【编者按】2022年以来，中国人民银行和银保监会相继发布了《金融科技发展规划（2022-2025年）》和《关于银行业保险业数字化转型的指导意见》，为金融业发展数字化转型划定了方向和路径。加快数字化转型，统筹推进产业数字化和数字产业化，推动数字经济和实体经济融合共生，助力数字化转型走深走实，对经济发展赋能提速具有重要意义。
金融市场业务经营管理数字化转型
摘要：通过分析国内外主要银行金融市场业务数字化转型的方法、经验，结合邮储银行实际，提出自身金融市场业务数字化转型的发展建议和方向。首先，在实施路径上做好数据规划和功能规划计划。其次，应用预期包括实现全景化经营展示、全维度策略绩效评价和优化及业务全流程风险监控。最后，基于数据看板的智能分析，预测曲线走势，在利率曲线和到期资金约束下，得到相应的最优配置策略。
关键词：数字化；金融市场业务；大数据
一、国内外主要银行金融市场业务数据化转型的经验借鉴
通过全流程数字化改造，可以实现达到节约成本，提升员工能力、运营效率及商业效益的目的，进一步满足便利性和功能性需求。
（一）境外机构数字化转型情况梳理
1.摩根大通
一是持续较大规模的金融科技投入，近五年每年科技投入约占公司营业收入的10%，超过净利润的40%。2019年科技投入达114亿美元，位列美国上市银行第一位。二是长期与金融科技企业合作，2009年以来投资多家金融科技企业，涉及数字化交易、投资、支付、资产管理等领域的发展。如2016年与金融科技企业InvestCloud建立战略伙伴关系，为银行、股票+以及对冲基金等金融机构提供技术软件的开发以及技术外包服务。三则吸引和建立壮大技术人才团队。目前在全球设有18个科技中心，专注于在反欺诈、信息安全、区块链、机器学习和云计算等科技前沿领域研究。
表1-1针对不同需求提供科技工具赋能
对象
应用
投研投顾
智能投研：信息收集，搜索处理海量研报和公司财报；个性化呈现，根据研究员需求定制推送信息
机构客户
策略优化：结合传统量化交易模型与大数据模型，优化流动性投资组合策略
交易执行：线上快速进行交易，无纸化合同，提升交易效率；资金安全、反洗钱、反欺诈
个人客户
交易执行：在线交易，免交易佣金；提供个性化资产配置方案
智能投顾：制定个性化资产配置方案;动态调整投资者风险偏好；实时监控投资组合情况，固定频率进行调仓
2.瑞银
3.高盛
（二）境内机构的数字化转型情况梳理
一是工商银行。成立“一部、三中心、一公司、一研究院”顶层布局，全行金融科技条线员工3.54万人，占全行8.1%。2020年金融科技投入金额为238.19亿元，同比增长45.47%。占营业收入的2.7%。持续推进智慧银行信息系统（ECOS）建设，同时加大5G、数据中心、云计算等新型数字基础设施建设力度。构建了包括分布式服务、分布式事务、分布式消息、分布式数据库等9大技术组件的分布式技术体系。完整覆盖业务接入、服务集成、数据存储等分布式技术主要领域。
二是招商银行。2019年设立金融科技办公室，并将信息技术架构变革为一部六中心（即信息技术部、测试中心、数据中心、零售应用研发中心、批发应用研发中心、基础设施研发中心、数据资产与平台研发中心）。2020年信息科技投入119.12亿元，同比增长27.25%，占营业收入的4.45%，较去年提高0.73个百分点。2020年加快“云+中台”架构转型，推进总分行及子公司应用系统全面上云，打造企业级数据中台和技术中台，赋能内外部合作伙伴。
三是平安银行。2020年IT资本性支出及费用投入同比增长33.9%，达到46.8亿元，占2020年营业收入的3.05%。积极推进金融科技在金融市场业务中的深度运用，凭借自主研发、市场领先的智能量化交易系统，在市场波动率飙升的情况下对风险敞口实施实时监控，保障了业务稳健运营。同时于2019年上线基于MUREX系统的新一代金融市场业务系统，新系统作为支持大规模的电子化交易、量化和策略交易的核心业务管理系统，对金融市场业务进行全业务流程的管理，从前台交易员达成交易，到自动进入系统审批，至流转中台进行估值及限额监控，及后台清算、出账等全流程均可在此系统内完成。系统覆盖了固收类、利率及信用衍生品、贵金属和外汇等。
二、金融市场业务数字化转型的主要应用领域
（一）数据驱动的自动化策略应用
通过构建标准化的交易策略，在资金交易、做市报价、投资领域等方面实现自动化交易，有助于对冲风险、提高套利收益。固定收益领域的标准化策略应用包括配置型策略和交易型策略。
二是交易型策略包括做市、套期保值、对冲交易、套利等。在电子交易系统中的策略行情展示模块，支持自定义不同债券品种，包括现券、利率互换、现券期货、标债远期等，交易员能够实时观测债券之间的利差走势和最优报价，通过设置价格提醒，能够抓住交易机会进行套利。
——对于做市业务，策略自动化应用主要在于报价方向的策略。在履行做市义务的同时实现盈利。做市业务的智能化发展方向之一是实现自动报价和下单、实时收益率曲线定价、策略研究和实盘应用、账簿实时损益管理、实时风控等。得益于交易中心技术完善和接口的推出，以及国内衍生品市场的加速发展和策略应用、对冲手段的丰富，做市业务的智能化发展提上议程。
（二）量化业绩回溯管理
在金融市场业务中，交易员需收集市场信息，过滤筛选优质投资项目，根据外部市场走势及内部投资需求制定当期业务策略。策略构成要素具体包括：本期策略执行的优先目标；策略具体实现途径；策略执行带来的预期结果、对账户变动的影响。在此基础上，交易员执行策略，并按需在策略原则范围内进行参数小幅调整。
绩效评价方法可以分为三类，包括传统收益基准法、投资权重基准法和随机折现因子法。同时，绩效评价结果也可分为三类：（1）整体绩效评估，该评价基于风险调整收益展开；（2）择时和择券研究，该评价与股票投资评价类似；（3）绩效持续性研究。其中，风险调整收益度量方法以CAPM模型（资本资产定价模型）作为基础，至今仍在业绩评价领域广泛应用。该方法主要包括三大指数：（1）Treynor指数：该指数于最早的风险调整收益度量方法中提出并应用，通过引入风险因子β来衡量投资组合系统性风险，从而计算承担单位风险能够获得的超额收益，指数越大，则投资组合业绩越好；（2）Sharpe指数：该指数在Treynor指数后得到发展，将投资组合收益率的标准差确定为指标以衡量系统性风险，从而计算承担单位风险能够获得的超额收益，指数越大，则投资组合业绩越好；（3）Jensen指数：该指数依然以CAPM模型为基础，但提出了新的风险调整收益度量方法，该指数对比了投资组合的实际期望收益率与证券市场线上组合的期望收益率，二者差额可用于衡量投资组合绩效的优劣。目前，该指数是最广泛应用于业绩评价的指标之一，大部分归因模型均以Jensen指数为基础进行构建。
（三）基于大数据的智能化风险监控
一是利用大数据进行监控。数字化风控涵盖了所有提高风险效能效率的数字化因素，包含了流程自动化、决策自动化、数字化监控和预警等。开展“数字化风控”，归根结底离不开“对业务的深刻理解”、“对风险的分析与评估”，“对大数据和技术的应用”这三元素，而三者的深度融合尤其重要。
四是使用人工智能领域技术，对金融市场业务提供前瞻性预警。风险控制的发展趋势之一，是从事后弥补向事前预测和事中管理的全面风险管理发展。在金融市场业务领域，通过应用机器学习等人工智能领域技术，对于现有已积累的案例和经验，自动提炼分析规则，通过历史业务和风控经验，对新业务的风险情况进行自动分析，对于现有的各项限额和风险指标进行自我修正，对现有业务提供更有前瞻性的预警、支持决策。
三、邮储银行金融市场业务数字化转型的发展建议
（一）金融市场业务数字化转型的实施路径
1.数据规划和功能规划
——项目功能规划，采用三步走，先展示，进行数据推广；再分析，指导数据应用；再建模，计算策略路径。在长期规划方面，将在机器学习、人工智能等更多场景中进一步探索智能应用方式，如在自然语言识别与流程自动化等方面。
2.功能实现计划
一是可视化报表分析。自动实现每日T+1智能报表，以及通过代码查询特定日期的报表。并且可以实现子图与数据的本地下载。
二是可视化建模。可用来解决回归、分类、聚类等问题，将冗杂的数据转化为业务价值。如对交易策略进行模型训练、预测与分析，切实助力金融市场业务向更专业化、智能化的方向发展。
三是自动化建模。该功能适用于金融市场业务数字化转型的后期，在完整的建模过程中，涉及模型的选择和结果的检验。
（二）数字化转型计划的应用预期
1.实现全景化经营展示
一是业务数据展示。首先从全景角度统计资金条线业务的每日资产负债规模、风险资产与区间收入实现情况，并从品种、期限结构、会计账户、交易对手、投资对象等不同维度进行展示。其后，针对性的数据图表展示，主要涉及规模、收益率和交易数据。
二是时时跟进经营情况。如实时查询业务存量规模和净增额有利于进一步配合资产负债管理部做好资金投放策略的核对、沟通、监控等工作，提高资金运用的计划性和准确度；跟踪各项业务收入较时序进度完成情况，有利于财务部进行准确的盈利性情况分析。
三是查找业务薄弱环节。前台、中台处室通过看板数据可查询收入预算数据，跟踪各项业务收入较时序进度完成情况，建立快速高效的部门间联动、协调、决策机制。通过对细分产品资金流和收入的计算，能够分析各类业务中收入的相对薄弱点，以及每种业务中收入产生的薄弱环节，及时对应发力拓展增长空间。
2.实现全维度策略绩效评价和优化
二是策略回溯分析。以选取某投资组合一定期限本币债券新增业务数据为例。该组合券种覆盖了国债、地方债、非金融企业债、商业银行债、非银行金融结构债。基于Campisi模型，对投资业绩进行归因分析。
从组合整体情况来看，票息效应贡献较大；该期国债收益率整体下行，故利率效应存在正向较大贡献；组合利差效应为负，信用债占比不高且利差贡献相对较小，组合未能靠利差获得收益；选券效应为正贡献较大。具体券种方面，整体上各券种票息效应贡献都较大；其中利率债受利率波动影响，利率效应较大，而信用债整体利率效应较小，且个券负值较多；信用债中几只债券的利差效应为负，且负向贡献很大，利率债无利差效应。
该期市场长短端利率走势分化，10年期国债收益率震荡下行，而1、3、6M国债收益率小幅上行；信用利差收窄，多数个券利差效应为正，但是组合中少数个券利差效应为负且市值权重较高，拉低了组合总体利差效应。
针对上述案例，在整体利率下行的市场环境下，适当拉长久期有利于扩大利率效应和票息效应；券种上，非银行金融机构债和非金融企业债、地方债年化总收益最高，增配有利于拉高组合收益率。通过数据看板，不仅可对业绩回溯归因，而且可以通过模拟组合投资，寻找理论上的最优解，为下一步投资策略提供参考。
3.实现业务全流程风险监控
一是风险识别。通过底层多维数据建立风险计量模型，进行风险识别。邮储大脑内现有多个内置的模型可控参考，例如金融算法组件下的评分卡训练，可用于建立信用评分模型。信用评分卡模型在国外是一种成熟的预测方法，尤其在信用风险评估以及金融风险控制领域更是得到了比较广泛的使用。在邮储大脑接入外部数据库后，可对债券及债券发行人进行内部评级和风险综合评价，借助模型合理区分不同客户的信用风险水平，为投资决策提供有力支撑。未来也可在此模型结论基础上辅以人工判断构建债券投资白名单。
二是风险监测。投后进行风险监测，通过“词云”、“词汇网络”等可视化展示方式，对存量债券发行方进行舆情分析，邮储大脑内现有的NLP自然语言处理算法可用于处理新闻等文本类舆情，从而分类出正面和负面新闻，并对出现的负面舆情进行风险提示。除此之外，数据看板可以每日统计我部前十大同业交易对手的各类业务敞口、交易账簿的久期、基点价值和VAR值等。每月统计一次我部信用债五级分类情况。并根据行内以及部门内限额管理要求对本币债券交易单笔交易限额情况进行每日监测，包括各投资组合中的超限额只数、单券净价最大浮亏、对冲后单券净价最大浮亏等。未来在数据看板接入市场数据之后可每日监测债券价格偏离等。
（三）基于数据看板的智能分析
一是机构行为监测。债券市场投资者基本上都是机构，这决定了机构行为决定着债券市场波动、演变和发展。机构资产配置目标、面临的约束条件不仅是驱动债券市场走势的基础动力，同时也是债券市场长期发展所无法忽视的决定因素。
数据看板能很好地解决传统机构行为分析的痛点：一是可以通过数据看板能较好地进行大数据处理，人工盯盘在数据量过大的情况下难免出现疏漏，通过系统的监测能显示出数据内在的联系，从而捕捉到不同机构的行为特征。二是数据看板具有及时性的特点，比传统盯盘更能迅速地抓取债市里机构的操作，通过机器学习等功能，分析机构行为建立市场波段捕捉模型，发现市场机会。
在假定搭建的利率曲线预测模型准确性较高的情况下，数据看板能够通过输入既定参数（比如收入最大化或者收益率最大化），在利率曲线和我行到期资金约束下得到相应的最优配置策略。