100% tevredenheidsgarantie Direct beschikbaar na je betaling Lees online óf als PDF Geen vaste maandelijkse kosten
logo-home
Eerder door jou gezocht
Eerder door jou gezocht
logo
Volledige samenvatting Financial service analytics €7,99
In winkelwagen
Snel navigeren naar
Voorbeeld
  2.  
  3. Universiteit Gent (UGent)
  4.  
  5. Handelswetenschappen
  6.  
  7. Financial Services Analytics (F710405A)

Samenvatting

Volledige samenvatting Financial service analytics

2 beoordelingen
 18 keer verkocht

Dit is een samenvatting voor financial service analytics in de opleiding handelswetenschappen (afstudeerrichting: finance en risicomanagement). De kwaliteit van de samenvatting valt niet te betwisten, door enkel dit te leren behaalde ik een 18/20 voor het vak. Duidelijke structuur.

Voorbeeld 4 van de 90  pagina's

Document informatie

  • 7 november 2023
  • 90
  • 2022/2023
  • Samenvatting

Onderwerpen

Geschreven voor

Alle documenten voor dit vak (9)

2  beoordelingen

review-writer-avatar

Door: robbe2406 • 4 weken geleden

review-writer-avatar

Door: laurenceherman • 2 maanden geleden

Verkoper

avatar-seller
amberkakel

Ontvangen beoordelingen

Voorbeeld van de inhoud

Financial service analytics

The rise of analytics in the financial services sector
- Then: physical
- Now: digital first & physical when needed for specialized high margin services

Why this trend toward digitalization?
1) Technology has changed
• More communication on a digital device -> more data stored and processed
 More decisions data-driven (evidence based) & automated

2) Change in consumer behavior
• More demanding of user experience
a. Simple purchasing process
b. Quick response
• Require personalization
• Require low costs
• Embrace digitalization
a. High trust in IT firms
b. Interact with an increasing number of digital devices (pc, tablet…)
c. Accept user data is used for corporate purposes
d. Accept to interact with robots
3) Change in regulation
• Payment Services EU Directive (PSD2):
a. Required to provide access to payment accounts for third party providers
 Allows more competition
4) Change in competition
• Traditional banks (incumbents) operate in:
a. Payments + lending + deposit-taking
• New entrants -> specialized in one service (ex: apple pay, google pay)
 Competition pushes the incumbent to compete in different activities
5) Bank’s profitability is under pressure
 Banks need to innovate to increase profitability
• Return to equity declines:
a. Reason: overcapacity
▪ Low margins: sufficient to cover short term variable costs but not for long term
growth
b. Solutions:
▪ Mergers
▪ Digitalization’s
▪ Success in digitalization: more revenues, less costs => more profits

6) COVID-19 as a catalyzer
• People stay home, but still ask for financial services



1

, Heterogeneity in success




➔ Difference between digital latecomers and digital champions
➔ 2 digital champions in Belgium: KBC and Belfius
➔ Digital latecomers: VDK, Argenta, Crelan, AXA
 Big banks are successful, smaller banks are much less successful in digitalization.

Why heterogeneity? Hurdles in the transformation
1) Cost of the transformation (IT, data, new staff)
• To be balanced with gains from automation and digitalization
a. Less personnel
b. Less brick-and-mortar branches




2) People: war for talent
3) Technology: fast evolving
• Staying up-to-date is challenging (cost, people, vision)
4) Vision: proactivity and persistence, as it takes time
• Chief digital officer, chief information officer and chief data officer -> important

Since having a huge data base offers a compelling advantage in AI, there is a tendency for dominant
companies to become ever more dominant.

Digital strategy of big banks is to become the online supermarket for all services

OPM: next level -> bank-insurance



Introduction to R
See ppt. slide 61-76


2

,From data to insights
• Which data?
a. Abundance of financial data available (ex. Stock prices)
b. All available in R package quantmod (=quantitative modelling)

• How in R




What we observe on day t: DATAt.  what we assume: DATAt =SIGNALT+ NOISET

 We want to know SIGNALT => actionable insights on day t
 Extract the signal from the data and remove the noise

• How to do this?
a. Price data themselves need to be transformed to give insights
b. Examples of such transformations (that remove noise):
▪ Smoothening the price data by taking averages
▪ Studying financial risk and reward by computing returns (=differentiating)
▪ Time series aggregation: from individual trades to daily, weekly… (=go to a low
frequency)
 Transformations are done repeatedly and are best programmed as function

Functions in R
➢ Name: own choice
➢ Between brackets: what the
function is doing.




• Functions are like data objects in R
• Advantage of functions = contain reusable code:
a. Reduces the workload, Helps avoid errors



3

, • Example: function that computes the square

Define the power2 function



Function power2 now exists in
the environment and can thus
be used
Since there is only one
argument in the function, there
is no confusion possible




• The advantage of a statistical software environment like R is most of the functions already exist

Base functions
a. Statistical functions: mean(), min(), max(), median(), sd(), IQR(),summary(),…
b. Graphical tools: plot(), hist(), qqplot(), boxplot(),…
c. Object handling functions: read.table(), read.csv(), readRDS(), saveRDS(), write.table(), write.csv(),
write.zoo(), save(), load(), rm(), head(), tail(), …
d. Probability functions: rnorm(), pnorm(), qnorm(), rt(), pt(), qt(), rcqhisq(), pchisq()

Note: sd = standard deviation, IQR= interquartile range (Q3-Q1)

• Example of base function: sd()
a. First open documentation about the function: ?sd
b. Sd has 2 arguments: X and na.rm
▪ Na.rm = not available.remove
▪ This argument tells you how to handle missing data
▪ Ex if missing data can be removed that na.rm = TRUE (the default value is FALSE)
• Function: args()
= discover the arguments of a function



R package
• Base packages are automatically installed when you install R. They are loaded automatically every time
you open R. Examples are: stats, utils
• Other packages need to be installed (once) and need to be loaded (every timeyou open a new R session).
Example: “quantmode”

(installation of packages see slide 15.)




• Saving that data:




4

Dit zijn jouw voordelen als je samenvattingen koopt bij Stuvia:

Bewezen kwaliteit door reviews

Bewezen kwaliteit door reviews

Studenten hebben al meer dan 850.000 samenvattingen beoordeeld. Zo weet jij zeker dat je de beste keuze maakt!

In een paar klikken geregeld

In een paar klikken geregeld

Geen gedoe — betaal gewoon eenmalig met iDeal, Bancontact of creditcard en je bent klaar. Geen abonnement nodig.

Focus op de essentie

Focus op de essentie

Studenten maken samenvattingen voor studenten. Dat betekent: actuele inhoud waar jij écht wat aan hebt. Geen overbodige details!

Veelgestelde vragen

Wat krijg ik als ik dit document koop?

Je krijgt een PDF, die direct beschikbaar is na je aankoop. Het gekochte document is altijd, overal en oneindig toegankelijk via je profiel.

Tevredenheidsgarantie: hoe werkt dat?

Onze tevredenheidsgarantie zorgt ervoor dat je altijd een studiedocument vindt dat goed bij je past. Je vult een formulier in en onze klantenservice regelt de rest.

Van wie koop ik deze samenvatting?

Stuvia is een marktplaats, je koop dit document dus niet van ons, maar van verkoper amberkakel. Stuvia faciliteert de betaling aan de verkoper.

Zit ik meteen vast aan een abonnement?

Nee, je koopt alleen deze samenvatting voor €7,99. Je zit daarna nergens aan vast.

Is Stuvia te vertrouwen?

4,6 sterren op Google & Trustpilot (+1000 reviews)

Afgelopen 30 dagen zijn er 68175 samenvattingen verkocht

Opgericht in 2010, al 15 jaar dé plek om samenvattingen te kopen

Start met verkopen
€7,99  18x  verkocht
  • (2)
In winkelwagen
Toegevoegd