大数据时代银行资产管理业务探索（转）（下篇）

寒泣露

接上篇

大数据时代的资产管理业务
　　尽管大数据的应用在技术方面仍存在许多挑战，例如如何探索大数据复杂性和不确定性特征描述方法及大数据的系统建模、如何对数据进行“二次挖掘”等，应用也尚处于摸索阶段。但我们仍可借鉴大数据思维方式和新的数据挖掘技术提高商业银行资产管理业务的产品开发、销售和管理能力。
　　充分利用集团信息库进行资产管理业务信息挖掘
　　商业银行信息化平台的最终目标是要建成非结构化信息的统一检索、集中共享与综合应用的平台，面向全行提供信息检索和挖掘服务，并与数据仓库中结构化信息相互配合、互为补充，形成面向客户和应用的信息资源整合。因此，资产管理业务应充分利用集团信息库进行信息挖掘。
　　首先，信息化平台打通了银行内部已有的各个数据仓库，实现了原有的结构化数据的流动，进而资产管理业务可将原有结构化数据仓库及其他部门的研究成果应用到投资管理实践中；其次，在实现了非结构化数据集中共享之后，可将与资产管理业务相关的各类外部数据，如客户外部信息、微博信息、销售信息、价格信息等整合到信息平台，利用Hadoop模块对于各类非结构数据进行“数据清洗”和“打标签”，为资产管理业务的客户营销、投资管理、风险管理等提供有效支持。
　　创建多元化理财产品销售渠道和营销模式
　　精准营销是大数据时代的主要特点之一，对于资产管理业务而言，真正达到精准营销需要利用大数据技术打通内外部数据，分析客户需求和客户流失的原因，有的放矢地进行销售和市场预测，并及时调整产品及销售战略。营销的过程始终不会离开“人”的因素，包括营销的受众、推动和评估，而互联网营销很好将其结合并凸显了移动化、智能化、感知化和精准化等特点。
　　因此，大数据背景下资产管理业务发展应多元化理财产品销售模式：一是拓宽渠道，包括利用电商直销平台、微信银行、微信推送信息、第三方销售平台等方式扩大投资群体，同时加入客户评价和推荐功能。二是针对机构投资主体或是大客户，建立客户信息库，及时跟踪大客户和机构客户在投资和消费方面的偏好变化，同时培养资产管理部门自己的销售队伍。通过针对性的产品设计和营销、实时地推送和推荐，减少客户流失和增加潜在客户。三是做好市场预测。利用大数据进行预测是大数据挖掘的核心，营销部门应利用信息平台优势、结合同业市场产品动向，及时向后台反馈销售变化预警信息，辅助中后台实现迅速有效的流动性管理和风险管理。
　　探索基于大数据挖掘的量化投资策略
　　资产管理业务涉及的投资市场和领域广泛，涵盖了国内外市场可以投资的所有金融产品，因此投资策略中对套期保值和风险管理的要求也日渐增加，量化投资策略的作用也逐渐受到关注。商业银行可以探索将微博的作用加入到量化投资决策中，同时利用非结构化信息平台开发新型的简单易行的投资策略模型。
　　一般来说，数据库形式的金融数据挖掘分为两类，一是银行历史数据挖掘，另一类是证券数据挖掘。资产管理业务的数据挖掘既涉及对融资人的信用评估，又包括证券市场的数据挖掘。以股票投资为例，基于大数据挖掘的量化投资方法主要有两类应用，一类是上述案例中利用网络信息预测金融市场价格，印第安纳大学的著名学者约翰·博伦和毛慧娜的实证研究表明，分析师将Twitter中的情感表现加入神经网络模型进行分析预测，发现预测准确率上升了18.3%，绝对平均误差下降了6.5%。二是基于粗糙集（Rough  set）的股票价格预测方法。该理论的核心思想是在稳定分类能力不变的情况下，通过约简得到分类规则或问题的决策分类，从不完整、不充分的信息中挖掘数据中隐含的有价值的规律。此外，债券投资也可以对全体债券样本进行神经网络分析进而得到债券评级，为投资决策服务。
　　开发基于大数据挖掘的信用风险评分法
　　传统的信用风险评分法是利用历史违约样本通过本地化的数据挖掘，结合定性分析得到信用评分的代表性指标的过程。而宏观经济不确定性、客户需求的多元化正在考验着商业银行及资产管理业务的风险管理能力，并对传统信用评分法的准确性提出了更高的要求。在资产管理业务中，占有多数份额的项目融资非标资产需要资产管理人员对融资人进行信用评价。由于资产管理业务是完全不同于商业银行信贷业务的契约模式，除了可以参照银行信贷审批系统和信贷标准之外，项目审批人应该建立一套有别于传统信用评分模式、适合资产管理业务特征的项目融资信用评价体系。因此，借鉴Zestfinance评分模式，基于银行信息平台对融资人进行信用风险评估的大数据挖掘方法，如神经网络信用评分法与支持向量机（SVM）信用评分法，可能将成为未来金融领域信用评分的新趋势。其中，支持向量机的信用评分在解决小样本、非线性及高维模式识别中具有一定优势。目前，结合支持向量机和模糊系统的机器学习方法正在成为继神经网络研究之后新的研究热点，并逐渐应用在系统识别、生物信息和行为科学以及金融等领域。Zestfinance便是将机器学习法首先开发应用于贷款违约主体信用评分体系中的金融机构。
　　利用数据挖掘进行流动性管理
　　随着利率市场化的深入，资产管理业务将面临愈加严峻的流动性风险，也要求更高的流动性风险管理技术。区别于传统银行业的流动性风险管理技术，资产管理业务流动性管理要求更加准确的市场预测，包括对政策风险、客户偏好、销售业绩和同业竞争等信息的全面把握和分析预测，同时及时调整投融资策略。大数据挖掘采用非结构化数据的分析技术，符合了资产管理业务流动性管理的多样需求。因此，在资产管理业务中，流动性管理可以说是大数据理念最为简单易行的实践。阿里金融使用大数据分析进行流动性管理的实践为业内提供很好的借鉴，理财业务也应充分利用现有的资源和平台，发挥数据优势，开发建立在全行信息平台基础上的流动性管理系统，提高监测和预警准确性，进一步提升流动性管理水平。
　　随着信息化银行的推进和大数据技术的蓬勃发展，资产管理业务的发展既有机遇也面临着一定挑战。正如工商银行资产业务总监陈晓燕所强调：“资产管理业务没有创新，便无法生存。”在大数据时代，资产管理业务的创新应是全面的创新，包括产品创新、销售管理创新、投融资方式创新、金融数据挖掘方法的创新以及后台理财业务流动性风险管理、投融资信用风险管理等涵盖资产管理业务前中后台各个方面的创新。这与其说是信息技术带来的革命，不如说是一次理念和思维的转变。