数据猿导读
金融大数据领域将会进入一个分工明确，互惠合作的时代。需要大数据服务的很多，而宣称能够提供大数据服务的也很多，但事实上，这是一个对于具体实施的要求非常严格，门槛相当高的领域。
本文为数据猿推出的大型“金融大数据主题策划”活动（查看详情）第一部分的系列征文/案例；感谢 宽投金融科技技术运营官曲峰 先生的投稿
作为整体活动的第二部分，2017年6月29日，由数据猿主办，互联网普惠金融研究院合办，中国信息通信研究院、大数据发展促进委员会、上海大数据联盟、首席数据官联盟协办的《「数据猿·超声波」之金融科技 · 商业价值探索高峰论坛》还将在上海隆重举办【论坛详情】【上届回顾（点击阅读原文查看）】
在论坛现场，也将针对本次主题活动的投稿人，颁发“最佳商业洞察者”、“数据猿专栏最佳作者”两大类人物奖
来源：数据猿 作者：曲峰
本文长度为3400字，建议阅读7分钟
首先感谢数据猿给予宽投金融科技这样一个机会，在这个相当有影响力的平台上，根据我们的经历和经验，抛砖引玉，交流一下我们对于金融大数据的发展和应用的看法。
大数据这个概念从九十年代初出现，逐渐被各行业认识认可其重要性和适用性。直至2012年左右，随着一些开源的算法、平台、系统等方面的技术成熟，各行各业的需求指数式地增长，美国等国家把大数据的应用上升到国家战略层面的科技发展方向之一，大数据技术才迅速得到井喷式的发展。
在过去几年，尤其是2015年，包括中国在内的各国兴起了近乎疯狂的投资和并购风潮。就像互联网、电子商务、社交媒体等热潮一样，大数据技术领域也会经历自然筛选，去芜存真，让真正的胜利者脱颖而出。行业也会因此而整合，进化成更符合行业发展，实际需求的生态环境。
我们认为，金融大数据领域将会进入一个分工明确，互惠合作的时代。需要大数据服务的很多，而宣称能够提供大数据服务的也很多，但事实上，这是一个对于具体实施的要求非常严格，门槛相当高的领域。
技术力量不够雄厚，在大数据理论、数据整理、分类、储存，并调用分析等方面的实力与资源不够丰富的公司，根本不可能在大数据的底层平台提供任何有价值的服务。拥有高端资源的大公司的大型研究所，在应用业务方面，往往缺乏专项的商业业务知识与经验，而无法对各个行业直接提供具有结果导向的高附加值专业大数据服务。各个行业之间，由于商业方向和需求千差万别，无法相互或者从少数共同大数据应用服务公司得到需要的专业服务。
即便是金融业，其中的银行业、证券业、保险业等等，除了对利益的追求、风险的控制、对于国内国际社会经济的依赖等宏观方面的一致，需求、规范、实现也都是千差万别。同样地，如果我们以证券行业为例，就会清晰认识到其中的经纪业务、投资咨询业务、投顾业务、承销保荐业务、资产管理业务等方面，除了普及型知识了解，如果要在某一方面做精做深，需要的必然是专向的“精确制导”。
让我们把关注力收窄到证券经纪业务和投顾业务上，发现交易的产品从股票到债券到货币，再到各种相关期权期货等金融衍生品，因为金融载体的不同，它们的交易方式、规范、乃至对象，从业务需求到实施方案都是区别大大多于共性。试想，如果行业专家无法提出大而全的详细需求，我们怎样期待金融大数据专家依照需求，分析分类出机器能够理解、学习、清洗、并分析的针对需求的数据输入？那么最后我们又怎样来给高端要求应用机构，提供量身定做的符合实际需求的，基于金融大数据的实施解决方案呢？
金融行业是个储量与流量同样惊人的蓄水池，无论是怎样实力的机构或公司，都不可能彻底垄断整个或者其中某个分行业的某个分支。单就证券业的经纪业务，根据去年的统计，仅仅美国，在2015年度就达到1350亿美元的规模。所以不要担心市场满额，或者饼都被别人瓜分完毕。
在金融大数据技术日益丰富，应用更结合实际，投资日趋理智的时候，我们要做的不是匆忙扯着金融大数据的旗帜，宣称如何解决金融行业面对的任何困难问题，而是静下心来，认真分析自己的强项，分析熟悉的行业的需求，能够为应用客户带来怎样的高附加值服务。我们需要找到自己在市场中的位置，迭代式地充分利用大数据的广度和深度，不断提高服务的质量和适用性。
显然地，能提供平台服务，给具体应用提供把大数据分类和处理的，是像Microsoft、Amazon 这样在这方面有雄厚技术底蕴，并且浸淫多年的大机构。这样一定程度上的“垄断”，其实是给众多的应用方开启了无数的可能性。提供大数据平台服务，必然是希望标准化与普遍化，为不同背景、不同需求、不同领域的企业或个人用户提供服务。我们也就不可能期待微软为金融或者医疗提供这样行业性的，抑或为证券与医学成像等方面提供这样专业性的大数据对口应用服务。因为这样的“垄断”平台，众多在行业中实际应用大数据的用户们，可以享受大大降低的门槛。
应用方可以不需要开销庞大，耗费时日的平台准备，而是可以通过这样的平台服务，直接把自己需要的数据进行粗加工，也低得多的费用和时间，得到半成品。那么，无论是机构自用，还是为行业中的需求者提供服务与解决方案，应用的提供将会专注于领域内的业务范畴 – 发掘市场真正的需求、收集相关数据、分析设计解决方案、持续清理数据、深化机器学习或者人工解析，最后通过历史回测或者实时前测等方法，得到针对具体问题或者需求，基于大数据的，实用解决方案。
以我们宽投金融科技为例，作为快速发展的创业公司，我们以我们的精英团队自豪，但是我们并不具备庞大的队伍，同时覆盖非常广泛的金融工程服务业的方方面面。我们做的是努力发挥自己的优势所在 – 对量化投资的熟悉精通，与对量化投资策略平台化的钻研成果。正因为需求旺盛，直接的市场反应就会使供应也丰富，所以金融工程是个竞争非常激烈的领域。术业有专攻，只有对于提供服务的业务精通，才能把服务做透做细做到深入。
举一个不是完全恰当的例子，Apple 的 App Store“开张”的第一天，向用户提供了500个第三方开发的 App，从游戏到各种工具软件，覆盖不同行业的众多层面。9年后的今天，App Store 接受并发布的 App 总数已经达到了2百万以上。在 iOS (或者 Android)的平台上，第三方应用软件开发者只需要以平台提供的标准，使用这个平台，专注于自己擅长精通的某一方面的应用开发。
种种迹象表明，金融大数据的应用开发，由于市场和服务供应方的自然选择，已经开始在这个方向上健康地发展。平台服务提供者，会专注于包括硬件在内的基础设施与对于大数据的软件处理，而针对各个行业的模型应用方面，则会完全由企业自我开发或者专业第三方服务商负责。单从金融大数据的应用来说，就可以支持很多方面的业务，比如说：
- 市场营销 – 通过大数据的分析，可以帮助精准的营销，针对现有或者潜在客户的习惯和过往需求，以最合适的方式，向客户推出他们切实需要并比较容易产生购买欲望的金融产品。
- 风险控制 – 对于群体和个体的收入状况、投资理念等方面的数据分析，结合市场与政策层面的各种信息，金融机构能够更好地得到风险评估和风险控制管理的支持，对机构和个人的信用做出正确评估，并且监察、预防各种欺诈风险。
- 产品创新 – 通过对市场需求的数据采集，发掘研究新的金融产品服务客户。
- 决策支持 – 对于多来源多种类的金融数据与信息，从机构或个人的自我需求与专项出发，从产品的推广，到提高对现有客户的服务质量，发展新的客户群体等具体应用方面，提供指导性的数据分析结果与决策支持。
宽投金融科技一方面通过对历史与实时的股票和期指期货市场的数据学习，根据我们在量化交易领域的经验，利用我们独有的无需编程的量化策略平台，研究开发量化投资策略。
另一方面，我们根据投资机构提供的或者要求的各类大数据收集，经过清洗与分析，产生投资策略方向，并给用户提供易用的函数化或者模块化策略平台和回测系统，对机器学习产生的策略在我们系统里生成，并不断通过回测与实盘模拟交易，调整参数，对投资策略进行分析整理，并最后做出业务决策。显然地，我们在风控、创新、决策支持等方面，都能有效利用金融大数据，给客户带去高附加值的服务。
金融大数据研究与应用正是方兴未艾的时候，应用方或者服务提供方，都在进行以结果为引导的探索与发展。在金融行业，大数据会越来越多地深刻影响整个领域，同时也给需求方与服务带来新的挑战与灿烂的前景。经过市场的自发筛选与整合，整个行业会正式进入一个分工明确的时代 – 横向与纵向，平台与专门应用，自主开发与第三方服务结合，既会有激烈的竞争，又会以共赢的形式推动整个领域的发展。宽投也会坚持努力，发挥我们的优势，成为其中的重要一份子。
作者简介：
曲峰，宽投金融科技，技术运营官，Vice President.
早年就读于上海同济大学，然后赴德留学。在德国、加拿大、美国有20年的工作经验，从事过互联网、电子商务、与各种金融交易系统的开发与管理工作。过去十几年一直在高盛、BGC等华尔街著名金融机构，从事金融信息技术运营管理的工作，于今年年初加盟宽投。
