清华大学金融科技研究院孵化
金融科技与金融创新全媒体

扫描分享

本文共字,预计阅读时间

文/中泰证券股份有限公司徐兆刚、赵阳

(本文为“证券机构数字化转型与证券科技创新”征文活动入围文章。)

近年来,随着大数据、云计算、人工智能等技术在证券行业各个领域的全面应用,金融科技日益成为赋能证券公司业务发展、提升管理效能、驱动行业变革的重要力量。数字化时代,数据资源逐渐成为证券行业发展的核心资产,智慧型、数据化将是证券行业未来主流的运营模式。数据治理是证券公司核心竞争力的重要体现,数据生态是证券业高质量发展的重要基础设施。无论数据治理,还是数据生态建设,根本在于数据价值挖掘,重点在于推动实现数据价值最大化呈现,以此赋能证券行业发展。

马克思在《资本论》中指出,价值的存在要以使用价值的存在为前提,使用价值是价值的物质承担者;价值是交换价值的基础,交换价值是价值的重要表现形式。从这一层面来看,数据作为一种资产,其价值将体现为数据的使用价值和共享价值,数据资产增值的关键在于充分挖掘“数据资源”,实现向“数据资产”的转化,通过对数据生成、使用、传播、共享的全链条管理,降低数据使用成本、实现数据互联、提升共享效率。研究证券行业如何通过数据治理,实现数据应用对证券公司发展赋能;通过全行业内外部数据互联、共享,推动建立良性循环的数据生态体系,打造协作共赢的有机整体,推动实现高质量发展,具有重要意义。

一、证券行业加强数据治理的必要性分析

(一)加强数据治理是持续满足金融监管要求的必由之路

随着资本市场对外开放力度不断加大,证券公司各类业务融合、创新发展速度加快,如何有效提升金融监管的广度、深度、精度,提升监管效能,将是一项重点工作。作为资本市场最主要的参与主体,证券公司必须通过对大量存量数据的有效治理,全面提升监管响应速度、满足日益趋严的金融监管要求,同时最大程度控制监管科技投入、持续提升行业整体风险管理能力。

(二)加强数据治理是证券公司提升金融服务能力的内生需求

经过近三十年的发展,证券公司各项业务开展、经营管理、风险控制等对技术的依赖度越来越高,由此相伴而生了各类专项信息系统,积累了种类繁多、数量庞杂的数据资源。实现数据整合和分享,提高数据应用价值,是数据治理的根本目标,这就需要证券公司改变“烟囱式”的业务系统建设模式,摒弃各专项业务数据相互隔离的数据生成模式,通过数据治理,建立公司层级、跨业务条线的数据资源生成和数据资产管理标准和规范,借此加速数据资源共享效率、挖掘数据资产价值,以数据资产驱动证券公司市场竞争力提升。

(三)加强数据治理是证券公司优化内部管理的有效路径

证券公司业务开展受“牌照”制约,业务门类是伴随资本市场不同发展时期、不同发展阶段顺次推出的。鉴于初期证券公司自身技术开发实力有限,交易、结算、融资等关键业务系统以及服务支撑、经营分析、决策支持、合规风控等经营管理系统基本是由多家技术开发商在不同时点、按照不同标准模式建设完成的。各应用系统“烟囱式”林立,虽在独立系统内部数据业务含义、数据结构、数据标准相对统一,但在跨业务条线方面难以实现数据标准的一致性。这种各自为战、“烟囱式”的系统建设模式,必然导致证券公司整体层面上出现数据结构繁杂、数据业务含义多义、业务数据表象多样、数据质量参差不齐等问题。只有加强数据治理,有效整合各系统、各业务线上的分散式数据资源,充分挖掘数据价值,才能为证券公司优化内部管理、强化风险管理提供有效的数据支撑。

二、证券行业数据治理分析、探讨

(一)证券行业业务及数据空间描述机制探讨

对证券行业业务空间的数字化描述是认清数据来源进而开展数据治理的基础和前提。从证券行业数据空间来看,证券公司一方面为各类客户提供直接的投融资服务,产生大量自有的资本市场业务数据;另一方面,又承担着与交易所、登记结算机构、监管机构和行业自律组织等市场参与主体的数据交互职责,形成了大量的共享数据。整体来看,各类投融资参与者、各证券公司、各类交易所、中央登记结算机构、证券监管机构、行业自律组织以及信息技术服务商共同构成资本市场数据来源的供给者,形成数据生态圈中相互独立的数据生态节点。其中任何一家证券公司都是该生态环境空间中的一个节点,其形成的自有数据全集也是整个资本市场数据生态圈数据总量的子集,并与其它各节点形成网状的数据交互连接。

从证券行业业务空间来看,证券行业管理模式是牌照许可下的授权经营业务,从国内第一家证券公司成立以来,经过近30年的发展,各项业务从无到有,从单纯的经纪业务发展到承销保荐、资本中介、融资中介、投资交易、资产管理等门类齐全的业务结构,形成了投资融资、场内场外、国内国际并举的业务空间,期间贯穿了“业务功能需求→技术平台体系构建→业务支持技术平台升级→生成专项业务数据”的演进过程,由此形成了多维的业务空间格局、数量庞大的业务支持系统以及来源广泛的数据生成系统。因此,证券公司多维业务空间及其持续演化是产生海量金融数据的根源。对证券公司业务空间的精确描述是是实现数据有效管理的核心前提。

整体来看,证券公司数据空间可以划分为三个维度:一是自主生产和消费的数据。类似本土语言,通过自主可控的数据治理过程,形成统一的业务语言及数据语言标准和数据资产集,从而明显降低数据交互成本和难度,提升券商内部数据交互效率。二是外来数据。类似数据外语,证券公司无法依据自定的数据资产标准约束外部数据,更多是依从外部机构的数据标准进行数据内容翻译,必然增加必要的数据翻译成本。三是对外交互数据。类似个性化的小范围通用数据语言,需要证券公司与相应机构个性化协商、确定相应数据标准。

图1 证券公司多维业务空间及数据交互

(二)证券行业数据治理工作范畴

虽然证券公司的业务空间体系及相应的业务管理体系都客观存在、有序运行,但在其业务空间和数据空间相伴相生的演进过程中,更多关注于业务牌照的获取和业务功能的实现,普遍忽略对其多维业务空间体系的数字化标识和可视化展示,基本停留在电子表格或PPT等手工、静态的管理层次上,不可避免的出现动态演变的业务空间与静态描述内容之间的脱节与失真。证券公司在数字化转型过程中,应建立一套可动态、精确描述多维业务空间的数字化标识策略和标识方法,实现对多维业务空间的精确描述和可视化展示,同时有效管理全量数据资源,通过数据治理实现管理目标。具体来看,证券行业数据治理存在狭义和广义范畴。

1、狭义数据治理范畴--基于业务空间的数据

狭义数据范畴是证券公司在经营过程中源自不同业务系统自主产生、在公司范围内自主使用的数据,包括金融业务数据和经营管理数据。其中,金融业务数据是证券公司向客户提供金融服务过程中产生的数据,具体包括各交易系统、客户触面系统、交易结算等生产性业务系统中所产生、沉淀的客户资料、业务合同、客户行为、服务记录、业务办理留痕等相关数据集合。经营管理数据是证券公司为保证各类经营活动和持续稳健经营,通过各类管理系统产生的数据,包括经营统计分析、业绩考核、投资经营、决策支持、合规风控、财务、人事、行政管理等相关数据集合。

该类数据范畴主要表征为各类具体业务执行过程的数字化记录,在对应的业务系统中,分别具有确定的业务含义和数据结构,但从不同业务条线、不同技术系统层面来看,缺乏公司层面统一的业务含义、数据定义、数据结构和数据标准。

2、广义数据治理范畴--基于全局业务空间的数据

广义数据范畴是证券公司为提升其金融服务能力、精细化管理水平、经营风险控制能力,满足日渐严格的金融监管要求,证券公司从公司层面针对各业务条线实际业务运行空间进行详细的业务抽象和业务定义,通过数字化手段衍生、生成的各类全局性业务描述、数据标准等数据。主要包括:用于动态、精确描述证券公司当下各业务空间维度的数据;动态、精确描述公司各业务条线运营流程及运行效率的数据;数据治理过程中生成的各类编码规则、数据字典、各类模型等数据资产标准类的数据。该类范畴数据更多表现为公司级统一的数据资产标准,同时应具备自我再生和动态升级的自管理能力。

3、广义数据和狭义数据间的辩证关系

狭义数据范畴来源于证券公司业务发展及相应技术系统的不断演变,而广义范畴的数据基于狭义数据基础,源自内部治理、监管要求、证券公司自身提升管理效率管理精度要求等因素触发形成,基于广义范畴的数据治理反过来会对业务系统升级、新应用系统开发涉及的数据层面的标准化形成刚性约束。因此,数据治理过程中生成的广义数据范畴的数据质量,以及对狭义数据集合的覆盖范围,既是评价公司数据治理有效性的重要标志,也是数据治理最为核心的任务目标,无疑会对提升证券公司业务需求响应效率、运营效能、合规风控管理等综合竞争能力产生长期、深刻影响。

三、证券行业数据治理的问题、障碍

目前,多数证券公司都在不同层次、以不同方式尝试推进数据治理工作,旨在满足日益强化的外在监管要求,以及业务发展、合规风控、经营管理等内生需求。据统计,已有超50%的证券公司制定了公司层面的数据治理战略规划,80%的证券公司建立了数据治理组织架构,70%的证券公司在数据治理不同领域制定了相应章程、办法、规范,超过60%的证券公司基本实现了数据集中,70%左右的证券公司不同程度地对数据质量进行了管控,50%以上的证券公司数据治理工作涵盖或部分涵盖了子公司,个别大型证券公司在数据标准、元数据、数据生命周期管理方面处于行业领先地位。但是,大部分证券公司在对数据治理认知、组织保障、实施路径、技术路线等方面存在较大差异,普遍处于尝试阶段,与银行业、国际一流投行相比,尚有不小差距。

1、技术层面缺乏精确刻画证券公司业务全景的数字化描述方法或描述规则

从业务演化及数据生成逻辑来看,伴随证券行业发展,首先出现的是业务需求,进而配套建设相应的业务支持系统,最后生成与业务需求严格对应的数据集合。如果缺乏可精确描述证券公司全量业务的描述规则,就无法在整体层面实现源自单个系统的技术性数据资源向全量业务性数据资源的有效转化、整合及使用,“烟囱式”业务功能集和专用业务数据集的构建模式就难以避免,不仅严重影响数据资源的共享效率,更难做到数据资产的充分挖掘、数据资产的传播和复用以及数据资产的有效管理。

2、庞杂的数据标准集与业务空间频繁、动态变更之间的失配

目前,行业内大多采用传统的数据标准化治理思路,通过借鉴国外类似DAMA等数据治理理论框架,建立公司层面跨业务条线、跨技术系统的统一数据标准。该模式一定程度上实现了信息共享效率提升、数据共享成本降低,但对不断拓展的证券公司业务空间以及基于不同业务需求持续开发的支持系统,使得底层数据标准集规模不断扩大,基于狭义范畴开展的数据治理难度日趋加大,难以有效匹配日新月异的应用场景变化。

一是传统数据标准化治理思路刚性要求应用系统开发人员、第三方集成商,在升级既有业务系统或开发新应用系统过程中,严格遵循庞杂的数据标准集。实践中,这种做法几乎不可能实现。

二是对数据管理人员而言,过于庞杂的数据标准集不仅导致数据管理难度、管理成本、数据存储成本迅速增加,还会伴随数据标准集的持续扩展,造成数据治理难度的非线性增加,长期、有效的数据治理难以为继。

三是对证券公司而言,业务空间日渐精细的动态分化和演变是永恒的常态,要维持庞杂的数据标准集内容与业务的动态演化持续保持严格同步十分困难,造成实际业务数据与标准覆盖范围之间长期存在偏差,数据标准集本身的权威性和实用价值逐渐丧失。

四是单一市场主体数据标准集的庞杂势必延滞整个行业的数据治理生态建设。从数据空间来看,任何单一市场主体不仅是自有数据的生成、使用主体,还是资本市场数据生态环境的一个数据集节点。目前,资本市场各参与主体在数据治理方面各自为战,内部系统林立、数据标准各异,客观上增加了数据在各节点之间的交互成本和难度,宏观上导致整个行业数据生态的低效、迟滞运行。

3、行业层面亟待完善关于数据治理业务的顶层设计和指导性文件体系框架

资本市场的永续发展,决定了证券行业数据治理将是一项战略性、长周期、高投入的持续性系统工程。目前,行业内缺乏系统性的有关数据治理的顶层设计,2018年,证监会出台了《证券期货数据分类分级指引》,从数据分类管理的层面对行业数据治理起到了较大推动作用,但至今仍未出台有关数据治理的行业性指导文件,市场也无成功的数据治理模式可供借鉴,各参与主体无法在统一的框架指引下开展数据标准制定、数据资源共享等治理工作。

四、加强行业数据治理及数据生态建设的路径

数据治理的根本目的是借由数据治理过程,建立高价值数据资产基础,进而高效支持公司金融业务创新和经营管理创新;通过数据互联、共享,支持行业构建数据治理生态、实现高质量发展。加强数据治理和数据生态建设的关键,在于如何实现各专项业务系统内部数据标准相对统一,如何解决各专项业务系统内部数据与公司层面跨业务条线数据标准相对缺失之间的矛盾。目前来看,数据治理最大的障碍并非是数据的标准化,而是在各业务条线业务单元数据表述上存在二义性或多义性。为避免传统数据治理模式存在的数据标准规模性约束、实用性弊端,基于证券业务本质和业务逻辑,构建“元素性”数据标准集是一条值得探讨的可行路径。

(一)“元素性”数据标准概念

“元素性”数据标准集即为证券行业的“元素周期表”,所有业务数据均可据此标准进行分解,提炼为原子数据,亦可经由结构化定义方式,将原子数据通过动态组合,生成各类狭义、广义范畴的数据集合。“元素性”数据标准集包括各类业务、数据编码规则、数据字典、数据模型、计算模型、业务逻辑模型以及相应模型对应的属性描述等内容。

(二)“元素性”数据标准特征

一是规模有限、易于管理。只有将“元素性”数据标准集的规模限定在一定范围内,才能保证数据标准集在公司数据资产挖掘、新业务支撑过程中的有效性、实用性和权威性,且便于此后“元素性”数据标准集的更新、维护和保持与业务演化之间的动态同步。

二是相对静态和稳定。证券公司各条线业务空间是动态分化、不断演进的,与此对应,相应的业务数据的生成、使用也是一个长期的动态过程。为确保“元素性”数据标准集的权威、可用性,必须保持“元素性”数据标准集的静态、稳定,降低其对业务演变的敏感性。

三是具有极强的业务包容性。“元素性”数据标准集不是简单的跨条线业务数据的标准化,而是从金融行为和金融服务本质出发,在高度抽象现有各各项金融业务基础上,建立的类似描述物理世界的“元素性”数据标准集,既可以包容现有的金融业务数据,又能支持未来新生金融业务数据的标准化转换。

(三)“元素性”数据标准优势及应用空间

图2 “元素性”数据标准集

1、借由“元素性”数据标准集,逐步实现业务类系统与管理类系统之间的数据解耦,宏观上降低后续信息系统建设成本和管理难度。“元素性”数据标准集有别于各专项业务系统的自有数据标准,通过抽象原生业务数据生成原子数据,再借由原子数据的低成本、动态组合定义,再生出满足各种管理类业务的数据需求,解决数据原生业务系统与管理系统之间日渐繁杂的数据“耦合”难题。

2、避免业务系统开发过程中因数据标准刚性约束而增加额外投资和管理难度。“元素性”数据标准只用于对各业务系统原生数据的原子化转换,不必刚性约束系统开发商,各专项业务系统仍可沿袭开发商的自有数据标准,不影响新业务系统的开发效率。同时,证券公司也可省却因数据治理而引发对既有数据原生系统进行改造、升级的额外投资,避免新增技术管理难度。

3、有助于提升证券公司信息系统建设的自主可控能力。数据治理过程中,证券公司是提炼“元素性”数据标准的主导方,具有较强的专项工作自主可控能力,同时,也自然成为各类数据需求动态定义、快速生成的管理主体,明显提升数据需求响应效率、降低数据支持成本的同时,一定程度上可化解被应用系统开发商绑架的行业窘境。

4、有助于缩短各种业务管理类系统的开发周期、降低开发成本。传统方式的应用系统开发,通常需协调多个开发商,分别进行相关数据接口定义、数据交互程序编码及相关接口测试,这一数据准备工作通常占到整个系统建设成本和建设周期60%的比例。基于原子数据的动态定义、便捷生成的数据准备模式,无疑会明显缩短数据准备周期、压缩数据准备成本,宏观提升应用系统开发效率。依据“元素性”数据标准集,在将现有金融业务数据提炼为“原子”数据集基础上,借由结构化定义的方式,动态组合、生成各种管理、监管所需数据,实现以更低成本、更高效率实现数据资产价值。

图3 多系统数据耦合复杂度精简示意图

(四)“元素性”数据标准集的建设路径

研究、创新构建“元素性”数据标准集的目的在于从公司,乃至全行业层面建立跨“烟囱式”系统的数据资产标准框架,借由对公司全量数据资源的精细化梳理和统一管理,推动数据资产在业务发展过程中的复用度,充分彰显所挖掘的数据资产价值,实现数据治理目标。具体可以分为两个阶段、五个实施步骤。

图4 数据治理逻辑及实施路径

1、全量数据资源的“理”

该阶段的主要工作目标是精确梳理公司的全量数据、构建全量数据的管理能力,对应用研发人员、数据管理人员以及各条线业务人员提供高效数据检索或数据应用支持。

一是数据资源的梳“理”。该阶段主要工作是:针对公司繁多的“烟囱式”信息系统含有的浩繁、庞杂的数据资源,以及与外部机构的交互数据,建立一套可精确标识每个数据单元(或数据表)的技术性数据编码规则,通过对每个基本数据单元的编码,使公司具备对其全量数据资源及其变更情况的技术管理能力;

二是构建公司技术性数据资源池。该阶段工作最常见的表现形式是建立公司级的数据仓库或数据中台,在不改变原业务系统数据结构和含义的情况下,实现公司全量数据资源的统一存放和管理,形成公司的技术性数据资源池,重点面向应用研发人员或数据管理人员提供初级、集中式的数据需求支持和数据资源管理支撑;

三是研创合理的业务空间描述规则。研究、创设一套可精确描述证券公司业务空间的描述规则,并据此梳理业务单元与数据单元之间的关联管理,将公司数据仓库或数据中台的技术性数据资源,转化为面向公司各条线业务人员的业务性数据资源,便捷业务人员的数据检索和应用。

2、“数据资源”向“数据资产”转化的“治”

建立公司层面统一的数据资产标准、将“理”出的数据资源标准化转化、升级为公司高质量的数据资产,为后续数据需求及新应用系统建设提供高效、低成本的数据支持。

一是构建公司层面、跨业务条线的数据资产标准框架。核心目标是在公司层面、跨业务条线、跨众多技术系统,达成统一、无二义的基本业务单元含义共识,并同步确定相应业务单元含义的数据资产标准。

二是数据资产管理及应用支持体系构建。建立数据治理及数据资产支持平台,对“理”出的业务性数据资源进行数据资产价值判断,依据已确定的数据资产标准,完成高价值数据资源的资产转化,统一纳入公司数据资产管理范畴;同步建立完善的、针对数据资产标准本身的动态更新机制,确保公司业务演化而新增数据资源的资产覆盖,实现公司数据资产与业务发展的良性互动、同步扩张。

五、证券行业数据治理及数据生态建设的政策建议

证券行业数据治理及数据生态建设是一项重大的系统工程,只有包括证券公司、登记结算机构、监管机构、信息系统开发商等各类资本市场参与主体达成思想共识、共同努力,才能宏观推进整个资本市场的数据生态环境建设,促进构建形成高效、和谐的行业数据生态环境,强化中国资本市场国际竞争力。

(一)妥善处理证券行业数据治理各要素关系

1、妥善处理数据标准与治理结果的自包容关系

数据治理的初期目标主要是针对狭义数据范畴的治理,在此过程中,所产生的编码规则、数据字典、各类模型、数据标准等广义数据和经过标准化的狭义数据共同构成证券公司的数据资产集。针对证券公司业务空间持续演变、不断扩展的动态特征,在进行数据治理的顶层设计时,应特别注意数据治理过程中形成的各类标准化结果应自动包含在数据治理业务范畴和治理框架内,以防出现新生标准游离于数据治理框架之外的“游离标准”,避免数据治理工作的重复、迭代循环。

2、妥善处理相对静态的标准集与活跃的业务演变之间的关系

触发数据治理活动的前提条件是金融服务的业务创新、业务演变和监管深化,即持续、永恒的业务演变是数据治理的原生动因。而数据治理结果是数据治理的静态、显性表现,两者之间存在天然的动、因顺序,如何设计一套两者间科学、动态的“镜像”机制,是保证数据治理演进与业务发展同频共振的关键,也是确保数据治理结果权威、有效的基础。

3、妥善处理数据标准、数据资产的价值判断与促进公司业务发展之间的关系

数据治理的初始目标关键在于在公司层面建立跨业务条线的统一数据标准,以解决证券公司海量业务数据中名称、业务单元含义等内容的“多义”、“多异”现象,同时通过标准化过程,完成数据的价值评估、价值挖掘、数据资产在被复用过程中的价值呈现,以及数据资产本身的规范管理。在数据标准的应用价值判断方面,不在于所建数据标准集本身,而在于是否能够通过提升数据需求支持效率、摊薄数据复用成本,赋能业务创新、管理模式创新,切实增强风险控制能力。为此,数据治理的整体成果之一是需建设承担相应职能的“数据治理及资产应用平台”,通过该平台既可高效支持各类证券业务创新发展和管理模式创新,又能同步化解传统业务支持系统建设面临的诸多技术障碍和成本增加困境。

(二)建立数据治理及数据生态建设的持续保障机制

证券公司的数据治理,通常被理解为数据标准、数据模型、业务逻辑模型、计算逻辑模型、数据接口模型、业务流程模型等数据层面的标准化工作,极易被认定为是应用开发或数据管理等技术人员的职责范畴。但从包括“元数据集”的构建等工作推进角度看,需要举证券公司之力、举行业之力共同进行创新理论研究和组织实施推动。以“元素性”数据标准应用为例,130多家证券公司需要针对业务发展中衍生出的复杂业务空间及海量金融数据,基于数量繁多、业务条线各异的流程进行“元素性”数据标准集抽象,进行动态的流程节点运行效率分析,为流程优化提供量化的决策支持,需要证券公司内部各业务条线的通力配合,以及推动全行业对标准制定的共识达成。因此,为统筹推进行业数据治理及数据生态建设,充分应对资本市场对外开放背景下业务空间细分和扩展趋势,一是监管部门应组建或指定相关机构统筹指导行业数据治理工作,尽快完善、发布推动行业数据治理工作的制度、指引体系框架,加快资本市场数据生态环境建设。二是由监管部门组织行业内部、外部资源,尽快出台供证券公司参考、可精确描述证券公司业务全景的业务描述规则,推动证券公司依据统一的业务描述规则框架进行数据资源、数据资产的有序、统一管理。三是各证券公司应充分发挥所处资本市场数据生态环境中关键节点的核心作用,从行业发展的战略高度,提高对数据治理工作的重视度,建立长效的数据治理诉求协调、决策机制,推动数据治理工作落实落地,以数据治理促进证券公司向数字化、智能化运营模式转型、升级,全面提升各市场参与主体的的金融服务实力、风险控制能力,同时,宏观上强化中国资本市场在国际上的影响力、竞争力。

[Source]

本文系未央网专栏作者发表,属作者个人观点,不代表网站观点,未经许可严禁转载,违者必究!

本文为作者授权未央网发表,属作者个人观点,不代表网站观点,未经许可严禁转载,违者必究!

本文版权归原作者所有,如有侵权,请联系删除。

评论


发表评论
您的评论提交后会进行审核,审核通过的留言会展示在上方留言区域,请耐心等待。
猜你喜欢

扫描二维码或搜索微信号“iweiyangx”
关注未央网官方微信公众号,获取互联网金融领域前沿资讯。