面對日益豐富的海量數據，越來越多基金證券等投資機構卻陷入金融數據標準化缺乏的新煩惱。

“我們投研部門每天都需要花費不少精力開展各類數據校對與表述口徑統一，很大程度影響了投研建模效率?！币晃蝗谭治鰩熛蛴浾咄嘎?。比如“維他命”在不同金融數據服務商有著不同表述——“維生素”、“Vitamin”等，往往造成不同業務部門對同一個事物產生歧義；此外，“集成電路”也被不少金融數據服務商稱為“微芯片”、“芯片”、“integrate circuit”（IC），也造成不同業務部門明明在討論同一種事物，但因各自表述不同造成理解偏差。

他直言，眾多金融數據不統一，還會大幅增加他們對外拓展業務的溝通成本。其中最常見的現象是，作為賣方的券商向基金、保險資管等買方機構推介投資策略時，由于彼此對某些金融數據的計算口徑不夠一致，導致買方機構對投資策略有效性心存顧慮，直接影響到券商業務合作進程。

金融數據標準化缺乏所造成的一系列問題，正引起相關部門的高度關注。

2月初，人民銀行、市場監管總局、銀保監會、證監會聯合印發的《金融標準化“十四五”發展規劃》提出，深入推進證券期貨標準建設；大力推進資本市場基礎數據標準和監管數據標準制定，研究構建資本市場數據標準體系，提升證券期貨業數據治理水平。

受此影響，越來越多金融數據服務商紛紛探索金融數據標準化。

恒生電子首席科學家白碩向記者透露，在金融資訊數據標準化領域，目前恒生電子正設計統一的資訊模型——基于SDOM證券行業模型的數據域劃分、證券分類方式以及詞根定義等標準，并綜合考慮現有各業務系統應用資訊數據的場景，沉淀公共的資訊數據服務能力，助力實現金融資訊數據標準化。

在一位公募基金公司信息技術部負責人看來，要做到真正意義的金融數據標準化，除了對基本數據定義實現標準化的口徑統一，還需將金融數據標準化應用范疇擴展到數據治理體系——從數據采集、數據分類分級、數據存儲，到實現公司內部的金融數據標準化建模與標準化定義，都得構建業務、技術、管理三個維度相一致的規范操作體系。

在他看來，要做好這項工作，基金證券機構與金融數據服務商還需“勤練內功”。

記者多方了解到，在探索金融數據標準化的征途上，眾多金融機構仍面臨三大挑戰，一是數據打通存在諸多痛點，眾多金融機構尚未做好具有可行性的頂層設計方案，導致投研建模、資管產品創設、客戶營銷、產品經營分析、監管應用等各個業務操作環節難以使用一致性的金融數據，由此造成巨大的業務操作隱性成本；二是數據治理人才匱乏，尤其是兼顧業務知識與技術背景的數據治理人才相當少，影響眾多金融機構的數據治理成效；三是隨著數據來源日益豐富且金融機構在同一款資管產品擔任不同角色（可能是托管人或渠道管理人），如何根據金融機構不同角色對數據出處與使用狀況進行精準標識以滿足合規監控與監管要求，同樣考驗著他們的內部控制與合規運營能力。

上述公募基金公司信息技術部負責人直言，金融數據標準化的建設，絕非設計技術平臺就能解決，更不是做完數據標準化再建技術系統，而是一個長期的、迭代的、滾動的且分步驟實施的進程。

數據治理“路漫漫”

記者獲悉，隨著近年越來越多基金券商機構構建數據中臺，他們對金融數據標準化的訴求也日益強烈。

“目前，眾多金融數據的表述差異化，已讓我們相當難受?！币晃蝗虣C構IT部主管向記者透露。比如“集成電路”在不少金融數據服務商的表述截然不同，有些機構稱之為“集成電路制造”或“半導體產品”，無形間加大他們數據校對的工作量。

令他更心煩的是，部分金融數據服務商提供的專業術語存在明顯歧義，以鋰電池為例，按正極材料可以分為三元鋰、碳酸鋰、磷酸鋰、鈷酸鋰等，若按照封裝則有圓柱、方形、軟包之分，按不同使用場景也有動力電池、儲能電池與消費電子電池等不同稱謂，但這些金融數據服務商都將它們籠統稱成“鋰電池”，導致投研部門不得不再反復核查各家上市企業財報所披露的鋰電池生產工藝與應用場景，最終確定金融數據服務商所說的“鋰電池”具體指向。

“這給我們造成很多額外工作量，導致投研建模效率降低與對外業務拓展溝通成本驟增?！彼寡?。表面而言，這些問題是因專業術語等基礎數據名稱表述口徑不統一而引發，但深層次而言，它涉及到各家機構數據治理規范化運作制度的缺失。

前述基金公司信息技術部負責人向記者透露，為了強化數據治理能力以促進金融數據標準化，過去兩年他所在的基金公司專門設立數據治理委員會，受IT治理委員會管理。

“考慮到基金公司規模不夠大，我們的IT治理委員會和數據治理委員會其實是一套人員班子，在強化IT能力升級同時推進數據治理架構建設?！彼赋?。這無形間令基金公司IT能力升級與數據治理緊密掛鉤，幫助基金公司借助IT系統持續升級，先后完成架構管理、資產管理、標準管理等方面的數據標準化制度設計和業務流程建設。

這位基金公司信息技術部負責人直言，期間他們走過一些“彎路”，目前尚未完成企業級的數據標準化治理，包括將眾多報表重新優化，以高度標準化的數據體系報送監管部門。

“此外我們正與量化團隊做溝通，如何打造并行計算的環境，但在實際操作過程，金融工程團隊只有單機版的Python，無法充分發揮公司的科技能力，即難以最大化使用算力開展各類算法建模研究?！彼毖?。這無形間給金融數據標準化構成新的阻力——因為眾多金融數據無法充分使用，也就找不到“標準化”的操作空間與運作尺度。

記者了解到，不少基金券商機構還發現，基于數據中臺的數據標準化服務也存在不少操作難題，最常見的是面對不同來源海量數據，哪個數據主體或數據標準應當作為“基準”，

一位金融數據服務商向記者透露，鑒于上述痛點，他們正嘗試輸出自助查詢技術服務——基于數據湖方式，通過智能科技提供自助分析、多維、數據實驗室、API、excel插件和固定報表等功能，幫助各類金融機構按照自身數據標準化要求完成產品管理系統、客戶ECIF系統、機構主數據和證券主數據的迭代升級，從而在實現數據遷移管理同時搭建更具標準化的數據采集、處理、分析與治理體系。

產業鏈數據“率先試水”

面對數據標準化需求日益旺盛，不少金融數據服務商開始“各顯神通”。

恒生聚源副總經理夏青告訴記者，目前他們正致力于推進產業鏈數據的標準化建設。

“我們調研發現，目前產業鏈數據標準化的應用場景相當廣泛，比如各類金融機構的投研領域對此需求比較旺盛，比如眾多主動投資模型需要通過這類數據，構建熱門行業上下游企業與相關資產之間的核心邏輯架構?！彼嬖V記者。此外，越來越多金融機構投研人員還將這類數據作為投資決策完善的新輔助工具，為智能投研打下扎實的基礎。

上述金融數據服務商向記者直言，盡管不少同行都將產業鏈數據標準化視為數據服務業務拓展的新突破口，但在實際操作環節，要做好這項工作難度不小。

首先，在產業鏈數據采集處理環節，他們會普遍遇到產業鏈數據信息來源有限、披露不規范、透明度差異、行業標準不完善等問題，導致他們無法構建完善、完整的標準化產業鏈數據。

其次，金融數據服務商要建立一套被市場廣泛認可、邏輯清晰、可行性高的標準化產業鏈數據，極具挑戰性。因為很多行業都有各自的產業鏈發展特點，且金融機構在不同數據應用場景存在著主觀認知偏差，都會加大數據場景的應用成本。

第三，產業鏈數據在不同業務場景有著不同需求與擴展要求，無形間變相提高產業鏈數據標準化的使用成本；

第四，在投研建模環節，產業鏈的復雜性或導致某些關鍵節點缺乏完整的標準化數據，導致投研建模難度驟增。

夏青對此表示，針對上述痛點，他們通過智能化技術設計針對性的解決方案。比如數據規則通用性層面，他們通過對產品、產業鏈關系、產品屬性的標準化，可以兼容不同來源的數據，形成同一套產業鏈發展邏輯關系與數據表述，提升數據標準化程度同時降低金融機構的“理解成本”——以便快速準確地獲取錯綜復雜的產業鏈信息。

此外，恒生聚源還通過大量數據分析技術進行相互驗證，避免標準化產業鏈數據之間所存在的錯誤邏輯關系，減少產業鏈數據的冗余信息。

“目前，我們還借助NLP等人工智能技術，促進標準化產業鏈數據在投研建模層面的精準識別能力，有效提升投研模型的數據探尋效率?！彼赋?。通過制定產品分類標準、產品納入標準、產品命名定義標準、上下游構建標準等機制，目前他們已打通上市公司、重點非上市企業等數十萬家企業的各類產業鏈關聯關系，廣泛應用在智能投研、智能風控等智能金融場景。

多位金融數據服務商指出，盡管越來越多同行在產業鏈數據標準化方面做出大量嘗試，但在實際使用普及層面仍受到多方面因素影響，一是眾多金融機構投研人員基于原有的數據使用習慣，未必會很快適應新的產業鏈數據，導致后者普及難度加大，其標準化效應無形間被減弱；二是新的產業鏈數據計算口徑若與金融機構現有數據治理操作方式不一致，后者未必愿意花費大力氣重新調整現有的數據計算口徑，令其應用范疇受到制約；三是產業鏈數據要實現“標準化”，還需眾多金融機構認可使用，但這又涉及到眾多金融機構的excel表格、日報周報信息是否會采用其數據演算公式，若金融機構使用意愿不高，其標準化進程的難度又將加大。

前述金融數據服務商向記者透露，目前業界正嘗試采取一個相對可行的操作方式，即金融數據服務商與證券交易所、知名買方機構、指數研發機構共同合作，參與各類產業鏈數據的業務標準、技術標準與應用維度機制設計，并成功將數據標準導入越來越多知名金融機構的產業知識圖譜與智能投研系統，通過交易所、知名買方機構與指數研發機構的影響力，逐步實現這套產業鏈數據應用的普及化，最終達到“標準化”目標。

責任編輯：韓希宇