Kaum vorstellbare und von Menschen schon gar nicht kontrollierbare Datenmengen werden täglich in der Onlinewelt erzeugt: mehr als 500 Millionen Nachrichten werden über Twitter verbreitet und rund 3 Milliarden Suchanfragen auf Google gestellt. Vergleicht man diese schon schwer vorstellbaren Zahlen mit Informationen, die von Börsen verteilt werden, erscheint die Höhe jedoch in einem anderen Licht.

Der Wert der Finanzinformationen liegt nicht allein in ihrer schieren Masse

Allein die Deutsche Börse verteilt jeden Tag bis zu 4 Milliarden Kursinformationen; weltweit dürfte es um mindestens 25 Milliarden Kursinformationen täglich gehen. Dabei galt und gilt schon immer das Primat der Schnelligkeit und Korrektheit. Legendär ist die Geschichte um den Informationsvorsprung der Rothschilds durch Brieftauben nach der Schlacht von Waterloo. Heute sorgen die außerordentlich hohen Datenmengen dafür, dass Schlagworte und Technologien der modernen Datenverarbeitung wie „Big Data“ und „Machine Learning“ breiten Einzug in die Finanzindustrie gefunden haben. Eines sollte dabei nicht übersehen werden: Der Wert der Finanzinformationen liegt aber nicht allein in ihrer schieren Masse. Hintergrund ist der Wandel, der sich in der Finanzindustrie in den vergangenen Jahren vollzogen hat und sich mit verstärkter Dynamik in den nächsten Jahren fortsetzen wird: die radikale Automatisierung des traditionellen Wertpapierhandels. Softwareentwickler und Data Scientists ersetzen mehr und mehr die klassischen Händler. Ein Beispiel hierfür ist die Ablösung von 600 Aktienhändlern bei einer großen US-Investmentbank durch 200 Softwareentwickler. Dieser Wandel betrifft nicht nur den Wertpapierhandel, sondern auch die Investmentindustrie. Mittlerweile haben sich dort mit Robo-Advisor-Services neue Geschäftsmodelle etabliert, in denen Investitionsentscheidungen ausschließlich automatisiert getroffen werden.

Alle diese automatisierten Handelsmodelle und Investitionsalgorithmen sind auf Daten als Basis angewiesen. Zwischen den verfügbaren Daten gibt es jedoch große Unterschiede, die oft erst auf den zweiten Blick deutlich werden, die aber im optimierten Handel der heutigen Zeit eine wesentliche Rolle spielen.
Erstens: Kursdaten an verschiedenen Handelsplätzen entstehen oft nicht exakt gleichzeitig. Die Preisbildung findet oft nur an einem Markt statt, die anderen Märkte replizieren nur die Bewegungen am Ursprungsmarkt. Zweitens spielen für den professionellen Teilnehmer neben der Zeitdifferenz auch Unterschiede in der Qualität der Daten, sprich Verlässlichkeit und Granularität der Daten, eine entscheidende Rolle. Für professionelle Händler bietet der Einblick in das gesamte Orderbuch einen Mehrwert, der weit über die letzten Geld-Brief-Kurse hinausgeht.

Drittens: Die klassischen, reinen Börsendaten werden zunehmend auch von zwei weiteren Kategorien ergänzt, die als Basis für Handelsalgorithmen herangezogen werden. Zum einen geben sogenannte alternative Daten Indikationen für Handels- und Investmentopportunitäten. Oft genanntes Beispiel sind hier die automatisierten Analysen von Satellitenbildern über die Nutzung von Parkplätzen vor Einkaufszentren, um Umsatzerwartungen vorherzusagen. Sentimentanalysen aus sozialen Netzwerken und anderen öffentlichen Quellen sind andere Beispiele. Zum anderen nimmt die quantitative Analyse und Aggregation von (vor allem) großen Datenmengen zu. Die Fortschritte bei der Anwendung von künstlicher Intelligenz und verwandter Methoden ermöglichen eine verbesserte Mustererkennung und damit ein vertieftes Verständnis von Marktstrukturen. Diese „Analytics“ und alternativen Daten ergänzen die Börsenrohdaten und geben oft einen tieferen und verbesserten Einblick in die aktuellen Marktstrukturen.

Börsen und spezialisierte Anbieter reflektieren diese Trends und Anforderungen mit einem Ausbau ihres Angebots. Sie reagieren auf den massiv gestiegenen Bedarf an Daten und Metriken und investieren in neue Services, mit denen Handelsteilnehmer das Marktgeschehen und Strukturen schneller und detaillierter analysieren können, die bisher nur wenigen, sehr spezialisierten Marktteilnehmern vorbehalten waren. Für uns als Marktinfrastrukturanbieter ergeben sich daraus zwei Anforderungen. Einerseits müssen wir die schiere Masse an Informationen jederzeit und unabhängig von der Marktlage mit geringer Latenz prozessieren und verteilen können. Um dies zu erfüllen, muss eine aufwendige und doppelt gesicherte technische Infrastruktur aufgebaut und betrieben werden. Denn wir müssen sicherstellen, dass auch an Tagen mit hohen Volumina und hoher Volatilität tausende von Kursinformationen pro Sekunde ungehindert fließen können. Gleichzeitig sind wir gefordert, Mehrwert in Form von Analytics zu generieren, um unseren Kunden entsprechende Services anbieten zu können. Denn nur so können wir Big Data in Smart Data überführen – zum Nutzen der Investoren. Eines ist dabei zu beachten: Marktteilnehmer ziehen wie beschrieben sehr unterschiedlichen Nutzen aus Daten; die Spanne reicht vom automatisierten Handel bis zu einer groben Information über die allgemeine Entwicklung an den Börsen. Differenzierte Gebührenmodelle tragen dieser sehr unterschiedlichen Nutzung und damit auch der sehr unterschiedlichen daraus resultierenden Wertschöpfung Rechnung. Um die allgemeine Informationsfunktion für Privatanleger zu verbessern, hatte die Deutsche Börse z. B. jüngst die Preise für diese Endnutzer drastisch gesenkt.

Qualität wesentlich

Daten und die dazugehörige Analyse (Analytics) sind die Elemente, um aus der Vergangenheit und Gegenwart die Zukunft abzuleiten. Wesentlich hierfür sind die hohe Qualität der Rohdaten, deren fortlaufende Verfügbarkeit sowie robuste Modelle, um die relevanten Informationen aus der breiten Masse der Daten zu extrahieren. Diese Marktanforderungen sind der Maßstab für Marktinfrastrukturanbieter wie die Deutsche Börse, an dem sich das Serviceangebot messen lassen muss – damit aus Rohdaten wertvolle Daten werden.

Dieser Artikel erschien zuerst in der Börsen-Zeitung am 2. März 2018.