實戰分享 | 雲數據服務如何驅動金融業務？
H20頭部機構論壇 3天前
數據驅動業務早已不是金融機構紙上談兵的口號，恆生的雲數據解決方案可以在多個方面解決金融街機構業務發展的痛點。
利用數據來驅動業務和運營已經越來越受到金融機構的重視，數據驅動業務主要分三個層次展開，分別是數據輔助決策、數據支撐業務、數據驅動業務。
數據驅動已經不只是紙上談兵說說而已，而是現實落地了。恆生的雲數據解決方案已經可以涵蓋很多的服務內容，主要包括風控預警、行情服務、投研數據、財務數據、產品信息中心和AI研究類數據等六個方面，通過與其他IT系統的異構對接，雲數據在經過數據中臺清洗後輸出給客戶，用於投前研究、投資決策、組合分析、交易執行、反洗錢、輿情監測、股權穿透、產業圖譜等領域。
因此，雲數據服務可以解決金融機構業務展業的一些痛點，包括數據與IT系統的耦合難度大，外部優質數據導入難度高，多品種研究同平臺無法實現，無法及時獲取投研數據反饋，業務系統與數據融合難度大，經營管理類數據量偏少等。
目前雲數據結合IT系統，已經運用於三類具體的應用場景：第一是風控預警服務，包括企業畫像、輿情監測和產業圖譜；第二是投資研究管理服務，包括因子分析，債券違約預警；第三是極速行情服務，包括滬深極速交易、覆蓋國際市場的極速交易。
利用數據提供服務的具體應用場景，我們可以看個例子：風控預警服務有一個反洗錢業務，根據央行235號文的規定要上報大額可疑、風險評估、執法檢查、非現場監督報表等。
如何利用數據來進行上報？首先利用上游的業務數據對身份信息、賬戶信息、交易信息、保單信息的信息進行識別，結合外部權威數據的支持，比如道瓊斯、湯森路透、Accuity，以及一些外部數據服務的接口，加上IT系統中的數據進行身份識別、等級劃分、名單監控、合規數據檢查等。最終將上述數據根據監管要求上報到人民銀行，做到反洗錢業務的監控預警。
從目前的實踐來看，雲數據服務在投研一體化和債券違約預警領域已經得到了比較深入的應用。
投研一體化數據解決方案
投研數據服務有幾個明顯的痛點，第一是研究成果比價分散，投資機構購買的外部數據沒有積累，投研成果的金融模型沒有數據沉澱；第二是特色投研數據獲取慢，外部數據不易快速融合到系統中，另類數據分散，非結構化數據提取難度大；第三是業務系統與數據融合難度大，數據體系與IT體系互相獨立，融合難度比較大，缺乏高效的工具進行二次開發和應用；第四個是投研數據體系標準不統一，多種外部數據對業務系統的要求不一致，自身沒有建立起完善的投研數據反饋體系。
通過數據驅動業務解決投研一體化中存在的數據痛點，需要經歷幾個步驟：
第一，投研基礎數據整理。準備好基礎的數據源，然後對數據源進行清洗與加工，並將元數據標準、接口定義、諮詢模型進行統一，最終實現數據的標準化。
第二，數據標準化之後進行投研模型的提煉。利用建模工具和PRA工具進行基礎模型的提煉，模型提煉之後就可以進行研究管理，包括研究對象的管理以及研究成果的管理。
第三，準備好數據和模型以後進行決策管理。從場景和決策兩個維度進行管理，場景主要有定價、評級、篩選和資配，決策包括組合構建與試算、交易與反饋、組合分析。
最後，將結果輸出到投資交易系統和估值覈算系統中。
總結來說，投研一體化數據服務主要包括數據、工具和服務內容三方面，數據包括行情數據、風控預警數據、產品信息數據、宏觀經濟數據等各類基礎數據；工具包括金工服務平臺、PRA工具、流數據監控工具、API治理編排工具等；服務包括投研數據服務、極速行情服務、企業畫像服務、輿情監測服務等。
債券違約預警平臺
債券違約預警是數據服務更加具體的一個應用案例。
債券違約預警分爲三類，分別是一般產業債、城投債和金融債，對這三類分別建立違約模型。
一般產業債模型主要基於宏觀數據、財務數據、經營數據、公告數據等獲得對一般企業的評級結果；城投債風險預警模型主要基於地方政府經濟實力、支持力度以及城投企業的經營狀況獲得城投企業的風險評估；金融債模型對於銀行、券商、保險、多元金融等分別建模獲得金融企業的風險評估。
評級的數據來源包括傳統的公開數據，包括財務數據、宏觀數據、市場數據等。但債券違約預警需要更多的特色數據，也就是差異化的數據，例如行業特色數據、事件數據、知識圖譜數據等數據。
對各類數據進行處理，然後通過模型的計算得出債券的評級，提前做出違約預警，已經可以達到85%以上的準確率。
以上案例表明，通過數據服務驅動業務已在很多具體金融場景中得到體現，數據的價值也越來越受到重視。