温馨提示：以下内容为博时基金—信息技术部副主管—廖常青先生的主题演讲内容

风险管理数字化变革驱动因素

基金协会于2014年6月发布了《基金管理公司风险管理办法指引（试行）》，这个指引要求基金管理公司要建立全面的风险管理体系，覆盖所有部门、所有岗位，以及覆盖所有风险类型，并贯穿所有业务流程和环节。要求重点把控市场风险、信用风险、流动性风险、操作风险、合规风险等主要风险来源，从风险识别、评估、等角度建立全面的风险管理体系。

风险管理数字化核心与痛点

为了响应趋势，我们把投资组合的风险管理作为风险管理的核心。同时，在开展投资组合风险管理的过程中，发现了三个痛点。

第一个痛点：海量数据问题。在投资组合的风险管理过程中，一般涉及到估值数据、TA数据、交易数据等，这些数据分散在公司不同业务条线，且有各自的专业系统在进行维护和生成，那么可能会存在同样的指标，口径不统一的情况，或者出现部分数据缺失的情况，难以满足监管的要求。

第二个痛点：专业化模型。风险管理需要专业化的模型进行评估，分别为市场风险模型、信用风险模型、流动性风险模型、业绩评估模型。不同业务条件下，所面临的市场风险、业务风险都是不一样的，因此对于投资组合风险管理也需要有科学的、专业化的模型进行支撑，来评估这些不同来源的风险。

第三个痛点：强大的计算能力。有了数据以后就离不开计算，计算包括两个方面：一方面，风险事件往往是不确定的，为了及时反映风险事件，我们需要强大的计算能力，计算出对应的风险指标，来判断是否风险发生；另一方面是模型本身，有的模型是相当复杂的，如果没有强大的计算能力，就不能够满足风险管理的要求。

公司级数据中台提供基础数据服务能力

为了解决海量数据问题，我们打造了公司级数据中台提供基础数据服务能力。

这个数据中台实际上是要实现跨部门的数据共享及服务共享，可以把它理解成两个部分：

一个是底层数据仓库，他需要解决数据融合的问题。让各个业务系统的数据能够通过数据治理的方式变成一个整体，而不是简单地堆砌在一个数据库里面。

第二是数据服务。因为大部分数据仓库都是面向计算、面向程序，其实面向于应用的时候，更需要一些服务，换言之，业务人员更需要的是能够直接拿来用的数据，所以数据服务也很关键。数据服务就体现为要给业务人员提供统一的指标、统一的标签、统一的业务模型、统一的计算引擎。

主数据建模融合各类数据

在业务数据融合上，我们认为数据建模是非常关键的，特别是主数据，那就需要建立唯一ID。

唯一ID主要分为：证券唯一ID、产品唯一ID（每一个经营产品的唯一ID）、机构唯一ID、人员唯一ID（主要是基金经理、各运营岗位人员），通过唯一ID对各源系统数据进行关联，数据融合，形成一个整体。

分层数据建模平衡数据稳定性及可用性

解决了数据融合这个问题后，就需要针对数据库稳定性进行考虑。

在数据仓库层面，采用三范式的设计模式，高度抽象业务数据，以保证录入完整的前端数据。但这种模式存在一个弊端，该模式不好使用、不好理解，如果要提取一份数据，可能要关联多个数据库才能够提取到目标数据。

所以，我们建立了一个专用的数据集市，数据集市更多地采用面向应用的设计，事实表和维度表相结合，适度地冗余，主要目的是提升后端应用的查询效率，让数据的可用性较强。同时，为了让数据便于查找，我们对这些数据也做了一个大的分类，主要分产品主题、资讯主题和公共主题。

统一指标体系解决数据标准不一致问题

在风险管理的实践中，我们发现一些风险指标在不同的业务系统里，会有不同的定义，即同一指标存在不同业务逻辑的问题。

所以，从风险管理的角度，我们提炼了收益分析、业绩归因、市场风险、流动性风险、信用风险等业务场景的指标的实现逻辑、计算逻辑，进行统一化，使得任何一个从这个平台上出去的指标，计算逻辑、含义都是唯一的，这样能极大地解决下游应用数据打架的问题。

我们在进行风险指标统计的时候，除去业务逻辑，如果要计算某一资产占比，那这个资产的内涵在不同的场景下，有不同的涵义。因此，为了满足不同场景/不同客户需求，我们设计了一个标签体系，每一个资产标签代表的是投资组合中具有相同特征的证券的集合。

但这些基础标签在真正使用的时候，应用并不会很普遍，因此，我们需要去扩展一些衍生标签，每一个衍生标签穿透以后，都会对应到最底层的基础标签，而这些基础标签的定义都是来自于我们采购的资讯方，他们会对债券、股票等的业务属性做一些基本分类，这些分类基本上是稳定的。也就是说，源标签是稳定的，但是衍生标签可以根据业务的不同场景来定义不同的标签体系，以满足不同的需求。

针对于风险模型，从三个维度：市场风险维度、信用风险维度、流动性风险维度来把控组合的风险。

市场风险：主要关注管理资产价格的波动，可能导致投资组合的净值波动，进而导致投资者产生亏损风险。

信用风险：是管理资产发行人及资产本身偿债能力的变化所导致的业绩亏损风险。

流动性风险：主要考虑管理资产的变现能力以及投资人赎回所可能导致的业绩风险。

市场风险识别与评估模型

市场风险方面，关注组合特征与风险暴露情况、风险跟踪、压力测试。

投资组合信用风险识别与评估模型

信用风险层面，围绕着风险评估、风险跟踪、压力测试。

投资组合流动性风险识别与评估模型

在流动性评估方面，分为流动性评估、风险跟踪、压力测试。

投资组合业绩归因分析模型

除做风险评估和跟踪之外，还需要对投资组合进行业绩归因，以保持对投资组合和基金经理有正确的认知。

主要是两个画像：组合的画像和基金经理的画像。组合画像主要是描绘收益风险特征、仓位配置情况、业绩的风险情况等。

对于基金经理而言，重点考察投资风格、交易换手率、选股能力和配置能力等。

除数据和模型，还有一个痛点，就是计算，我们需要提供一个比较强大的计算框架，以满足灵活多变的要求。

分布式计算架构满足灵活多变的计算需求

采用分布式计算，部署多个计算引擎来响应前端的并发的处理请求。

采用多级缓存，利用数据库层面提前跑批的方式，提前预测、提前跑好一些比较常规的指标来提升反应速度；同时也会利用内存数据库来缓存一些计算比较复杂的中间结果；也会在计算引擎本身内部做一些缓存，避免重复计算。

在应用端，异步调用，让用户可以一次性提交大量指标来进行计算。

通过参数化指标，让业务人员便于定义或计算目标的指标。

总结

总结来说，为了应对海量数据、专业化模型、强大的计算能力，我们分别采用了不同的手段来进行治理，实现我们组合风险管理的数字化。

展望未来，目前风险管理其实更多围绕着的是事后风险，或者说是单点业务的风险，对于风险的传导还需要加强。

我们以后利用产业链、企业图谱的方式，识别潜在的业务风险，了解风险传导，进而实现智能风控、智能预警，同时也结合这些前沿算法，来学习、进行文本挖掘，探索新的实践，以把控投资组合风险。

内容来源：博时基金—廖常青先生在“证券期货业数字化转型主题交流活动”上的演讲。