鑽石舞台

基於大數據和AI技術的資管投研一站式解決方案

——中銀基金

一、背景分析

2017年國務院印發《新一代人工智能發展規劃》，提出了面向2030年我國新一代人工智能發展的指導思想、戰略目標、重點任務和保障措施。金融領域作為最早落地人工智能技術的場景之一，至今已經歷了有關智能金融、科技金融、創新金融等一系列金融科技革新，資管投研數字化作為其中的關鍵細分領域，也孕育了一批市場化的金融數據服務商；各大金融機構、創業公司以及互聯網巨頭都在此領域積極布局。

2020年8月，證券業協會對證券行業數字化轉型情況進行了調研，並發布《關於推進證券行業數字化轉型發展的研究報告》。報告提出，要促進金融科技應用融合；逐步建立完善人工智能、區塊鏈、雲計算、大數據等數字技術在證券行業的應用標準和技術規範；鼓勵證券公司在人工智能、雲計算、大數據等領域加大投入、促進信息技術與證券業務深度融合，推動業務及管理模式數字化應用水平提升。

目前市場上資管、券商賣方機構一般也會進行月度、季度、年度的重要經濟變量預測、行業及個股研究分析等研究，但普遍運用的研究方法存在以下痛點：

缺乏完善研究體系：市場上大多分別專注各個模塊、滿足特定的應用場景、只能解決部分業務需求痛點，沒有統一完善的研究方法體系。

缺乏定量科學依據：賣方常用的預測方法以邏輯推演為主，缺乏定量的科學計算依據，在方向判斷上具備一定參考價值，但在具體數值上預測缺乏準確性，由於很多賣方沒有可以直接輸出結果的量化預測模型，所以更新經濟預測步驟較為繁瑣，及時性不夠。

缺少共享沉澱機制：過去公司的盈利預測、財務分析、估值等研究成果基本僅有研究員本人可以隨時查閱，除了深度匯報、研究部策略會等正式路演會有部分展示之外，分享、比較、留存的機會較少。

容易受到市場干擾：市場資產收益率預測和資產估值的研究結果比較容易受到市場噪音、研究員個人偏好等短期或主觀因素擾動。

市場環境是一個具有多維、多元、多層次的龐大綜合統一體，資管投研項目通過總行各部門以及中銀基金多年的研究經驗，以及中銀金科大數據、人工智能、知識圖譜技術沉澱，融合先進的市場量化投資理念，形成立足於宏觀市場、中觀行業和微觀產品及交易分析四個層面的資管投研產品服務，打造了「知宏觀、通中觀、曉微觀、善交易」上下貫通的全方位研究體系，建設並打造了滿足投研人員日常研究工作以及策略配置工作的一體化智能投研平台；幫助資管機構發現市場機遇、挖掘投資機會、規避投資風險、沉澱投資知識、提升研究效率。打造投研核心競爭力，實現業務的數字化、自動化和智能化，從而實現資管價值鏈端到端賦能。基於研究成果，項目定期出具《宏觀預測模型運行報告》和《中國債券市場分析報告》兩份雙語研報，可發布在國內主流金融數據終端。

二、總體實施

（一）創新資管研究體系

結合資管行業投研領域研究業務模式，創新整合「知宏觀、通中觀、曉微觀、善交易」 四個主要系統場景建設，打造上下貫通全方位研究體系。

1、知宏觀

針對豐富的經濟指標庫及高頻數據，通過模型（金融模型、機器學習算法）運算，構建了與國內資產交易市場關聯度密切的四大類基礎宏觀變量，即經濟總量（GDP）、工業增加值、通貨膨脹（包含CPI、PPI、GDP平減指數）和人民幣匯率預測模型，對宏觀市場走勢進行預測和研判，幫助研究人員更加準確的掌握市場經濟發展走向，從而更加合理的進行市場投資預判。

2、通中觀

基於行業產業鏈分析，抓住行業周期以及板塊輪動的變化趨勢，梳理產業鏈上下游關係，藉助產業鏈分析找到行業中最優價值的子行業以及最優發展潛力的企業，提供行業上下游形勢變化分析以及行業發展前景預測，服務工業互聯網、生物醫藥等國家戰略新興行業，形成細分行業企業價值評估框架以及估值模型，精準價值評估；同時支持全流程的資產配置研究，結合市場以及投資偏好，提供全方位的資產配置建議。

3、曉微觀

基於擇股與擇基兩個層面，前者通過企業經營數據預測來進行上市公司財報的預測、估值測算，後者採用基金公司-基金經理-基金業績三個維度的量化分析，並提供數百種收益、風險、歸因指標評分體系以及績效分析歸因模型，幫助研究人員快速挑選投資標的。

4、善交易

提供高效的產品管理與策略回測平台，快速驗證交易策略的可行性和有效性，及時調整投資方案，保證投資策略在實戰中的有效性與最優化。通過模型框架研究，沉澱投研因子指標庫、機器學習算法箱等投研建模工具，提供專業的智能化研究場景落地服務，輔助用戶在投資研究過程中高效處理信息、快速挖掘投資線索，為投資決策提供重要支持，構建投研團隊核心競爭力，提升企業金融投研領域行業影響力。

（二）系統技術架構

智能投研系統技術架構如下圖所示。基於 Spring Cloud 微服務化開發平台，具有統一授權、認證後台管理系統，其中包含用戶管理、資源權限管理、網關 API、註冊中心、配置中心管理等多個模塊，支持多業務系統並行開發。

（三）系統物理架構

投研系統以邏輯集中的方式進行部署。使用前後端分離，極大降低了系統各部分之間的耦合性，並且將前後端都封裝於Docker 容器中，使其能夠極為方便地被運維系統所管理，大大降低了項目在不同系統中的運維部署成本和項目的遷移成本。WIND 數據庫作為重要數據源，後端應用僅從其中讀取數據，而無寫入操作。所有寫入操作均針對投研系統內的 Oracle 數據庫進行。

三、重點成效

目前本項目已在資管領域多家機構和部門推廣應用，平台已於2020年底上線內測版本，經過多輪迭代，於2021年10月份完成正式版本發布。研報方面，自2021年3月起定期出具《宏觀預測模型運行報告》和《中國債券市場分析報告》雙語版研報，提供前瞻性展望及投資建議；應用方面，為投研人員提供全方位「投研模型研究、策略配置、組合管理、業績回測」的企業級量化投資解決方案。

（一）幫助市場觀點進行及時修正和改良

通過定量的科學計算依據，構建合理的預測模型，尋找具有解釋力的領先指標，對相關市場重要投資標的和衡量變量做出更為量化和及時的預測，以此為依據對外部賣方的觀點進行有效修正，強化投研人員對未來宏觀經濟走勢的判斷，提高投研自上而下投資判斷的前瞻性。通過可以直接輸出結果的量化預測模型，提升經濟預測更新時效性，提升投資研判準確性和時效性。預測模型的預測精準度、方法多樣性、更新頻率行業領先。自2020年5月運行以來，宏觀預測指標包括CPI、PPI、GDP平減指數、工業增加值、GDP、匯率等，預測公布時間早於大多市面其他機構，預測能力行業領先，預測模型評價指標R—square跟蹤至今均超過0.9，準確度超過市面上80%的主流賣方預測機構。債券研究方面，NS和Hermite模型估計效果均達到理想水平（95%以上），擬合結果準確有效，目前已完成對7大券種、70+類子細分項債券的基礎收益率曲線擬合研究，建立共計包括2XX個指標因子庫，運用邏輯回歸、支持向量機、隨機森林、Adaboost、隱馬爾可夫、高斯混合六大機器學習模型對十年期國債收益率走勢變動進行預測，預測準確率平均達75%以上，並運用多指標構建債市同步投資交易指數，對標十年期國債收益率，指數擬合優度高達97%以上。企業估值模板也已完成包括對A股全市場和港股上市公司的財報經營預測分析，並建立製造業、金融、地產等各類財務分析模版，供研究員建模共享。良好的準確性和專業性，能夠真正實現針對業務投研數字化、科技化研究需求，提供專業的智能化研究場景落地服務，有效幫助金融機構創收。

（二）有助於整合分散的研究成果並實現便捷地留存與共享成果

搭建資管投研平台之後，研究員可使用其中的公司財務及估值模型，及時將上述研究成果上傳留存在平台中、並可追溯歷史調整變化，投研平台上線以來，通過有效整合分散的研究成果並實現便捷地留存與共享成果，積極服務中銀上百人的研究與投資專家團隊，研究員日常工作效率提升30%，有助於研究成果的優化、積累與沉澱，並就相關假設、計算過程、結果進行分析比較和交流，幫助形成投資觀點和決策。盈利預測及估值的更新變化更加可視化，幫助投研團隊及時掌握調整情況，增強研究轉化效率，並提升投研團隊的溝通效率。

（三）提供定製化的平台使用服務幫助投研人員提升自主模型開發建設能力

針對提升服務品質，資管投研項目提供滿足業務需求的定製化服務：根據業務建議結合第三方觀點，提供模型算法選擇以及模型參數調優模塊，開放對模型預測結果進行調整和修正的窗口，滿足不同角色用戶需求，體驗更富智能化和個性化的服務，增強平台系統的專業度和可拓展性（靈活性），有助於提升投研人員自主模型開發建設的能力。

四、價值及示範亮點

（一）HI+AI人機結合

1、大數據價值賦能

通過整合金融市場全方位，全面集成了市場公開數據、供應商數據、內部投研數據等。數據範圍覆蓋：宏觀數據、股票基金數據、上市公司數據、行業指數數據等。結合大數據技術，以完備齊全高達千萬量級的數據儲備完成資管市場相關投研數據整合，構建企業級「大數據+AI」雙驅動共享生態。形成投研大數據「統一數據、統一架構、統一生態」全流程標準化數據治理。

2、「一站式」投研因子庫

從宏觀基本面、微觀基本面、貨幣政策與流動性、投資者行為四個維度進行指標庫構建。對大量異構數據進行結構化、量化加工處理，通過加深金融語義理解和分析能力，從而將大數據真正利用到數據建模和金融投研的業務場景中。同時，將因子庫集成到智能資管投研平台中，實現各市場預測模型中因子預測功能的對接，實現「多個終端，一個平台」，一站式指標因子查詢與獲取。

3、「互動式」模型工具箱

基於市場多年的投研積累，已經投研產品建設經驗，整合現有模型框架，並緊密結合業務需求，形成一套滿足投研團隊實際需要，方便日常研究工作以及策略配置的「交互式建模」工具，幫助投研人員整合數據與模型，並快速形成自研模型的開發和管理。

4、體系完整-全方位研究閉環

對比同業分別專注各個模塊、滿足特定的應用場景、只能解決部分行業痛點的業務模式，創新性的融合「知宏觀、通中觀、曉微觀、善交易」 四個主要系統場景建設，形成一套滿足投研團隊需求，打造上下貫通全方位研究體系。

（二）算法前沿-AI技術創新優勢

對比傳統投研同業依賴於通過Wind、彭博、新聞媒體等獲取信息，我們通過應用圖像識別、語義識別、自然語言處理等技術對非結構化數據進行加工處理，構建涵蓋SVM、隨機森林、LSTM、CNN等機器學習的算法模型工具箱，藉助AI技術建立相應的因子動態篩選和調整機制，保證相關預測模型的持續生命力和可信度。目前已涵蓋100+種數據處理與檢驗算法以及50+算法模型。

（三）技術先進-系統設計創新

平台技術上，採用微服務、多租戶、低代碼等設計理念搭建領先的技術平台，並且結合圖像識別和rpa技術，做到研報的自動化出具，並通過大中小屏滿足到不同角色的用戶。

（四）柔性機制-「金融+科技」高度融合

中銀金融科技有限公司發揮金融科技力量，聯合中銀基金管理有限公司、中國銀行全球市場部、中國銀行人民幣交易業務總部、中國銀行投資銀行與資產管理部、香港分行等業務權威部門，與位於市場前線、實時參與市場的先鋒精銳人才隊伍，聯合共建柔性工作機制，在模型共建、系統設計、研報撰寫等多方面成果建設中群策群力，積極踐行「金融+科技」業技融合。

五、可推廣性

針對投資總監、研究員等多類用戶角色，提供投資研究分析多維度的功能展示。依託大屏、中屏、小屏三類不同載體的形式， 適應多種不同場景，提供全方位的投資決策分析支持。大屏展示全市場概況看板，一圖讀懂投資信息概況和每日熱點變化實時動態追蹤；中屏系統端實現深度投研互動，供研究員、投資經理開展深度投研分析操作，開放自主構建模型框架功能，實現模型及研究成果共建共享；小屏移動客戶端提供便捷查看功能，每日根據自選和全市場監控指標及企業庫信息，即時新聞訊息推送輿情預警及動態資訊，實時掌握市場變化，把握投資先機。

預期服務對象：從金融行業領域來看，未來除了投研部門之外，金融數據服務的對象豐富，包括投行業務部門、銀行信貸部門、監管審核部門等。從渠道平台來說，未來將進一步藉助中銀集團總行的同E贏平台，進一步推廣到還有媒體、企業、政府、法律機構等其他潛在客戶。

1、市場規模

回顧2012-2020年，根據銀行業理財登記託管中心公布的數據，中國資管市場規模已經增長到121.6萬億，未來，資管市場的規模仍會進一步擴大，投研的需求也會變得更加旺盛。

2、服務規模

未來主流金融機構將進一步加大資管投研領域的投入，各大金融機構（銀行理財23家，券商資管136家、保險資管220家、公募基金132家、私募基金24568家，信託68家）均可以作為未來展業的首要目標。

3、服務地域

上海作為金融中心，以服務上海金融機構為切入點，有望逐步拓展至長三角地區、並進一步推廣全國。未來，將繼續關注資管行業的格局業態，秉持優勢互補、開放共贏、合作共享的積極心態，實現共創共享。

投研系統隨着客戶的推廣，發展「中銀智能投研項目」對於宏觀、利率、匯率的走勢進行前瞻性分析，位於市場前線、實時參與市場的先鋒精銳人才隊伍，各研究專家能在建模迭代等會議中切身參與，積極投入自身研究經驗，緊跟市場前沿理論動態，正是踐行「業技融合」、科技賦能業務的切實舉措，具有重大戰略意義。智能投研系統如能經受市場各方參與者、投資主體的考驗，便能進一步助推總行各單位踐行以客戶為中心的業務理念，提升中銀集團在客戶中口碑，打造形成中銀特有的研究品牌和社會影響力，讓金融+科技的成效遠遠大於算術相加，更可以得出推而廣之、遍地開花的金融數字化新興產業生態圈。