資管新規(guī)背景下人工智能在銀行資管業(yè)務(wù)中的應(yīng)用研究

于天劉凱

摘要：資管業(yè)務(wù)是銀行金融業(yè)務(wù)板塊中的發(fā)展前沿，擁有相對(duì)獨(dú)立和完整的資產(chǎn)負(fù)債架構(gòu)和業(yè)務(wù)模塊，其中的資產(chǎn)、負(fù)債和風(fēng)控等業(yè)務(wù)條線是人工智能技術(shù)的天然應(yīng)用場(chǎng)景，目前已有了部分應(yīng)用實(shí)踐。然而，由于資管新規(guī)的頒布，銀行資管業(yè)務(wù)的監(jiān)管環(huán)境變出現(xiàn)變化，同時(shí)還存在業(yè)務(wù)基礎(chǔ)數(shù)據(jù)不完整、組織架構(gòu)特異性強(qiáng)、技術(shù)儲(chǔ)備較為欠缺等問(wèn)題，使得目前缺乏將人工智能技術(shù)用于銀行資管業(yè)務(wù)的整體性梳理和架構(gòu)設(shè)計(jì)。文章旨在探索符合當(dāng)前銀行資管業(yè)務(wù)發(fā)展特點(diǎn)的“銀行資管+人工智能”的解決路徑，切實(shí)助力銀行資管業(yè)務(wù)在人工智能時(shí)代的科技轉(zhuǎn)型。

關(guān)鍵詞：人工智能;銀行理財(cái);智能資管

一、 研究背景

2018年以來(lái)，伴隨著“資管新規(guī)”的發(fā)布，資管行業(yè)進(jìn)入到了正本清源、轉(zhuǎn)型發(fā)展的新時(shí)代，中國(guó)銀行理財(cái)業(yè)務(wù)未來(lái)的發(fā)展方式和形態(tài)正在被重新塑造。

盡管各家銀行在資管子公司未來(lái)業(yè)務(wù)模式和發(fā)展方向上有所不同，但將人工智能技術(shù)作為提升銀行資管業(yè)務(wù)整體效率和質(zhì)量的重要手段，已經(jīng)取得了業(yè)內(nèi)的廣泛共識(shí)。國(guó)內(nèi)外的資管機(jī)構(gòu)在相關(guān)領(lǐng)域進(jìn)行了大量的研究和應(yīng)用。BlackRock作為全球最大的資產(chǎn)管理機(jī)構(gòu)，運(yùn)作著6.3萬(wàn)億美元的資產(chǎn)，人均管理規(guī)模為30億元。其管理的高效能主要依賴了aladdin、Future Advisor、iRetire和CACHE-MATRIX四套頂級(jí)智能金融系統(tǒng)，所支持的業(yè)務(wù)范圍覆蓋了投資管理、銷售咨詢、退休養(yǎng)老和風(fēng)險(xiǎn)控制業(yè)務(wù)體系。天弘基金作為國(guó)內(nèi)唯一一家規(guī)模超萬(wàn)億的基金公司，擁有著來(lái)自螞蟻金服的天然科技基因，其在并發(fā)計(jì)算能力、客戶肖像繪制、用戶習(xí)慣分析及智能資產(chǎn)配置方面的技術(shù)儲(chǔ)備和實(shí)踐經(jīng)驗(yàn)已處在行業(yè)前列。

銀行資管擁有相對(duì)獨(dú)立和完整的資產(chǎn)負(fù)債架構(gòu)和業(yè)務(wù)模塊，將人工智能技術(shù)用于資管業(yè)務(wù)，可以有效提高效率，拓寬分析的深度和廣度，為傳統(tǒng)銀行資管向智能資管的轉(zhuǎn)型，提供了重要的技術(shù)保證。但目前將人工智能用于銀行資管還存在著一些亟待解決的問(wèn)題。本文將聚焦資管轉(zhuǎn)型背景下的智能資管建設(shè)，對(duì)人工智能應(yīng)用場(chǎng)景進(jìn)行分析討論，探索符合當(dāng)前銀行資管業(yè)務(wù)發(fā)展特點(diǎn)的“銀行資管+人工智能”的解決策略。

二、 資管業(yè)務(wù)人工智能應(yīng)用存在的問(wèn)題

1. 銀行資管外部環(huán)境的變化。

（1）國(guó)內(nèi)監(jiān)管環(huán)境的變化。國(guó)內(nèi)的銀行資管行業(yè)自誕生以來(lái)，就與監(jiān)管密不可分。在資產(chǎn)端，國(guó)內(nèi)監(jiān)管對(duì)銀行資管的投資標(biāo)的有著較為明確的限制，因此投資無(wú)法在全市場(chǎng)和全金融標(biāo)的上展開(kāi)。在負(fù)債端，國(guó)內(nèi)監(jiān)管采用了較為嚴(yán)格的流程限制了客戶的理財(cái)購(gòu)買行為只能在柜面或銀行端的APP上進(jìn)行。2018年以來(lái)，監(jiān)管對(duì)銀行資管進(jìn)行“市場(chǎng)化”調(diào)整的目標(biāo)逐漸清晰?！百Y管新規(guī)”的頒布，除了在“打破剛性兌付”“規(guī)范資金池業(yè)務(wù)”“引導(dǎo)行業(yè)去嵌套”“去杠桿”等問(wèn)題上的考量外，也向資管行業(yè)統(tǒng)一監(jiān)管的目標(biāo)邁出了重要一步

監(jiān)管對(duì)資產(chǎn)端和負(fù)債端的松綁，不僅意味著更多的業(yè)務(wù)機(jī)遇，也意味著技術(shù)應(yīng)用有了更多的業(yè)務(wù)場(chǎng)景。

（2）業(yè)務(wù)環(huán)境的變化。傳統(tǒng)銀行資管面對(duì)的競(jìng)爭(zhēng)對(duì)手僅為銀行資管同業(yè)，而借助于銀行強(qiáng)大的實(shí)體渠道營(yíng)銷能力和過(guò)去的資金池運(yùn)作方式，這種競(jìng)爭(zhēng)一直處在溫和可調(diào)節(jié)的范圍內(nèi)。在脫離母行后，盡管銀行資管子公司擁有了更多的投資標(biāo)的和工具，但其無(wú)疑也會(huì)直面更加激烈的外部市場(chǎng)競(jìng)爭(zhēng)。相較于市場(chǎng)化程度高的基金公司、券商資管而言，多數(shù)銀行資管在投資交易、投資研究、系統(tǒng)建設(shè)、人員儲(chǔ)備等方面還存在著較大的差距。這種差距必定會(huì)為人工智能的業(yè)務(wù)應(yīng)用帶來(lái)了不確定性和阻礙。

2. 金融業(yè)務(wù)數(shù)據(jù)問(wèn)題。金融數(shù)據(jù)具有數(shù)據(jù)量大、維度高、結(jié)構(gòu)復(fù)雜、價(jià)值密度低等特點(diǎn)，此外，金融數(shù)據(jù)還包含大量的噪聲和潛在的關(guān)聯(lián)關(guān)系，具有極強(qiáng)的波動(dòng)性，這使得對(duì)金融數(shù)據(jù)的分析和挖掘成為一個(gè)難題。

銀行、保險(xiǎn)和證券等專業(yè)機(jī)構(gòu)對(duì)客戶數(shù)據(jù)的準(zhǔn)確性要求嚴(yán)格，根據(jù)特定場(chǎng)景開(kāi)發(fā)私有清洗模塊或平臺(tái)，積累了大量經(jīng)驗(yàn)。但出于保密原因，金融企業(yè)很少有理論性的成果見(jiàn)諸于報(bào)道。

金融數(shù)據(jù)的智能清洗技術(shù)在學(xué)界已開(kāi)展多年。針對(duì)數(shù)據(jù)中屬性錯(cuò)誤的檢測(cè)，有基于統(tǒng)計(jì)學(xué)理論的方法、關(guān)聯(lián)規(guī)則的方法、聚類的方法、利用違反函數(shù)依賴條件的方法等。針對(duì)數(shù)據(jù)中的重復(fù)記錄問(wèn)題，可以在基于距離度量的基礎(chǔ)上，采用聚類算法的思路進(jìn)行處理。針對(duì)金融數(shù)據(jù)中常出現(xiàn)的時(shí)序數(shù)據(jù)，也有學(xué)者提出使用了模糊C均值聚類方法，通過(guò)計(jì)算數(shù)據(jù)到聚類中心的距離來(lái)分離出噪聲數(shù)據(jù)。針對(duì)金融數(shù)據(jù)維度高的特點(diǎn)，在確定了問(wèn)題邊界后，可以直接使用經(jīng)典的數(shù)據(jù)降維度算法或策略予以解決。

高質(zhì)量的數(shù)據(jù)資源是人工智能應(yīng)用的前提條件。成功的人工智能應(yīng)用，花費(fèi)在數(shù)據(jù)工程上的時(shí)間比例會(huì)占到六成甚至更高。而銀行資管在數(shù)據(jù)處理上常會(huì)遇到來(lái)自下列兩方面的問(wèn)題。

（1）內(nèi)部數(shù)據(jù)。銀行資管已經(jīng)發(fā)展十年有余，內(nèi)部積累了大量數(shù)據(jù)，該部分?jǐn)?shù)據(jù)多數(shù)僅完成了數(shù)字化。由于以前缺乏數(shù)據(jù)分析的內(nèi)生性需求，大量數(shù)據(jù)并未經(jīng)過(guò)數(shù)據(jù)清洗和結(jié)構(gòu)化存儲(chǔ)，后期數(shù)據(jù)清洗和存儲(chǔ)的成本較高。

作為歸屬于母行的獨(dú)立部門(mén)，銀行資管的部分業(yè)務(wù)模塊的職能（如產(chǎn)品銷售、信息科技等）一直由母行的相關(guān)部門(mén)代為行使。子公司化之后，按照監(jiān)管對(duì)于銀行數(shù)據(jù)的要求，以前積累的銷售及客戶的原始數(shù)據(jù)將無(wú)法作為無(wú)形資產(chǎn)被子公司所繼承。數(shù)據(jù)獲取渠道的堵塞將會(huì)直接不利于未來(lái)人工智能技術(shù)的應(yīng)用。

（2）外部數(shù)據(jù)。銀行資管未來(lái)在投資端會(huì)大量投資外部標(biāo)準(zhǔn)資產(chǎn)，而投資的前提保證是能夠擁有完整準(zhǔn)確的外部數(shù)據(jù)。針對(duì)標(biāo)準(zhǔn)資產(chǎn)的公開(kāi)市場(chǎng)數(shù)據(jù)，目前有大量的第三方數(shù)據(jù)供應(yīng)商提供相關(guān)的數(shù)據(jù)。而針對(duì)標(biāo)準(zhǔn)資產(chǎn)中的另類數(shù)據(jù)，通常數(shù)據(jù)來(lái)源可靠性差、數(shù)據(jù)質(zhì)量并不穩(wěn)定。

未來(lái)外部數(shù)據(jù)是否需要本地化及系統(tǒng)內(nèi)外數(shù)據(jù)如何隔離將主要根據(jù)監(jiān)管要求及自身發(fā)展的需要。在缺少了母行科技支撐的情況下，數(shù)據(jù)庫(kù)的搭建和維護(hù)也將是資管子公司科技團(tuán)隊(duì)的重要工作之一。

3. 銀行資管架構(gòu)及技術(shù)積累。

（1）組織架構(gòu)。銀行資產(chǎn)管理業(yè)務(wù)的定位較為明顯，不同銀行資管擁有相似的業(yè)務(wù)模塊，且多實(shí)現(xiàn)了獨(dú)立的事業(yè)部制。然而，各行資管的業(yè)務(wù)范圍及業(yè)務(wù)模塊間的工作流相異，各模塊內(nèi)部的具體職能、資源配置也不盡相同，這種差別在全國(guó)股份制銀行與城商行間、城商行與農(nóng)商行間的差異更為巨大。正是由于這種組織架構(gòu)上的差異，業(yè)內(nèi)并沒(méi)有形成引入人工智能技術(shù)的現(xiàn)成框架和通用模板，所以具體實(shí)現(xiàn)需要根據(jù)各自的實(shí)際情況來(lái)進(jìn)行差異化的設(shè)計(jì)。

（2）技術(shù)積累。我國(guó)的銀行資管業(yè)務(wù)起初多隸屬于同業(yè)市場(chǎng)或金融板塊，十余年便經(jīng)歷了由小變大、由弱變強(qiáng)的過(guò)程。行業(yè)的高速擴(kuò)張也帶來(lái)了各行資管業(yè)務(wù)發(fā)展的不平衡性，所以在管理能力、投資投研能力、人員配置和技術(shù)儲(chǔ)備等方面，也處在不同的發(fā)展階段。除了同業(yè)間的差異外，相較于已經(jīng)發(fā)展了多年的外部非銀資管，由于各非銀機(jī)構(gòu)所處的監(jiān)管和行業(yè)標(biāo)準(zhǔn)化程度高，導(dǎo)致了這些機(jī)構(gòu)只要滿足準(zhǔn)入門(mén)檻就代表具有了一定的管理能力、人才儲(chǔ)備和技術(shù)水平。

除了管理技術(shù)和傳統(tǒng)投資投研技術(shù)外，人工智能技術(shù)的應(yīng)用更多集中在人工智能知識(shí)以及計(jì)算機(jī)技術(shù)的使用上。在人工智能算法知識(shí)、獨(dú)立開(kāi)發(fā)能力和相關(guān)人員儲(chǔ)備上來(lái)講，部分非銀機(jī)構(gòu)已經(jīng)走到了市場(chǎng)前列并且積累了一定的研究成果和實(shí)戰(zhàn)經(jīng)營(yíng)，銀行資管在實(shí)現(xiàn)超越前，還需要付出較多的追趕成本。

三、 我國(guó)銀行資管業(yè)務(wù)中人工智能的應(yīng)用建議

1. 明確自身特點(diǎn)和發(fā)展定位，梳理人工智能應(yīng)用的整體框架?！袄碡?cái)新規(guī)”和《商業(yè)銀行理財(cái)子公司管理辦法》將未來(lái)銀行資管開(kāi)展業(yè)務(wù)劃分成了體內(nèi)運(yùn)營(yíng)的“傳統(tǒng)”模式和體外運(yùn)營(yíng)的“子公司”模式，在業(yè)務(wù)開(kāi)展模式確定后，銀行資管機(jī)構(gòu)的市場(chǎng)定位和發(fā)展定位會(huì)皆然不同。

對(duì)于選擇了“子公司”模式的銀行資管，未來(lái)規(guī)劃多朝著全能型方向來(lái)發(fā)展?？梢葬槍?duì)人工智能的應(yīng)用進(jìn)行自頂向下的宏觀設(shè)計(jì)，所涉及的業(yè)務(wù)范圍可以盡量拓展，將未來(lái)有可能開(kāi)展的業(yè)務(wù)也納入到設(shè)計(jì)范圍內(nèi)。更加寬泛的投資范圍和營(yíng)銷渠道，會(huì)需要更加全面的數(shù)字化系統(tǒng)進(jìn)行支持，業(yè)務(wù)開(kāi)展過(guò)程中會(huì)積累的更多的數(shù)據(jù)，人工智能技術(shù)的應(yīng)用也會(huì)更加有意義，無(wú)論是從管理端和業(yè)務(wù)端都會(huì)產(chǎn)生規(guī)模效應(yīng)，落地成本均攤后也更加低廉。

對(duì)于選擇了“傳統(tǒng)”模式的銀行資管，全面的人工智能應(yīng)用不但成本高昂，且給實(shí)際業(yè)務(wù)帶來(lái)的收益相對(duì)有限。這類銀行資管可以針對(duì)有急迫人工智能需求的應(yīng)用場(chǎng)景，進(jìn)行特定業(yè)務(wù)的落地，比如針對(duì)負(fù)債端客戶的偏好分析，可以用來(lái)在未來(lái)嚴(yán)峻的市場(chǎng)環(huán)境中最大程度的維護(hù)好存量客戶并擴(kuò)大客群，實(shí)現(xiàn)與銀行資管子公司的錯(cuò)位競(jìng)爭(zhēng)。后期可以根據(jù)業(yè)務(wù)的開(kāi)展情況，逐步推進(jìn)人工智能的使用，實(shí)現(xiàn)更高的產(chǎn)出比。

2. 挖掘潛在的人工智能應(yīng)用點(diǎn)。在業(yè)務(wù)模式和人工智能應(yīng)用的整體框架被確認(rèn)后，接下來(lái)就進(jìn)入到潛在應(yīng)用點(diǎn)的挖掘選擇上。

（1）客戶行為分析及應(yīng)用。將人工智能用于客戶行為分析，早已被大多專注于C端的互聯(lián)網(wǎng)企業(yè)采納并廣泛應(yīng)用于實(shí)踐。銀行資管因相對(duì)的壟斷地位，早期缺乏客戶畫(huà)像的需求和內(nèi)在動(dòng)力，相關(guān)的研究起步較晚。金融業(yè)基于人工智能進(jìn)行客戶分析的目的在于：從海量數(shù)據(jù)中，發(fā)覺(jué)目標(biāo)客戶及潛在客戶;進(jìn)行欺詐檢測(cè)、價(jià)值分析、流失分析;建立起客戶信用度、貢獻(xiàn)度及忠誠(chéng)度模型等。

針對(duì)客戶行為進(jìn)行分析，并反向用于營(yíng)銷及產(chǎn)品設(shè)計(jì)，是一個(gè)比較自然的人工智能技術(shù)應(yīng)用場(chǎng)景，而實(shí)踐應(yīng)用中的熱點(diǎn)也集中在負(fù)債端。從技術(shù)角度上講，數(shù)據(jù)采集和業(yè)務(wù)場(chǎng)景的建模是落地中的重點(diǎn)和難點(diǎn)，而工程實(shí)踐、后期分析結(jié)果的解讀及應(yīng)用則占據(jù)了更多的工作量。

（2）智能量化投資及投研平臺(tái)。智能量化投資是指：通過(guò)向量化投資領(lǐng)域引入人工智能技術(shù)，使系統(tǒng)能夠高效且智能地從金融數(shù)據(jù)中自動(dòng)挖掘可用信息，并用于支持和輔助投資交易。在智能投研平臺(tái)建設(shè)方面，非銀金融機(jī)構(gòu)已有實(shí)施案例，如天弘基金在2015年建立的投研云系統(tǒng)，嘉實(shí)基金2016年成立的人工智能投資研究中心，華夏基金與微軟亞研院的戰(zhàn)略合作。不同于非銀金融機(jī)構(gòu)，新興的金融科技公司更傾向推出標(biāo)準(zhǔn)化的解決方案或平臺(tái)，參與其中的金融科技公司包括：通聯(lián)數(shù)據(jù)、數(shù)庫(kù)科技等。

權(quán)益二級(jí)市場(chǎng)一直是金融領(lǐng)域人工智能應(yīng)用的熱點(diǎn)，由于監(jiān)管政策的放寬，銀行資管子公司已經(jīng)可以開(kāi)始在該領(lǐng)域提前布局。自動(dòng)盯市和價(jià)格發(fā)現(xiàn)是人工智能較為常規(guī)的應(yīng)用，更進(jìn)一步的，人工智能還可以被用于自發(fā)地尋找市場(chǎng)的階段性有效指標(biāo)、挖掘主要矛盾、批量生成策略等。

（3）智能投顧研究。智能投顧（Robo-Advisor）在對(duì)大量數(shù)據(jù)分析的基礎(chǔ)上，根據(jù)服務(wù)對(duì)象的特征或偏好，給出個(gè)性化的投資建議，可以選擇性的為服務(wù)對(duì)象提供交易服務(wù)（如完全自動(dòng)交易、人工投資顧問(wèn)協(xié)助交易和自執(zhí)行交易等）。

智能投顧起源于美國(guó)，近年來(lái)眾多資管公司已發(fā)布了其智能平臺(tái)，我國(guó)于2015年引入智能投顧概念。國(guó)內(nèi)智能投顧平臺(tái)按照業(yè)務(wù)類型可以劃分為三種：第一類是借鑒美國(guó)Wealthfront、Betterment等投資于交易型開(kāi)放式基金（ETF）組合的公司，直接為客戶匹配國(guó)外發(fā)達(dá)市場(chǎng)的ETF 基金以達(dá)到資本配置的目的，例如彌財(cái)公司和藍(lán)海財(cái)富公司;第二類是以FOF基金等作為投資組合標(biāo)的，例如錢景理財(cái)公司;第三類是基于論壇等在線平臺(tái)進(jìn)行投資信息共享，對(duì)量化投資策略、投資名人的股票組合進(jìn)行社交跟投，例如雪球公司。

未來(lái)的銀行資管必然會(huì)從“輸出產(chǎn)品”向“輸出策略”轉(zhuǎn)型，而負(fù)債的邊界也將會(huì)瞄向不同風(fēng)險(xiǎn)偏好和需求的客戶。銀行資管早期可以通過(guò)“智能投顧+外部ETF采購(gòu)”的模式滿足客戶“千人千面”的需求。對(duì)于投研能力強(qiáng)、市場(chǎng)占有率高的頭部銀行資管，未來(lái)可以發(fā)行廣泛涵蓋市場(chǎng)各類指數(shù)的類ETF基金，在滿足內(nèi)部投資采購(gòu)需求的同時(shí)，也可以將其提供給外部有配置需求的機(jī)構(gòu)及個(gè)人投資者。

3. 人工智能落地的內(nèi)部機(jī)制建設(shè)。盡管人工智能技術(shù)的應(yīng)用在金融領(lǐng)域已經(jīng)取得了共識(shí)，但不同性質(zhì)的機(jī)構(gòu)對(duì)該類技術(shù)的認(rèn)知和實(shí)際的推進(jìn)力度上有很大的差異。建設(shè)一套可行的人工智能落地的內(nèi)部機(jī)制是大多數(shù)銀行資管子公司在擁抱人工智能技術(shù)時(shí)，應(yīng)該考慮的首要問(wèn)題。這套機(jī)制的建設(shè)應(yīng)圍繞著下列問(wèn)題展開(kāi)：（1）探索性的業(yè)務(wù)需求與外部技術(shù)公司合作方式研究;（2）探索性的業(yè)務(wù)需求考量標(biāo)準(zhǔn);（3）項(xiàng)目結(jié)果不及預(yù)期的退出機(jī)制。

4. 盡早進(jìn)行數(shù)據(jù)積累工作。數(shù)據(jù)積累的對(duì)于人工智能技術(shù)的應(yīng)用十分重要。在投資端，數(shù)據(jù)處理工作的重點(diǎn)應(yīng)該集中在非標(biāo)準(zhǔn)資產(chǎn)數(shù)據(jù)的累積和標(biāo)準(zhǔn)資產(chǎn)的另類數(shù)據(jù)。非標(biāo)準(zhǔn)資產(chǎn)公開(kāi)信息相對(duì)缺乏，需要銀行利用渠道的信貸或金融市場(chǎng)板塊資源進(jìn)行采集、匯總和結(jié)構(gòu)化存儲(chǔ)。在負(fù)債端，因?yàn)楸O(jiān)管會(huì)對(duì)母行和子公司間進(jìn)行系統(tǒng)和數(shù)據(jù)的隔離，所以數(shù)據(jù)積累對(duì)于要成立子公司的機(jī)構(gòu)而言更為急迫。為了最大化利用母行的已有客戶數(shù)據(jù)資源，目前可以采用如下兩種方式：首先，基于母行負(fù)債端已積累的數(shù)據(jù)，就客戶分布、行為偏好等特點(diǎn)進(jìn)行分析，以期未來(lái)可以在負(fù)債端指引子公司的市場(chǎng)化營(yíng)銷工作。其次，可以設(shè)計(jì)符合監(jiān)管要求的母子協(xié)同機(jī)制，不因必要隔離而導(dǎo)致對(duì)渠道資源稟賦的放棄。

5. 技術(shù)儲(chǔ)備與技術(shù)合作。首先，對(duì)已有的資管業(yè)務(wù)進(jìn)行數(shù)字化覆蓋。數(shù)字化體系的建立不但可以提高運(yùn)營(yíng)效率，更重要的是可以降低數(shù)據(jù)保存和復(fù)用的成本，是人工智能業(yè)務(wù)落地的一個(gè)先決條件。其次，除了外部采購(gòu)與合作外，銀行資管也需要加強(qiáng)對(duì)員工進(jìn)行人工智能知識(shí)的培訓(xùn)，可以戰(zhàn)略型的儲(chǔ)備此類人員，以便于潛在應(yīng)用的發(fā)現(xiàn)和業(yè)務(wù)層面發(fā)起和推進(jìn)人工智能的應(yīng)用。再次，要明確人工智能項(xiàng)目與傳統(tǒng)數(shù)字化項(xiàng)目有著較大的差異，大量的需要是無(wú)法通過(guò)直接采購(gòu)來(lái)實(shí)現(xiàn)，因此，在業(yè)務(wù)、數(shù)據(jù)、機(jī)制等層面，銀行資管需要以更加開(kāi)放的心態(tài)去和智能服務(wù)廠商展開(kāi)合作。在合作過(guò)程中，銀行資管與服務(wù)廠商互相學(xué)習(xí)、共同發(fā)掘潛在應(yīng)用點(diǎn)，為業(yè)務(wù)的智能化助力。

參考文獻(xiàn)：

[1] Giannakis G B， Bach F， Cendrillon R， et al.Signal Processing for Big Data[J].IEEE Signal Processing Magazine，2014，31（5）：15-16.

[2] Small S G， Medsker L.Review of Information Extraction Technologies and Applications[J].Neural Computing and Applications，2014，25（3-4）：533-548.

[3] Bohn K.Converting Data for Warehouses[J].DBMS，1997，10（7）：61-66.