互聯網+時代，證券行業制定大數據戰略迫切而適時。一方面，近年來大數據被提升到國家發展戰略層面，政府提供資金及政策支持，鼓勵企業在大數據方面的發展和轉型，大數據技術體系發展逐漸成熟。基于開源和商業技術共同形成的大數據技術體系已經在互聯網行業應用多年，推出的穩定軟件版本及云服務能夠支持后來者落地實施大數據戰略。另一方面，得益于部分互聯網行業龍頭在大數據方面的探索和推動，具備大數據項目經驗的人才培養體系逐漸建立，形成了大數據發展的良好土壤。同時，經過多年的發展積累，大數據資源已經越來越豐富，國內外領先企業為大數據應用也提供了很多極具價值的應用場景，這些典型案例可以為證券行業轉型提供較好的學習標桿。

同時，證券行業競爭壓力也與日俱增，證券公司轉型刻不容緩，已經基本具備了大數據技術應用的條件。

首先，證券公司的業務轉型為大數據技術提供大量的應用場景。證券公司在零售業務轉型財富管理過程中，對客戶的個性化、綜合化的服務要求產生了對大數據技術的應用需求；在深耕機構業務的過程中，來自與機構客戶相關的產品創設、銷售以及投資管理等需求也將與大數據技術產生重要聯系；其次，多維度的數據源為大數據技術應用提供重要的分析基礎。證券公司不僅能獲取來自互聯網新聞等非結構性文本類數據，而且可以快速積累來自外部的交易數據，以及內部的客戶行為數據；最后，基于大數據的深度學習算法在自然語言處理、語音語義識別、圖像識別等領域的突破，以及TensorFlow等各類算法開源平臺的發布，為大數據技術提供有力的算法保障；GPU/TPU等芯片技術的飛躍發展、5G等新一代通信技術的日趨成熟，為大數據技術應用提供有力的物理保障。總體而言，隨著大數據時代來臨，證券行業具備了全面應用大數據技術的條件，大數據技術將助推證券公司業務的成功轉型，持續發展大數據技術的證券公司將引領行業的未來。

大數據技術在證券行業的應用探討

大數據技術助力證券行業的轉型和發展可以體現在三個方面：第一，推動證券公司日常經營活動中的數據化運營，利用大數據提升證券公司各業務線以及中后臺職能部門日常工作中各個環節的運營效率；第二，利用大數據技術推動證券公司業務的智能化應用，并從中挖掘新的業務形態與業務機會；第三，基于大數據及相關技術建立一套更加有效科學的管控工具，保障證券公司各項業務經營風險可控，確保堅守合規底線。

1.零售業務：深化數字化運營，推動業務智能化轉型

零售業務是證券公司最重要的基礎業務，合理運用大數據技術，實現零售業務的數字化運營，提高客戶服務的效率及質量尤為重要。證券公司能夠服務多少客戶、管理多大的團隊、經營多少營業網點，與其對大數據應用的能力息息相關。證券公司可以運用大數據技術推動“去中心化”的分布式管理。在這套管理體系下，不僅可以采用數字化的工具為一線員工提供精良的裝備，驅動員工自我發現問題與改變戰法；還可以借助制度與技術的力量，實現整個生態系統的自我糾偏和完善。以廣發證券的分布式管理體系為例，“金鑰匙”是基礎任務分發平臺，公司的各大互聯網終端負責收集客戶的需求，經過金鑰匙平臺的算法分析后分派到全國各地的7000名理財顧問，并按照服務響應時間、客戶滿意度以及業務轉化率對業務進行管理和優化。同時，根據公司內多平臺數據資源，廣發證券自主開發的“經營駕駛艙”，可提取其中與業務經營最相關的信息，根據各級管理人員和員工的需求為其提供不同側重點的數據支持，高層管理人員著重對全局的把握以便及時調配資源，中層管理人員圍繞KPI完成與系統內排名變動及時調整經營策略，基層人員則重點關注管轄客戶、資產與個人績效錢包。通過大數據技術的應用，公司不僅有效提升各級管理的運營效率，而且大幅提升客戶的服務質量。目前，產品同質化也困擾著整個證券行業，證券公司更需對客戶進行深入分析和細分管理，通過精準營銷為其推送合適的產品服務。而精準營銷的核心在于對用戶進行畫像描繪，而大數據技術的應用能夠幫助證券公司更好地做到這一點。通過提取客戶投資交易等核心數據，分析其投資習慣、品種偏好以及風險承受能力等深度信息，進而有針對性地對其展開產品營銷活動，從而提高營銷成功率。

與此同時，智能投顧成為財富管理新藍海，也是近年證券公司應用大數據技術匹配客戶多樣化需求的新嘗試之一。該業務提供線上的投資顧問服務，能夠基于客戶的風險偏好、交易行為等個性化數據，采用量化模型，為客戶提供低門檻、低費率的個性化財富管理方案。

智能投顧在客戶資料收集分析、投資方案的制定、執行以及后續的維護等步驟上均采用智能系統自動化完成，且具有低門檻、低費率等特點，因此能夠為更多的零售客戶提供定制化服務。隨著線上投顧服務的成熟以及未來更多基于大數據技術的智能投資策略的應用，智能投顧有望從廣度和深度上都將證券行業帶入財富管理的全新階段，為未來政策放寬證券公司投資顧問從前端傭金收費向后端的管理費收取模式轉變進行探索準備。

近幾年智能投顧業務在國內外均取得快速發展，截至2016年末，境外領先的金融機構先鋒及嘉信的智能投顧業務已經分別管理了數百億美元的規模。國內近一年來，部分機構在該業務領域也開始起步，廣發證券的“貝塔牛”以及招商銀行的“摩羯智投”均為所屬行業的代表產品。雖然目前國內該業務的用戶體量尚無法與美國市場相比較，但國內財富管理領域存在較大的需求，同時證券公司在客戶的數據儲備以及互聯網技術應用上也具有較大優勢，因此未來有望借助大數據技術大力發展該業務，實現傳統經紀業務往財富管理的成功轉型。

2.資產管理業務：借力大數據，開辟產品創設與投資管理新思路

互聯網時代，信息的多樣化與扁平化，新聞等互聯網文本挖掘類數據對市場的影響日漸緊密，基于互聯網文本數據與傳統交易數據、財務數據相結合進行投資的金融產品也得到投資者的普遍認可。應用大數據技術，結合傳統量化投資模型，推出大數據基金產品是對傳統資產管理產品的有力補充，為投資者提供新的選擇。2014年底，廣發基金與百度合作，綜合了百度客戶的搜索數據及廣發基金自己搭建的選股因子數據庫，推出了備受市場關注的百發100指數基金。近兩年，相繼又有多家公募基金與不同互聯網企業合作推出了數十只大數據主題基金，大數據在產品創新中的應用已經得到實現。未來隨著大數據技術的更加成熟，更多數量、更深層的大數據主題產品將有望陸續面市。

與此同時，隨著深度學習等人工智能技術的日趨成熟，基于大數據以及人工智能算法的量化投資策略逐漸興起。通過基于自然語言處理技術（NLP），從網絡文本中獲取數據，基于深度學習等機器學習算法對獲取的各類數據進行分析預測，建立財經新聞、公司公告等文本事件與相關資產在金融市場中的表現的關聯，迅速判斷市場中出現的各類機會。這類基于大數據技術與人工智能算法的投資策略不僅拓寬了信息獲取源，提升了信息的分析深度與廣度，而且與傳統投資策略表現相關性低，是對傳統策略的有力補充。

2012年，英國對沖基金CAYMANATLANTIC公司發行了一只量化對沖基金，通過Twitter、Google以及其他媒體平臺上的投資者情緒大數據進行分析，得到對市場各類資產的預測結果并依次進行投資決策，并取得不錯的業績。

2017年1月，境外資產管理公司貝萊德宣布，將公司原來專注于“基本面”主動研究以及專注于“大數據”的量化研究兩個團隊合并成一個大部門。貝萊德此舉表明，隨著資本市場數據規模的提升以及大數據技術的逐漸成熟，投資將更多依賴于大數據分析結果進行輔助決策。可以說，投資管理已成為大數據技術的下一個目標。

3.研究業務：提升工作效率，打造智能化投研新模式

隨著互聯網及大數據技術的迅速發展，目前證券公司所提供的賣方研究服務中，部分低效的人工統計工作將被以大數據技術為核心的量化研究所取代。包括上市公司調研、數據分析等重復性統計分析工作將率先受到沖擊。RSMetrics是一家總部位于芝加哥的衛星情報分析公司，通過高分辨率衛星影像，對零售店、餐館、商場、辦公樓和其他商業地產的停車場進行監控，可以估計出它們在全國范圍內或者某一地區的客流量增長情況，幫助分析師了解公司基本面，預測銷售量，預估企業運營狀況。這類借助于衛星遙感大數據技術手段，相比于傳統的分析師實地調研能夠大幅提升工作效率與準確度。

可以預期的是，隨著大數據技術應用成本的降低，這類替代分析師人工調研的手段將得到普遍應用。不過，大數據技術的應用不只是提升分析師的調研效率，或許也將誕生新的服務與盈利模式，推動傳統研究銷售業務往線上智能化發展。誕生于硅谷的Kensho為大數據技術在研究領域的成功應用提供了非常好的范本。Kensho公司成立于2013年，專注于通過機器學習及云算法搜集和分析數據，把長達幾天時間的傳統投資分析周期縮短到幾分鐘，能夠分析海量數據對資本市場各類資產的影響，并回答復雜的金融問題。它能取代部分人類知識密集型的分析工作，提供快速化、規模化、自動化的分析結果。

4.應用大數據技術提升中后臺工作效率

證券市場日益豐富的投資品種以及不斷擴充的成交規模，使得交易、清算及風險管理等中后臺業務所需應對的數據規模也快速擴張，引入相關技術應對大數據可以大幅提升工作效率。在交易領域，運用大數據技術搭建算法交易平臺能夠支持批量、高效地完成各種復雜交易指令，降低交易誤差。提升客戶使用體驗的同時，也能夠為客戶提供對數據進行深度挖掘所帶來更豐富的投資機會。在結算領域，隨著營業網點的擴張以及交易品種的增加，交易數據的規模與復雜程度大幅提升。大數據技術的應用能夠為結算工作提供更快的響應速度以及更準確的匹配結果，從而確保結算業務高效、安全地運作。

芝加哥商品交易所（ChicagoMercantileExchange）每天產生約1100萬份合約，存儲了100TB的數據，且仍在每日不斷增長。交易所需要每天為內部團隊提供復雜的數據分析報告，為了提升報告的及時性，CME采用了Oracle公司的EXADATA的解決方案，用結構化的RDBMS，減少每次批量處理過程的時間。同時CME采用了Hadoop數據處理平臺，通過并行查詢方法來提升數據處理性能，并且減少成本開支。在風險管理領域，日益增加的交易品種與客戶數量，為證券公司實時測算、監控以及管理各類市場風險、合規風險提出了更高的要求，大數據技術在這個領域也能充分發揮作用。廣發證券的“風險數據集市項目”利用大數據技術整合公司各條業務線的風險相關數據、第三方市場數據、交易對手數據、關聯人數據、監管披露數據，形成相對完善的風險數據集市，在強大的計算力支撐下實現全面準確實時的監控及預測各種風險指標，強化各條業務線的風險管理能力。

證券行業駕馭大數據技術仍須克服重重困難

目前，大數據技術在證券行業中的應用與推廣還處于起步階段，趨勢雖不可阻擋，但同時也面臨諸多困難與挑戰，當前亟須解決的核心問題主要有以下幾方面。

一是海量數據分散存儲，整合難度大。海量數據的管理對任何一個行業都是極具挑戰性的難題。證券行業數據量增長快速且數據結構復雜，每天都有大量的新舊數據需要迭代處理。此外由于業務多元化的特點，證券公司的大數據往往分散于相互獨立的各個業務部門，無法進行暢通共享導致大數據處于嚴重的切割和分散狀態，同樣的問題在行業內不同公司之間也存在。同時，證券行業部分數據涉及用戶的安全與隱私，在運用大數據技術進行分析的過程中要避免數據的泄露，同時也要保護客戶的隱私數據不受侵犯，這對證券公司的大數據安全技術以及對合規及風險管理能力提出了更高的挑戰。因此，如何在政策允許的范圍內實現內部海量數據的有效整合以及與外部機構數據的共享，是大數據技術應用推廣過程中須解決的首要問題。

二是尋找有效的人工智能算法需要長期探索。證券行業的大數據往往具備高維度、動態以及強隨機性等不確定特征，且多數為非結構化數據。非結構化數據的一般性特征通常不夠清晰，而且所反映的對象背后缺乏客觀嚴謹的邏輯，具有更強的不確定性和不可預測性。從這些數據中提取基本信息結合特定的金融邏輯、應用情景以及經驗，運用人工智能算法進行“深度挖掘”得到最終的投資決策，將高度依賴能否構建有效的處理算法，這是大數據技術應用的重點與難點。證券市場的大數據技術從“初步提取”到“深度挖掘”還有漫長的路需要探索。

三是大數據業務的落地及人才的培養均需要繼續加大力度。從大數據技術的部署以及相關業務的開展來看，雖然證券行業許多公司都在戰略上給予了高度的重視，但是在具體業務的落地和推進中，實際投入的資源有限，取得的進展也相對較慢。證券行業的核心競爭力在于“人”，大數據應用也不例外。但是，與其他IT領域不同的是，金融大數據人才往往須同時具備算法、IT以及金融等多學科交叉背景，目前證券行業該類人才相對占比較低，未來應對大數據浪潮還須繼續加大此類人才的儲備。

（作者系廣發證券股份有限公司副總裁、中國互聯網金融協會金融科技發展與研究工作組副組長）