《智能金融》
随着大数据、人工智能、云计算等技术的蓬勃发展，“智能”相关的概念和技术逐渐渗透到各行各业，颠覆了传统行业的研发、服务体系，重构了产业生态系统。同时，以支付、P2P、众筹、区块链、互联网银行、综合理财平台、智能投顾等金融科技(FinTech)产业的兴起，对传统金融的竞争格局和方式产生深远影响。金融服务脱媒化、服务渠道虚拟化、金融服务个性化、经营模式生态化、决策数据智能化，都宣告着智能金融时代的到来。
本系列将结合大数据、云计算、人工智能等技术的创新应用思维，探索、洞察金融业在大数据技术与实践、金融科技、大数据战略规划、数据资产化等领域的知识与经验沉淀，形成独到观点，对中国金融机构的中高层管理人员、科技与业务人员，具有较强的思考、借鉴与指导意义。
前言随着大数据、云计算等技术的蓬勃发展，机器智能逐渐渗透到各行各业，颠覆了传统行业的研发、服务体系，重构了行业格局。以互联网金融为代表的创新金融服务形态，特别是P2P、众筹、区块链、互联网资管、互联网银行、互联网保险、智能投顾、供应链金融、移动支付等一系列金融创新平台及应用，借助云计算、大数据、机器学习等技术手段，创新性的改造了传统金融业的价值链，成为资本市场上最火热的投资方向。
面对新兴金融力量的不断渗入，传统金融机构也开始积极在互联网等领域投入。银行业推出直销银行、网络融资和电子商务等业务，保险业亦开始探索通过网络销售保险，网上个性化保险产品和虚拟保险等业务。金融行业终究是一个数据密集型行业，无论是传统线下业务还是新型的线上业务，其竞争的一个关键要素仍是数据。金融业进军互联网的核心目的在于采集数据，金融机构开展网络金融、互联网理财的成败的关键在于利用数据深入洞察客户、优化业务流程、加强风险管控等。因此，大数据成为金融机构构建核心竞争力的重要资产。
随着金融与科技融合进程的推进，大数据价值日益凸显，数据正逐渐成为金融行业的新型资产。证券业作为金融服务的主要组成部分，同样面临着大数据技术与数据应用带来的冲击与挑战：
?新型数据资产的活性、颗粒度、维度都要远远超过证券业传统的数据，如何有效将数据资产价值化？
?新型大数据技术颠覆了传统业务系统的架构与设计逻辑，开放分布式框架如何影响企业的信息系统规划？
?业务系统逐渐增多，数据孤岛效应凸显，数据不一致现象频繁出现，质量、格式均存在混乱，如何有效管理、建立统一标准？
?...
成功的证券公司需要做到如下六点，才能在日趋激烈的市场竞争中脱颖而出：
1.具备大数据基础平台建设能力
2.具备数据治理和数据标准能力
3.强化数据科学和数据应用能力
4.迅速应用新兴技术和开发模式
5.构建数据驱动业务的生态体系
6.建立支持数字变革的组织架构
1大数据战略的迫切性与重要性云计算、大数据及人工智能的发展催生了金融行业的一系列产品和业务模式创新。以大数据技术、平台及应用的创新逐渐走进金融行业，越来越多的金融机构主动拥抱变化，突出“数据驱动业务”的重要地位。可以预见，数据资产的价值转化，必将成为未来金融机构的核心竞争力之一。
政策方面，国家“十三五”规划纲要中指出，实施国家大数据战略。把大数据作为基础性战略资源，全面实施促进大数据发展行动，加快推动数据资源共享开放和开发应用，助力产业转型升级和社会治理创新；市场方面，随着中国金融改革提速，利率市场化和人民币国际化进程加快，同业竞争日趋激烈，跨界竞争此起彼伏；经营方面，“新常态”的经济环境下，客户金融需求快速变化，金融加速脱媒，监管更趋严格，这些都给证券公司的发展带来了严峻挑战。
面对内外部经营环境的深刻变化，中国证券业在大数据思维、理念、技术创新的速度、广度、深度、视野都不够，与市场脱节严重，迫切需要构建大数据战略规划指引，以创新驱动新的发展，顺应智能时代的企业变革趋势。
中国大数据市场概况根据易观智库发布的《-年中国大数据市场规模预测》，年营收规模预计能达到.9亿元，而增速则高达41.1%，并预测年和年将保持39.3%和36.8%增长速度，大数据被持续看好，未来的生活和工作因为数据而变得更加简便和高效(见图1)
在53家国内大数据初创企业中，其中从事大数据应用的企业占比43家，占比81.1%，其他10家企业定位技术拥有型企业和基础设施层企业，占比18.9%。其中开展金融大数据业务的有15家，占比28.3%，细分业务包括风控、金融征信、智能投顾、金融客户精准营销、反诈骗等(见图2)
基于产业生态链分析，大数据核心业态主要包括大数据平台、大数据分析和大数据应用三部分。由统计数据可以看出，绝大部分大数据初创企业主要集中于大数据应用层面的开发与实施，从事大数据基础设施和存储管理的公司只占不到20%。此部分公司多聚焦于技术研发和框架优化，掌握着大数据平台的核心技术，从而形成自身的技术壁垒和专业性，代表企业如星环科技。
图1：-年中国大数据市场规模预测
图2：中国大数据市场初创企业全景图
证券业信息化建设分析从业务视角来看，证券公司业务体系可以简单划分为核心业务和中后台支持业务。核心业务包括经纪业务、自营业务、融资融券、资产管理、承销保荐、投资咨询、财务顾问、中间业务和直投业务等。支持业务包括风险管理、资金管理、法律合规、稽核审计、财务管理、运营及其他管理等。
证券公司传统信息系统架构多围绕核心业务和支持性业务展开建设部署，构建前、中、后台的各业务条线的核心系统群。图3所示的是一般证券公司IT整体系统架构，可以分为：
?前台：以证券经纪业务为核心的集中交易柜台系统、网络金融相关系统、OTC场外柜台系统、融资融券系统、账户、法人清算系统、机构服务系统、PB交易服务系统、同业客户系统等等；
?中后台：涵盖资产管理系统、风险管理系统、审计系统、监管合规系统、资金流动性管理系统、财务系统、管理会计系统等
?基础设施：为核心业务系统提供支持的基础设施，包括不限于数据仓库、关系型数据库、总线、登陆认证、运维监控、工作流引擎、文件存储及其他辅助性系统。
图3：证券公司IT整体架构
图4：证券业信息化市场生态（核心业务类）
对于证券公司信息系统整体架构的梳理及分析，有助于帮助科技部门站在宏观视角获取整个公司系统生态图谱，然后通过逐层分解，进一步感知数据流和信息流的上下游衔接、耦合关系，从而发现公司IT生态系统当前面临的问题和痛点，并采取相应的措施进行补救和更正。
由证券公司信息系统整体架构分析可知，目前证券公司整体信息系统的规划和建设仍存在很多问题和矛盾：
?证券公司整体信息系统规划和部署非常复杂，业务数据存在于多源系统之中，且数据标准不统一；
?无法探查数据上下文的关联关系，难以“穿透式”的对数据进行追根溯源，数据“血缘关系”管理困难，数据“黑盒子”效应明显；
?证券业信息化市场生态庞大，业务系统供应商呈现多样化、垂直性和业务专业导向(图6)；各应用厂商的数据标准、规则、质量和数据架构均存在一定程度的差异，难以统一调度和管理；
?业务系统的底层数据管理系统多为Oracle、SqlServer、DB2等传统关系型数据库，只能在指标汇总和计算的层面满足报表类应用，无法支持历史数据的挖掘、统计分析和机器学习；
?部门券商自建或采购了数据仓库系统，以满足数据挖掘和分析、主数据管理的需求。但传统数仓的逻辑架构和技术架构决定了其对于大量数据的处理速度、结点扩展性、非结构化数据的支持，都难以适应证券公司未来发展的需要；尤其是在证券公司利用互联网、移动互联网等新兴渠道触及客户群体时，传统数据仓库难以应对互联网流式数据的实时处理要求，无法满足业务部门对于快速、及时的漏斗分析、营销响应、实时流失预警的需求。
在证券公司快速推进数字化和信息化革新的进程中，上述问题与矛盾日益凸显，成为券商业务部门和科技部门的痛点。
证券业大数据应用案例证券业正主动寻求技术变革以适应智能时代的业务和技术要求，在大数据应用、数据科学与数据工程上逐渐增加研发投入力度。例如，部门券商成立了网络金融部，立足于互联网、移动互联网端的基金/理财/固收/证券化产品的线上销售、投资顾问服务，如国泰君安、银河证券、华泰证券、海通证券、兴业证券、东方证券等。
网络金融部往往与市场营销部门合作，通过自主开发或采购大数据分析平台，结合PC端、APP端、H5端、鐧界櫆椋庝紶鏌撲汉鍚?涓UM-D