实战分享 | 云数据服务如何驱动金融业务？
数据驱动业务早已不是金融机构纸上谈兵的口号，恒生的云数据解决方案可以在多个方面解决金融街机构业务发展的痛点。
利用数据来驱动业务和运营已经越来越受到金融机构的重视，数据驱动业务主要分三个层次展开，分别是数据辅助决策、数据支撑业务、数据驱动业务。
数据驱动已经不只是纸上谈兵说说而已，而是现实落地了。恒生的云数据解决方案已经可以涵盖很多的服务内容，主要包括风控预警、行情服务、投研数据、财务数据、产品信息中心和AI研究类数据等六个方面，通过与其他IT系统的异构对接，云数据在经过数据中台清洗后输出给客户，用于投前研究、投资决策、组合分析、交易执行、反洗钱、舆情监测、股权穿透、产业图谱等领域。
因此，云数据服务可以解决金融机构业务展业的一些痛点，包括数据与IT系统的耦合难度大，外部优质数据导入难度高，多品种研究同平台无法实现，无法及时获取投研数据反馈，业务系统与数据融合难度大，经营管理类数据量偏少等。
目前云数据结合IT系统，已经运用于三类具体的应用场景：第一是风控预警服务，包括企业画像、舆情监测和产业图谱；第二是投资研究管理服务，包括因子分析，债券违约预警；第三是极速行情服务，包括沪深极速交易、覆盖国际市场的极速交易。
利用数据提供服务的具体应用场景，我们可以看个例子：风控预警服务有一个反洗钱业务，根据央行235号文的规定要上报大额可疑、风险评估、执法检查、非现场监督报表等。
如何利用数据来进行上报？首先利用上游的业务数据对身份信息、账户信息、交易信息、保单信息的信息进行识别，结合外部权威数据的支持，比如道琼斯、汤森路透、Accuity，以及一些外部数据服务的接口，加上IT系统中的数据进行身份识别、等级划分、名单监控、合规数据检查等。最终将上述数据根据监管要求上报到人民银行，做到反洗钱业务的监控预警。
从目前的实践来看，云数据服务在投研一体化和债券违约预警领域已经得到了比较深入的应用。
投研一体化数据解决方案
投研数据服务有几个明显的痛点，第一是研究成果比价分散，投资机构购买的外部数据没有积累，投研成果的金融模型没有数据沉淀；第二是特色投研数据获取慢，外部数据不易快速融合到系统中，另类数据分散，非结构化数据提取难度大；第三是业务系统与数据融合难度大，数据体系与IT体系互相独立，融合难度比较大，缺乏高效的工具进行二次开发和应用；第四个是投研数据体系标准不统一，多种外部数据对业务系统的要求不一致，自身没有建立起完善的投研数据反馈体系。
通过数据驱动业务解决投研一体化中存在的数据痛点，需要经历几个步骤：
第一，投研基础数据整理。准备好基础的数据源，然后对数据源进行清洗与加工，并将元数据标准、接口定义、咨询模型进行统一，最终实现数据的标准化。
第二，数据标准化之后进行投研模型的提炼。利用建模工具和PRA工具进行基础模型的提炼，模型提炼之后就可以进行研究管理，包括研究对象的管理以及研究成果的管理。
第三，准备好数据和模型以后进行决策管理。从场景和决策两个维度进行管理，场景主要有定价、评级、筛选和资配，决策包括组合构建与试算、交易与反馈、组合分析。
最后，将结果输出到投资交易系统和估值核算系统中。
总结来说，投研一体化数据服务主要包括数据、工具和服务内容三方面，数据包括行情数据、风控预警数据、产品信息数据、宏观经济数据等各类基础数据；工具包括金工服务平台、PRA工具、流数据监控工具、API治理编排工具等；服务包括投研数据服务、极速行情服务、企业画像服务、舆情监测服务等。
债券违约预警平台
债券违约预警是数据服务更加具体的一个应用案例。
债券违约预警分为三类，分别是一般产业债、城投债和金融债，对这三类分别建立违约模型。
一般产业债模型主要基于宏观数据、财务数据、经营数据、公告数据等获得对一般企业的评级结果；城投债风险预警模型主要基于地方政府经济实力、支持力度以及城投企业的经营状况获得城投企业的风险评估；金融债模型对于银行、券商、保险、多元金融等分别建模获得金融企业的风险评估。
评级的数据来源包括传统的公开数据，包括财务数据、宏观数据、市场数据等。但债券违约预警需要更多的特色数据，也就是差异化的数据，例如行业特色数据、事件数据、知识图谱数据等数据。
对各类数据进行处理，然后通过模型的计算得出债券的评级，提前做出违约预警，已经可以达到85%以上的准确率。
以上案例表明，通过数据服务驱动业务已在很多具体金融场景中得到体现，数据的价值也越来越受到重视。
