《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。
中国银行业协会行业发展研究专业委员会积极搭建优秀研究成果分享平台，希望通过汇集行业力量，促进交流，凝聚行业共识，推动优秀经验做法转化为商业银行转型发展的加速器。本期推荐中国邮政储蓄银行撰写的《金融市场业务经营管理数字化转型》。本文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，金融市场业务数字化转型在自动化策略、策略执行、大数据智能风控等主要领域的应用，并结合邮储银行实际，提出自身金融市场业务数字化转型的发展建议和方向。以供读者参考。
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。
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。
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
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
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
作为以财富管理业务为核心发展战略的国际大行，在2012年开始布局数字化建设，2018年集团对科技的投入达到35亿瑞士法郎，约占集团收入的10%，技术人员达到2万余名。瑞银重点关注云技术、机器人、人工智能等领域，一是云技术存储可以高效地处理高峰时段订单，对传统的服务器存储数据造价高、容易浪费的特点进行改进。二是投入人工智能帮助投顾解答客户问题、减少人工操作错误，将机器学习运用于风险管理和反洗钱识别。三是致力于平台资源整合和开放，例如构建财富管理平台OneWMP，将全球范围内提供的产品和服务整合，方便对接所需的信息技术开发商产品。四是与传统信息技术服务商、新兴金融科技创业公司合作，例如与Tradelegs合作开发机器学习投资策。
高盛将自身比作“华尔街的谷歌”，打造科技生态。以投行为例，高盛自研Securities Database支持风控。高盛基于SecDB打造Marquee平台，并于2019年4月宣布客户直接与Marquee进行交互，计划通过Marquee内部的GS Markets（提供实时信息和研究成果）、SIMON（帮助客户了解结构化投资并执行交易）、Marquee Trader（外汇和商品电子执行平台）、Trade Tracker（帮助客户监视交易并根据市场情况变化管理头寸，从理论上分析新交易对现有风险敞口的影响）、Strategy Studio（构建跨资产投资组合）等多个应用程序实现交易周期全阶段覆盖。从使用工具看，高盛积极拥抱云计算、大数据、开源等创新技术。一方面，通过与云厂商合作，增强传统产品的适应性和性能，向非传统客群拓展；另一方面，建立数据湖整合交易、市场和投资研究的相关信息，通过机器学习沉淀海量数据。
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.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。
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。
一是配置型策略。数字化电子交易系统的计算器模块可以进行配置前的指标试算、配置后的风险管控。例如，对未来收益率曲线的短期变动有一定预期，交易员输入债券品种后，系统支持自动计算不同类型久期策略的持有期收益，便于交易员比较不同策略组合的收益、风险敞口等。再例如骑乘策略，交易员输入品种、持有时长等因素后，系统支持在收益率曲线基础上，自动计算骑乘策略下的资本利得收益，计算结果快速准确，减少了交易员抉择的时间，也降低了人工计算失误造成的损失。
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。
——对于资金交易，策略自动化应用于债券风险对冲、价差套利和曲线预测等方向。在交易后也需要不断调整仓位以保持敏感性中性。未来的电子交易系统支持实时监测风险敞口，计算各类风险指标。通过曲线的动态预测模型，包括动态NS模型等构建的利率曲线，能够将收益率分解为高度、陡度、弧度等因子，对短期曲线形态的平移、扭曲和蝶形变动这三种变动作出预测，从而进一步应用价差套利和曲线方向性策略，赚取跨期价差或跨品种价差。同时，曲线利率预测的策略还可应用于交易后的业绩归因分析，通过分解债券组合收益到票息收入、利率变动、信用利差、汇率等因素上，能够归纳总结本期的组合收益来源，结合对曲线利率的预测和经济、金融数据的预测，指导下一期的债券组合构建，提高资金交易业务盈利水平。
——低于曲线策略，主要应用于发现市场定价错误，在赚取非活跃券买卖价差方面也有广泛应用。即期、远期利率曲线的构建来源于市场利率和交易价格，而在银行间债券市场这样一个场外市场，存在许多非活跃券缺失市场连续报价。构建的利率曲线能够对非活跃券定价，在做市和交易两个环节应用自动化策略，都能够赚取非活跃券的买卖价差，实现资本利得。
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。
策略执行效果可通过业绩归因进行评价：通过对比投资组合实际收益率与基准组合实际收益率，可得到二者差额即超额收益率，对超额收益率进行分解即可得出各归因项，以便解释超额收益的来源。该方法可以直观体现投资者的决策行为能否高效利用资金以获得收益，从而针对不足项加以改进。
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。
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。
二是利用大数据的自动化和连接性优势，实现实时风险管理。在投资前期，用人工来开展数据收集、分析，风险审查决策，数字化信用风险管理具有自动化和连接性优势，可实现数字化决策制定，集成新数据源可以丰富信用决策洞见，而实时数据处理、报告和监测则进一步提升了总体风险管理能力，让员工可以更关注高价值工作。通过数据的自动连接，商业银行可以呈现特定风险及其风险信号的（如市场风险）简单状态；通过设置风险指标和阈值，商业银行可以进行金融市场业务的指标实时监控；同时，由于数据自动接入，银行可以使用一些简易的轻型分析工具比如趋势分析、对比分析、逻辑匹配等，用于提示特定风险异常，产出固定配置的报表等。
三是使用图谱等高级分析工具，提升风险管理效率。除自动化和连接性优势外，若银行接入的数据来源进一步丰富，比如使用来自多系统的结构化、非结构化数据，则可以使用更加高级的分析工具。高级分析工具可以提高信用审查、组合监控和风险舆情监控方面的准确性，减少判断错误的频率。
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。
——选取数据源，囊括了内部、外部数据，涉及多种分析维度，如按交易类型分类、按交易对手分类、按银行帐簿分类、按风险评级分类、按期限结构分类、按资金来源分类等。
——分析应用逻辑，是将新一代资金核心子系统、行内大数据平台与邮储大脑机器学习平台（PML）连通，通过编写SQL语句访问Pingo控制台并拉取数据，处理日频的结构化数据，实现对金融市场业务时间序列、横截面数据的可视化展现。
——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。
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。
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。
一是策略执行情况监控。如债券投资，关键要素是投资金额和利率水平等，对“量”、“价”和久期进行有效监督可以及时了解执行情况。根据相应时间段市场债券期限和利率，可以判断当期策略价格的合理性，即有没有存在设定过低的问题。同时，根据实际执行情况的利率水平，比照策略价格，可以查看执行偏离度。包括价格偏离度和投资额偏离度。
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。
三是策略优化。获得利率及利差阿尔法的根本因素是选择合适的久期。从市场各个基金平均久期的分布图来看，其和总收益分布、利率效应以及利差效应分布基本是一致的，原因在于久期选择的长短一定程度上决定了组合利率效应以及利差效应的大小，而择券效应仅仅近似于一个正态分布。票息效应可能并不有助于改善业绩。数据显示，国债效应、利差效应以及择券效应均与总收益率呈现出正相关，但票息效应与总收益呈现出负相关的关系，高票息往往意味着承担更高的信用风险，因而仅仅追求高票息收益可能适得其反。
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。
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。
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。
二是曲线走势预测。常见交易策略包括骑乘策略、票息策略等。这些理论与实际应用有所脱离，一是没有加入对曲线的预判，只是基于静态的利率曲线考虑；二是没有考虑到机构的资金是动态变化的，每个时间到期的资金不同；三是机构考核目标不同，不同的考核目标可能使用不同的策略。
数据看板可以解决上述问题，首先，利率曲线预测模型能够前瞻性地判断未来一段时间不同期限的国债和政金债收益率曲线形态，曲线根据采取“经济指标+市场情绪+关注指标增强+重大事件人为调整”的构造方式，实时地应用于目标的达成。其次，部门当期资金受限于存款的吸收和到期、信贷投放等因素，看板可将上述因素纳入考虑范围，形成动态的可用资金库，作为对策略的限制。最后，行内对部门考核包括收入、收益率、回撤等目标，将这些目标将作为一组变量进行输入看板，最终导出可以实现目标的最优策略。
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。
本文收录于《中国银行业发展研究优秀成果作品选集（2021）》，该书将由中国金融出版社发行，欢迎关注订阅！
下一篇：行业发展研究委员会 • 研究精选【12】社会融资规模与货币供应量联系与区别综述
