή του δόρατος την χρονική περίοδο που διανύουμε καθώς διαδοχικά οι μεγάλες επιχειρήσεις διεθνώς υιοθετούν τεχνολογίες συλλογής δεδομένων ,επεξεργασίας τους, μελέτης των συμπεριφορών και εξαγωγής συμπερασμάτων αναφορικά με τις τάσεις και τις προτιμήσεις του κοινού. Τα μεγάλα δεδομένα συντελούν στην επίτευξη των στρατηγικών στόχων των επιχειρήσεων καθώς επιδρούν στην αύξηση της διείσδυσης τους σε μεγαλύτερα κομμάτια της αγοράς και στην εδραίωση της θέσης τους με την δημιουργία συγκριτικού πλεονεκτήματος έναντι των ανταγωνιστών. Η εφαρμογή τους δεν εξαντλείται σε επιχειρησιακό επίπεδο καθώς είναι ποικίλα τα πεδία υλοποίησής τους σε άλλους τομείς της οικονομικής και κοινωνικής ζωής. Σε επίπεδο τραπεζικής και χρηματοοικονομικής τα μεγάλα δεδομένα σε συνδυασμό με την χρήση αλγορίθμων και υποστηρικτικών διανυσματικών μηχανών ενισχύουν την θέση του πιστωτικού ιδρύματος έναντι του ανταγωνισμού, αυξάνουν την αποδοτικότητά του, βελτιώνουν την εξυπηρέτηση της πελατείας . Επιπρόσθετα συντελούν στην προστασία από πιστωτικούς λειτουργικούς και συστημικούς κινδύνους. ενώ συμβάλλουν στην κανονιστική συμμόρφωση και στην διαδικασία εσωτερικού ελέγχου. Για την ολοκλήρωση της παρούσας εργασίας , με βάση την υπάρχουσα βιβλιογραφία και αρθρογραφία, μελετήθηκε η επίπτωση του ημερήσιου δείκτη όγκου αναζήτησης από το εργαλείο τάσεων της Google στις ημερήσιες τιμές κλεισίματος , τις ημερήσιες αποδόσεις, την ημερήσια μεταβλητότητα και τον ημερήσιο όγκο συναλλαγών στις μετοχές τεσσάρων ιδιωτικών ευρωπαϊκών τραπεζών για το διάστημα 2007 έως και 2009. Με την διενέργεια πολλαπλών γραμμικών παλινδρομήσεων διαπιστώθηκε ,παρά την φύση της χρονικής περιόδου υπό εξέταση και λοιπών περιορισμών της έρευνας, ότι ο δείκτης όγκου αναζήτησης μπόρεσε να προβλέψει την ημερήσια τιμή κλεισίματος σε δύο από τα τέσσερα πιστωτικά ιδρύματα καθώς επίσης και τον όγκο συναλλαγών σε ένα πιστωτικό ίδρυμα υπό εξέταση.
Abstract
Big Data are, despite being a buzzword, in the peak of spear in the current time period as large corporations internationally are adopting new technologies concerning data collection , data processing, as well as behavioral analysis regarding consumer tendencies and preferences . As it is proven empirically, Big Data contribute in the achievement of strategic objectives within a corporation via increasing market infiltration and the consolidation of an enterprise ‘s place in the market while they create a comparative advantage against competition. Βig Data are not limited to operational level, as their application is extended to various fields of economic and social life. The adoption of Big Data analytics in banking and financial activities, combined with algorithms and support vector machines, strengthens the position of the credit institution against competition, increase its profitability and significantly improve customer service as well as customer satisfaction and loyalty. Furthermore, the employment of Big Data can contribute to a bank’s protection against credit, operational and systemic risks, while contributing to its regulatory compliance and auditing procedures. For the completion of this dissertation , according to existing bibliography, we studied the impact of daily search volume index ,an on- line tool provided by Google , on daily closing prices, daily returns, daily volatility and daily trading volume in the stocks of four private European banks for a period involving the years 2007 to 2009. With the implementation of multiple linear regressions, despite the period under examination and other limitations existing , the results prove that google search index can predict the daily closing price in two out of four credit institutions ,as well as the trading volume in one credit institution under examination.
