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/山西证券股份有限公司林永峰、李禹汉、丁艳霞、沈彦、穆婉青

(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。)

一、绪论

一直以来,券商的收入受市场行情波动较大,为了改变“靠天吃饭”的局面,避开佣金战的恶性竞争,培养可以带来稳定收益的业务,券商纷纷谋求经纪业务向财富管理的转型探索。同时,大数据、人工智能、云计算等金融科技的快速发展也在驱动着证券行业生态发生重要变化。

财富管理,顾名思义即是帮助客户更好地管理自己的财富,如帮助客户选择合适的理财产品和资产配置方案,满足客户财富增值的需求。因客户的需求多种多样,理财产品的类型也颇为繁多,这对客户经理及投顾人员的要求日益提高。传统的投顾服务以人工服务为主,因投顾人员精力有限,所以重点针对少部分的高净值人群提供服务,而大量长尾的普通客户缺乏相应的财富管理服务资源,此时自动化和个性化的财富管理类产品和服务的需求应运而生。一方面利用金融科技技术,将投顾人员知识和经验的提炼成果打造成自动化服务的工具,以高效率、低成本的服务方式帮助客户进行财富管理,让普罗大众随时能够享受到专业的投资服务;另一方面多维度了解客户需求,根据不同类型的客户打造千人千面的差异化服务,该种方式更针对性地满足客户的个性化需求。

目前,在提供自动化和个性化服务方面,证券行业介绍较多的是从客户画像入手,利用客户的基础信息、交易习惯、投资偏好、行为数据等等多维度数据深入挖掘,结合业务特征为客户打上各种各样的标签,建立全面的客户画像指标体系,通过标签数据更好地实现客户KYC以及针对不同的目标客群设计相应的财富管理策略,提升服务精准率和客户体验。

但在产品画像方面,业内对其在财富管理中的应用介绍较少,因此本文从产品画像入手,以基金画像为例,着重介绍基金画像体系的建设方法与技术架构,并在最后列举了基金画像在财富管理中发挥作用的一些应用场景。

二、基金画像体系建设方法与架构

1、建设步骤

基金画像,即刻画对象为基金类产品的产品画像。参考常用的客户画像或用户画像建设方法,可对基金不同维度的数据提炼出一系列标签,主要为以下6个步骤。

1) 梳理标签体系,定义标签含义。一方面可根据投顾经验选取常用的衡量基金优劣的相关指标作为标签,如夏普比率、年化收益率、最大回撤等,另一方面可根据产品运营需求或客户服务需求结合客户画像设计标签,如基金类型、基金主题、基金费率、跟踪指数等。

2) 梳理标签数据来源及计算口径。根据已设计的标签体系逐个明确各标签的数据来源和计算规则,对于具有多个数据源的标签要详细对比来源质量,选择其中较合适的数据源,或对多个来源数据进行融合。

3) 设计标签库存储和计算框架。因标签体系需根据实际需要不断丰富和完善,初期计出灵活可扩展的存储和计算架构是非常有必要的,能够有效降低未来的管理和维护成本。该存储及计算框架应包含对存储数据库、存储格式及计算引擎的选型和设计。在当今大数据时代,数据具有体量大、种类多等特征,因此通常采用以Hadoop、Spark、Flink生态为主的大数据相关技术是较好的选择。

4) 标签数据开发。在前几步的基础上进行程序开发,编写离线和实时计算任务,为基金产品打上标签并检验标签准确性。

5) 建立标签管理和监控机制。开发配套的工具对标签进行管理和监控,为保障标签质量及后续优化奠定基础。包括管理标签的计算规则、含义、生命周期、权限等,监控标签的标签覆盖率、计算情况、使用情况等。

6) 跟踪标签实际应用反馈,持续优化标签,评估标签价值,如经常使用的标签通常价值较高。

2、标签体系设计

基金画像标签体系可从基本信息、基金经理、基金公司、业绩表现、风险控制等维度建立,参考图1。环节需要与业务紧密结合,明确每个标签的业务含义,与业务达成共识、建立标准,是后续保障标签质量的前提。

图1 基金画像标签体系

3、标签来源及计算口径梳理

标签数据来源主要可分为证券公司内部来源和外部来源,内部来源主要包括业务开展过程中属于公司特有的数据,如基金分成比例、是否代销基金、与基金公司关系、公司客户热度等等;外部来源主要为从第三方购买的数据,常见的有恒生聚源、Wind资讯、财汇数据等等。

在明确标签来源后进一步梳理计算口径,参考表1。

表1 标签来源及计算口径梳理表

4、存储与计算架构

在标签数据存储方面,对体量较小的数据,可选用Oracle、Mysql等传统关系型数据库存储,但对体量大的数据,可选择Hadoop、Spark等生态技术组件,如Hbase、Impala、Presto、Elasticsearch,或者选择MPP架构的分布式数据库,如GreemPlum、TiDB、ClickHouse等。

在标签存储表结构设计方面,主要有宽表和窄表两种方案。其中宽表指列数很多的表,每个标签对应一列;相反地,窄表即列数固定但行数很多的表,每个标签为一行记录。假设共有M个基金产品,标签体系共有N个标签,则两种表设计结构见图2。

图2 标签宽表及标签窄表的设计结构

在实际应用中,因不同标签适用的产品对象存在差异,如跟踪指数、获奖情况、是否代销等标签只有一部分基金才有数据,使用宽表存储容易造成数据的大量冗余,且不容易扩展(每次新增或者删除标签时均需要修改表结构),但其查询效率和便捷性较高;窄表因列数固定,标签的增加和减少对应行数的增加和减少,无须修改表结构,因此方便扩展,但涉及多标签组合条件查询时需要做额外的逻辑处理,且因记录数较多,查询效率和便捷性逊于宽表。建议可以将宽表和窄表结合使用,标签计算结果先采用窄表存储,实际应用时再转换成宽表。计算流程见图3。

图3 宽窄表结合的画像标签计算流程

5、标签开发

为提升标签后续管理的便捷性,降低因标签口径或数据源的变动带来的维护成本,标签开发过程可依据数据仓库模型分层建设,通常包括ODS层、DW层、DM层等。ODS层基本和原始数据保持一致,DW层主要为基于原始数据加工得到一系列存储中间结果的基础信息表,DM层则为基于DW层基础表根据应用场景加工得到的针对性较强的数据表。在我们的基金画像标签开发中,基金标签最终通过DM层数据来生成。

通常,因DM层数据已经较标准且贴近应用,可建立规则库和配套的计算引擎通过该层数据自动生成标签,无需人工再从零编写计算代码,通过前端管理页面修改规则库即可实现标签的可配置化管理和计算,即无代码开发。该规则库内主要为标签计算所需要的各种参数,如基础表、过滤条件、聚合规则、计算频率、更新方式(全量/增量)等等。

6、标签管理及监控

标签的管理主要包括标签基本信息、计算规则、生命周期、权限控制等的管理,可参考图4。

图4 标签管理项实例

标签的监控主要包括标签计算和使用的监控,参考图5。

图5 标签监控项

标签的管理和监控分别对应图3的配置中心和监控中心,是标签治理和质量保障的重要组成部分。

7、整体架构

在明确以上各个步骤建设的内容和需求后,可借助大数据平台完成基金标签体系的建设及其应用研发。结合大数据平台,标签体系建设的整体系统架构可参考图6。

图6 标签体系建设整体架构示例

三、基金画像在财富管理中的应用

随着证券公司从传统通道业务向财富管理转型,通过线下线上结合的服务形式,正在逐步向以客户服务为中心打造千人千面的个性化服务方向开展,为合适的客户提供合适的产品,或将证券公司的投顾能力开放,让大量的长尾客户也能够享受到专业的投顾服务,进而为客户投资赋能。这里主要从以下几个方面介绍基金画像在财富管理中的应用场景。

1、基金诊断

市场上基金数量众多,且每只基金信息量巨大。普通投资者选择基金时,往往面临信息繁杂、专业门槛高等问题,对基金各项数据内容看不完、看不懂、抓不到重点直接影响投资者理财决策正确性和时间成本。所以,利用基金画像研发基金诊断功能对减少投资者的学习成本和决策成本,帮助投资者挑选出优秀的基金产品,具有重要意义。

目前大部分券商APP内对基金产品的信息展示主要为资讯商的原始数据展示,一方面缺乏从专业投顾角度对基金的刻画,如各类排名、风险控制、业绩稳定性等,另一方面信息展现的重点仍以历史业绩为主,简单粗暴,未突出其他方面的综合表现,如基金经理能力、获奖情况等。因此可研发针对基金的多维度综合诊断应用,更加直观可视化地展现全市场基金或代销基金的各项评价指标,为普通投资者提供精简、客观、有效、专业且主次分明的信息。此外,在基金诊断应用的基础上,可更进一步研发对基金经理和基金公司的诊断工具。对于新发基金,缺乏历史业绩数据,此时便可通过对基金经理和基金公司的诊断为投资者提供决策参考。

2、标签选基

初次接触基金理财的客户往往不知道如何从市场上的众多基金中快速批量地筛选出投资标的,或者即使已经知道期望投资的基金需要满足哪些条件,也缺乏相应的工具去进行筛选,此时,基于基金画像研发标签选基工具即可解决此类场景的痛点。

标签选基应用主要是将基金画像的标签在服务终端(APP、网页等)进行分类平铺展示,客户可通过点击多个标签进行组合筛选,帮助客户快速定位到想要关注的基金池,得到基金池后可进一步通过基金诊断确定投资标的,如客户可根据基金标签快速筛选出年化收益率20%以上、近3年夏普比率排名前50%且近1年最大回撤排名前50%的偏股型基金,并可将该组合标签保存为自定义标签,下次需要使用时即可直接点击此标签筛选基金。

3、基金推荐

传统的基金推荐大都是通过专家经验,抑或是简单粗暴地按基金热度、销售任务为客户推荐,此种方式一方面对专家经验要求高,另一方面简单地以销售任务为目标难以做到以客户为中心,客户服务体验较差。此时可将基金画像与客户画像相结合,采用基于内容的相似推荐算法为客户找到符合其理财偏好的基金,利用推荐技术研发相似基金或猜你喜欢等功能,进而为客户打造千人千面的财富管理服务。

4、基金智投

随着FOF基金的推出,基金组合投资逐渐成为一种较热门的资产配置方式,为投资者提供“一篮子基金”的财富管理方案,通过二次精选基金以及提供仓位配置和调仓服务,帮助客户分散风险、节省精力以及实现财富增长。其中二次精选基金可利用基金画像建立基金评分模型或结合机器学习算法选出投资标的,仓位配置及调仓模型可利用蒙特卡洛方法模拟基金净值未来走势结合投资组合模型(如马科维兹均值方差模型)及市场风险水平计算基金组合内各标的的仓位权重,最终建立基金智投模型,为客户提供智能资产配置服务。

5、其他应用

以上基金画像技术应用还可嵌入券商其他服务中,如智能客服、语音助手等,并通过券商APP、网上营业厅、投教基地、公众号、小程序等多种渠道提供服务。

四、总结

本文利用大数据技术及行业经验介绍了基金画像体系建设方法和相关技术架构,并就基金画像如何应用于以客户为中心的财富管理业务中提出了多个应用场景,一方面基于基金画像体系本身可打造多种为客户提供服务的智能投顾工具,另一方面基金画像可与客户画像、用户画像等相结合,为客户提供个性化的财富管理服务。

本文介绍的基金画像技术与应用已在山西证券财富管理业务中取得一定成果,在山西证券汇通启富APP中上线了精选基金池和基金诊断功能模块,帮助客户投资决策。未来将在基金推荐及基金智投模型领域深入研究,利用大数据技术及AI算法打造更多智能的财富管理服务。

[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!首图来自图虫创意。

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!首图来自图虫创意。

本文版权归原作者所有,如有侵权,请联系删除。首图来自图虫创意。

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。