金融

导读：随着业务在金融、保险和商城畛域的一直扩大，众安保险建设 CDP 平台以提供自动化营销数据反对。晚期 CDP 平台依赖于 Spark + Impala + Hbase + Nebula 简单的技术组合，这不仅导致数据分析造成数据孤岛，还带来昂扬的治理及保护老本。为解决该问题，众安保险引入 Apache Doris，替换了晚期简单的技术组合，不仅升高了零碎的复杂性，突破了数据孤岛，更晋升了数据处理的效率。众安在线财产保险股份有限公司是中国首家互联网保险公司，由蚂蚁金服、中国安全和腾讯于 2013 年联结发动设立。众安专一于利用新技术重塑保险价值链，围绕衰弱、数字生存、生产金融、汽车四大生态，以科技服务新生代，为其提供个性化、定制化、智能化的新保险。业务和关联公司的业务包含：众安保险、众安医疗、众安小贷、众安科技、众安经纪、众安国内、众安银行等。截至 2023 年中，众安服务超过 5 亿用户，累计出具约 574 亿张保单。 然而，随着业务在金融、保险和商城畛域的一直扩大，众安保险面临用户数据管理的挑战。用户信息来源于公众号、小程序和 APP 等多个渠道，这些数据不仅碎片化，而且多样化。同时，经营渠道也涵盖了自营、联营和内部投放等多种路径，导致数据进一步扩散。这种数据孤岛景象使得众安保险难以造成残缺的用户交融体系，从而无奈实现对用户的精准辨认和实时营销。 CDP 建设指标及计划为了解决这一问题，众安保险建设了 CDP 平台。该平台的外围职责是整合所有用户数据，构建全面的用户标签和客群体系，并利用其弱小的数据分析能力为自动化营销提供数据反对。 CDP 平台的建设指标次要包含以下几点： 疾速数据集成： CDP 需反对集成常见的关系性数据库（如 MySQL、PG 等 ）和数据仓库同（如 Hive、MaxCompute 等），同时还须要整合实时数据流（如 Kafka 等）。精准用户辨认：在简单的业务体系中，CDP 平台需可能灵便整合多种 ID 类型，造成对立的用户视图，为上游的实时营销场景提供撑持。灵便的用户标签和弱小的分群能力：这是 CDP 平台的外围建设指标，旨在提供全面、深度的用户洞察，精准满足用户需要。多维度实时剖析：反对对用户画像、用户旅程和营销成果的实时跟踪与回收。为优化营销策略和晋升用户参与度提供无力的反对。基于上述建设指标，众安保险目前已造成了残缺的 CDP 解决方案，该计划包含以下几个关键步骤： 全域数据采集：CDP 平台通过实时和离线数据采集形式，实现对全域数据的整合。利用 Flink 进行实时数据采集，同时建设离线数仓以整合多渠道数据，确保高质量的数据资产积淀。用户数据交融：通过 ID Mapping 技术，可将现有的用户数据进行交融，突破数据孤岛。行将用户手机、用户身份证、设施指纹、OpenID 等用户身份进行交融，造成对立的用户标识（OneID）。标签和客群治理：CDP 平台反对多维度标签的建设，蕴含用户属性、用户行为、业务交易状态等。同时，通过规定客群的圈选能力实力客群的精密划分。用户数据分析：基于丰盛的用户标签数据，CDP 平台提供用户画像洞察性能，反对实时成果评估和营销漏斗剖析。用户数据服务：CDP 平台提供多维度的数据接口服务能力，包含用户标签、客群、分层和实时事件等，赋能用户全链路智能营销。CDP 平台架构的演进历程在初步理解了 CDP 平台的建设初衷和解决方案之后，咱们将深刻开掘其演进历程，摸索它如何逐渐变质为众安保险对立、高效且不可或缺的外围基础设施。本文将重点分享 CDP 平台的建设过程及其在理论生产中的利用实际。 CDP 产品架构如上图所示。全域数据接入之后，这些数据就能够搭建用户数据中心、实时事件核心、客群画像以及营销流程。用户数据中心是客群画像的基石，并与客群画像、实时事件核心一起撑持营销流程的数据需要。数据服务层则包含用户数据服务、客群圈选、营销策略、实时事件、 AB 试验和实时成果剖析回收在内的全方位数据服务，满足各业务场景的数据需要。 ...

一. 交易1.1 什么是交易？依照历史趋势：贝壳替换 => 实体货币 => 数据化虚构货币（轻量化和虚拟化）。 一句话：等价交换行为。 1.2 交易定义买卖双方对有价值的物品与服务互通有无的行为。 要害：单方、有价值、互通有无、物品和服务1.3 交易流程现代：袖内拉手 和 袖内比价。 古代：某些交易场景下有业余的手势，比方交易所手心向内和手心向外代表买入和卖出。 具体步骤步骤：签约 => 认证 => 交付 => 记录 签约：交易条件统一。 认证：互验真伪。 交付：卖方物品服务托付买方。 记录：买方转账给卖方。 产生问题跨境交易失信问题欺骗换汇等一系列问题 二、领取2.1 什么是领取定义：付款人向收款人转移可承受的货币债务。 对应了交易流程的”交付“步骤。2.2 领取过程当面交付周期交付代理交付受权承诺 2.3 领取因素关键点：付款人、收款人、可承受的货币债务 付款人：买方。收款人：卖方。可承受的货币债务。 可承受的货币债务蕴含上面几个点： 领取工夫：合约规定工夫。领取货币：合约规定币种。领取金额：合约规定货币数量。领取形式：支票、电子转账等等多种形式。 2.4 领取复杂性身份认证：付款人不验明正身，无奈把资金交割给收款人。约定资金交割：跨境交易存在换汇和不同银行的交互问题。各国监管机构：关注反洗钱，反贪污，避免偷税漏税等。 2.5 易混同概念领取指令：领取机构依照消费者受权，向银行发动具体的指令。领取申请：消费者向商户领取款项。 三、交易与领取3.1 概念交易是领取的关键环节。 3.2 交易与领取的差别不存在有价值物品替换，不存在领取。以物换物。交易产生与领取这两者无间接关系。少部分交易不须要领取少部分领取无交易少数交易有领取比方： 敌人借钱和还钱（无交易的领取）捐款（无交易领取） 四、领取中的罕用概念4.1 应收账款会计科目，指的是因发售商品或者服务，进而对顾客产生的债务。从卖方角度看，应收账款是指卖方提供了买方须要的服务，卖方应该收到的买方款项。 4.2 保理金融术语：交易所产生的应收账款转让给保理机构治理，由保理机构实现金融服务。 保理服务商：次要提供资金融通，卖家资信评估，销售账户治理，信用风险担保，账款催收等一系列服务的综合金融服务形式。 4.3 收单收单须要先理解”单“的概念：单就是消费者实现交易之后的单据。 常见的收单形式： ATM 收单：多指持卡人在非开户行ATM取款。 如果是跨行取款，会波及银行和银行之间的清理，收取流动。POS 机收单：国外应用较多，POS机由银行提供，间接和收单机构间接部署到各个商铺。 产生双份收据，消费者方收据用于日后查问备用，商户收据则用于产生交易纠纷的时候找银行核算。网络收单：在线领取产生的收据。交易链：三方领取 -> 收单行 -> 卡组织 -> 公共/专用网络。 4.4 结算领取机构和商户约定结算周期费率，周期内领取申请总结性计算，结算会在汇总的过程中抽取手续费并且扣除。 4.5 备付金指的是预收待领取货币资金（通常为银行）。 比方咱们在支付宝微信的”余额“或者说账户余额就是备付金的概念。4.6 清理定义：对于不同的银行进行机构定期长短款割差过程。 ...

随着产业向深度数字化迈进近年来专有云需要一直增长平滑降级、一云多芯和便捷部署是行业关注的重点如何实现对立运维、多云治理做到高兼容性的专有云平台？本期，京东云专有云JDStack产品经理为你带来京东云JDStack的核心技术和实际利用案例 嘉宾介绍 王文艳 京东云专有云 JDStack 产品经理 参加过客户从传统IDC到虚拟化再到云化，不同阶段的IT建设，服务过政府、运营商、金融、制造业等不同类型客户。

一、我国精算行业现状精算学是对人类社会所面临的各种危险及其他主观事务进行量化剖析和解决的一门迷信。在保险、金融、投资和各类风险管理等许多畛域失去广泛应用，尤其在保险和社会保障畛域，已成为不可或缺的迷信和技术。以保险公司为例，精算在产品开发、承保、营销、出险、年度评估、再报安顿及投资等各业务流程都施展着重要作用。现在，越来越多的金融机构也开始尝试应用它联合金融建模技术来评估公司的财务状况危险。除了须要使用古代数学、统计学、金融学及法学等的科学技术外，精算师在数据建模中还常常应用 Excel 等数据管理软件。然而，应用成品软件的短板也很显著： 局部场景中 Excel 的效率并不高，比方版本控制面对大型简单模型计算需要无奈实现多经济情景的分布式计算需要实现艰难为了解决上述问题，葡萄城推出精算与金融行业解决方案白皮书，上面是白皮书局部内容概览，从目前业务难点、技术要点、解决方案和客户案例等几个局部具体为大家介绍葡萄城提供的行业解决方案。 二、技术要点常见的金融建模技术曾经从传统、简略的动态预测演变为更加简单的动静模仿技术，即确定性金融建模技术和随机金融建模技术。在这个过程中有一下四个外围关注的金融建模技术。 动态预测技术动态预测技术是依据一组假如，来预测公司的将来可能呈现的状况。例如，保险公司能够利用一组统一的假如，如资产、负债、经济情况以及其余一些重要变量，来预测公司将来五年的亏损。 敏感性测试敏感性测试又被称为敏感性剖析,其通过预测一些可能呈现的情景来扩大预测后果。精算师在进行剖析时有可能很难确定变量须要扭转的范畴；变量之间的相关性有可能被扰乱。 情景剖析和压力测试确定性情景剖析技术是在不同的将来情景下，预测公司财务状况的发展趋势。如果公司的财务状况在这极为常见的情景下依然是能够承受的，公司的危险个别假设也是能够接受的。 随机模仿随机模仿下变量情景的构建是利用变量的概率分布随机生成的，而确定性情景剖析的情景是预先确定的，而利用确定性技术所生成的变量的情景个别称之为确定性情景。 三、计量检定计划金融建模技术的两种发展趋势也同样影响了将来精算建模软件的倒退，咱们须要的精算建模软件须要提供动静的财务分析方法，在体现“随机性”、“动态性”思维的同时，还可能随机模仿不确定性环境下公司的资产、负债及将来的经营成绩，为高层管理者管制经营风险、制订战略决策提供根据。为了解决上述业务需要和技术要点，该解决方案有以下几个外围，充沛满足大家的业务需要： Excel的应用体验，海量模型一键应用表格组件齐全遵循了 Excel 的应用习惯，并兼容 Excel 的数据结构，在 Excel 软件中构建的各类金融模型能够间接导入由SpreadJS 和GcExcel 构建的精算建模软件中应用。 各类自定义API，大幅晋升效率两款组件均提供大量API 接口，用户可自依据须要定义各类快捷键和响应事件，在构建精算模型时能够更间接地创立预测工作，晋升精算建模软件对数据缺省值、趋势转变和大量异样值的鲁棒性。 适配大型简单模型与简单计算需要GcExcel 组件构建的专用精算软件在运算效率上要比 Excel 公式和VBA 非编译计算高很多，所以更适宜大型简单模型和多经济情景的分布式计算需要。下为解决方案局部展现内容： 以上就是葡萄城表格技术解决方案的次要内容。除了本解决方案外，咱们还筹备了海量资源。如果感兴趣，千万不要错过这些免费资源！ 获取精算与建模场景解决方案白皮书 + demo，增加V“putaochengxzs”，回复“精算与建模”，获取白皮书和解决方案demo。

随同着技术、数据、信创、疫情冲击等多重因素驱动下， 金融业一直扩宽数字化的边界能力，由晚期的业务经营电子化，到治理流程信息化，再到这些年的客户交互挪动化，数字化正在一直继续扩大，并迈向经营治理全面数字化的新阶段。 01.数据是新的石油，新型BI成为金融业数据管理的金钥匙随着金融数字化转型一直进入深水区，在业务倒退过程中积攒了大量的数据，数据逐步成为撑持业务疾速倒退的重要燃料。“数据分析”简直成为每家金融机构的标配，如何让数据产生更大的价值，是业内都十分关注的问题。 据理解，绝大多数金融业在数字化转型过程中都会遇到数据与业务割裂的状况，当业务人员提出数据分析需要后，须要由技术人员进行剖析并将后果反馈给业务人员，这过程中容易呈现沟通门槛高、需要评审慢、反馈周期长、数据管理效率低等问题。 金融业对大数据的要求是准确率高、交付快、可能实时响应业务及内部的变动。传统的数据分析模式难以满足企业需要，多种因素交加，让技术门槛低、响应快等特点的一站式数据分析平台走入金融业视线中。 一站式数据分析平台是解决数据与业务割裂问题的杀手锏，以其技术低门槛、剖析性能智能等劣势，赋能业务人员基于业务了解，通过简略的利落拽自助式剖析，实时匹配数据分析需要，其部署周期短、效率高、麻利灵便及扩展性，能够满足业务人员轻松实现数字化翻新利用需要，让一线业务人员成为“数据分析”专家成为一种可能。 哪怕不懂技术的业务人员也能够随机依照理论业务场景疾速搭建数据建模，疾速跑通业务数据分析流程，过程中遇到任何变动都能够即时调整失效，对于业务人员来说，具备十分大的自由度。能够说，一站式数据分析平台成为金融业数据全面经营治理的一把金钥匙。 02.“业务+品牌”双轮驱动，激发高质量增长新势能思迈特软件从金融起家，是领有最多大型金融客户的国产BI厂商。家喻户晓，金融行业的客户在抉择工具的过程中十分“挑剔”，对产品各个方面的要求都很高，在思迈特软件专一服务金融客户过程中，通过满足头部客户的简单需要，一直锻炼产品的每个性能点，让产品厚度一直增厚。 产品性能的全面性、技术实现简略灵活性，让更多金融客户率先融入BI产品，通过BI赋能业务及品牌增长，获得了阶段性的数字化转型成绩，并且在思迈特软件的帮助下，凭借数字化转型实际我的项目摘得业内含金量高的奖项，充沛展现了数字化转型的当先形象，为晋升打造品牌实力和影响力添砖加瓦。 ▎重庆银行联结Smartbi建设全新智能数据分析平台，荣获“2022 IDC中国金融行业技术利用场景FinTech冲破奖” 重庆银行凭借“大数据智能剖析平台我的项目”，荣获“2022 IDC中国金融行业技术利用场景FinTech冲破奖”，该奖项具备极高的权威性和含金量，是国内金融机构科技硬实力的重要认证，本次获奖标记着重庆金融的科技创新能力取得国内权威机构认可。 重庆金融和Smartbi开展单干，建设全新智能数据分析平台，并推广至行内数字金融部、个金部、危险管理部、分支行等多个部门。通过大数据智能剖析平台的建设后，既能进步业务人员获取数据的能力，又缩短均匀数据拜访时长，进步工作效率；不仅为科技部节俭大量对其提供根本数据服务的工夫，同时在增强数据管控的根底上晋升数据服务能力，实现数据分析的全面利用和推广。 ▎英大人寿联结Smartbi打造“数据之家”自助剖析平台，荣获“IDC金融行业利用场景翻新冲破奖” 英大人寿携手Smartbi搭建的“数据之家”自助剖析平台在71家金融机构提交的150个案例怀才不遇，荣获“2021年IDC金融行业利用场景翻新冲破奖”，为金融数字化转型做出了翻新示范。 为了解决传统“业务提需要，IT做需要”的模式存在沟通效率低下、响应时效慢等问题。英大人寿基于Smartbi建设全公司凋谢共享的“数据之家”自助剖析平台。通过数据导航、自助剖析、利用商店、数据答疑和共性门户等性能把所有的数据都在平台上平安凋谢进去，并提供各种简略易用的剖析工具，让所有须要数据的业务部门和人员，自助地去获取和剖析数据，让技术部门把无限的贵重的人力资源，投入到数据加工整合、平台的经营保护上。 ▎福建邮储凭借“技术搭台、业务唱戏”的数据分析利用模式，荣膺《金融保险报》的优良案例奖!图片 近年来，福建邮储每年数据申请单的数量都在300单以上，占全省申请总单量的40%左右，在数据管理上存在短少全局数据观、业务人员难以了解简单的底层数据结构、数据处理简单效率低等问题。 福建邮储基于Smartbi打造一体化的数据化经营解决方案，通过建设信用卡业务数据集市、定制业务剖析主题、建设自助剖析平台、对接营销治理平台，胜利让每月的数据申请单缩小80%，充分发挥数据潜能，全面赋能业务倒退。 福建邮储也凭借该数字化我的项目荣膺《金融保险报》的优良案例奖，「中国金融保险报是中国银保监会旗下的组织机构，是中国最大、最权威的垂直媒体」，这标记着福建邮储在在深耕数字金融应用领域获得新的成绩，失去了权威机构的高度认可。 多年来，思迈特软件秉承客户至上的理念，聚焦帮忙客户实现数据价值，从产品技术、服务、品牌等多维度赋能客户胜利。 通过十余年的研发迭代，思迈特软件的一站式大数据分析平台，从产品的易用性、好看性、安全性和智能性等方面为客户赋能，从渠道生态、用户生态和信创生态多个模块为客户提供更全面、更优质的产品和服务。 而在品牌方面，思迈特软件精心策划「赋能客户品牌胜利」专项流动，帮忙客户在行业内建立数字化转型当先形象，目前曾经为英大人寿、重庆金融、福建邮储、南京银行、成都银行等胜利赋能品牌胜利，受到了客户的高度认可和信赖。 依据 Gartner 的说法， 约 90% 的企业策略将在 2022 年之前将信息视为一项要害的企业资产。除此之外，他们还将思考剖析作为一项根本能力。在当今不确定的时代，为帮忙企业晋升御寒能力，思迈特软件将全力以赴致力于BI商业智能助力金融开掘数据价值、驱动业务及品牌营销增长，全面推动数字化转型过程。

金融企业数字化是企业进行业务继续降级、打造外围竞争力的必经之路，这曾经成为绝大部分金融企业的共识。公共云作为云化的基础设施和利用平台，为金融企业数字化提供了弱小的根底。 同时，随着商业环境的竞争加剧、新型的交互方式诞生，金融行业的 IT 零碎也在不断进步。2022 年 8 月 25-26 日，阿里云举办了金融翻新峰会，与金融行业的各位先行者一起探讨将来的 IT 新范式与交互新模式。 阿里云弹性计算团队作为算力底座、底层硬核技术的代表缺席进行了分享；并在展区跟合作伙伴一起展现了基于阿里云云 XR 平台部署的沉迷式利用。 金融行业数字化面临的四大挑战从云技术层面来看，金融行业以后数字化面临四大新的挑战： 1.数据的平安解决：数据是外围资产，包含交易数据、用户数据、监控、日志等是业务翻新的根底。随着数据的规模越来越大，须要更弱小的数据处理能力，能力让企业从数据中取得业务洞察，驱动智能的治理和决策；同时，须要更平安的数据处理环境，保障资产平安合规。 2.IT 零碎的平滑降级：金融企业数字化要跟现有的 IT 零碎有机地联合起来，而不可能是简略地重整旗鼓。这就须要云服务具备灵便部署的能力，包含部署到客户的数据中心内，满足企业对于数据合规、网络时延等要求。 3.办公的平安高效：员工是外围竞争力，是业务翻新的原动力。金融企业须要更高效、更平安的云上办公平台，把办公零碎和生产零碎一样部署在云上，从而实现企业数字化的残缺闭环。 4.交互模式的转变：随着数字化加深，金融机构跟其用户的交互方式也产生了转变。比方银行、券商原来次要通过线下柜台服务用户，到现在的线上图文、视频交互等。这些都须要丰盛生态的反对。金融企业要依靠云计算实现更疾速、灵便、高效的数字化，也须要其所应用的各种企业软件实现云化，具备快捷部署、高效运维的能力。 安全可靠高性能的算力：倚天 x 神龙 阿里巴巴研究员、阿里云弹性计算 &无影产品线负责人 张献涛 阿里巴巴研究员、阿里云弹性计算 &无影产品线负责人张献涛介绍，在针对金融客户数据快速增长带来的挑战，阿里云新一代云服务器 ECS 依靠于新一代的 CIPU 技术和第四代神龙架构，在计算、网络、存储、平安各个方面都做了跨越式的降级，整体算力晋升 40%、网络带宽将全面降级到 2* 100Gb，云盘最大 IOPS 300 万，让金融企业可能从容应对量化交易等各种数据密集型的场景。 同时，阿里云自研第四代神龙架构实现了业界首个云上大规模 RDMA 减速技术，网络 PPS 达到 5000 万、网络延时最低 5 微秒，再次刷新了业界最高程度。基于当先的根底性能，第四代神龙将为数据库、AI、大数据等常见利用，带来性能的进一步晋升。 在神龙架构的加持下，阿里云全新一代搭载倚天 710 芯片的企业级实例 g8m 正在邀测。倚天 710 芯片针对云场景的高并发、高性能和高能效需要而设计，性能超过业界标杆 20%，能效比晋升 50%以上；在 AI 推理、音视频直播点播等计算密集型场景，g8m 实例的性价比将大幅超过业界程度。 目前，阿里云是业内首个云服务器 ECS 同时装备可信计算与加密计算的云厂商，联合阿里云原生平安能力，提供全方位的平安平面防护，满足金融客户在平安可信方面的需要。 无处不在的算力：随需部署金融企业上云趋势越来越显著，但金融企业对集群的部署往往有着特定需要。除金融云外，咱们也减少了“金融专属区域”产品状态。在金融云中，为金融企业提供满足客户冀望、监管要求的独占集群，与其余集群进行隔离，实现在可控区域应用计算、存储、数据库等公共云产品。同时通过一云多芯等策略满足用户多样化的需要。 现在，为了满足用户丰盛的部署需要，阿里云曾经造成了公共云的多状态，包含本地 Region、专属 Region、现场计算节点“云盒”等，让算力无处不在。 ...

寰球 IT 畛域驰名的第三方独立钻研机构 IDC 主办的「2022 IDC 中国数字金融论坛暨颁奖典礼」于 8 月 18 日在京举行，重庆银行「大数据智能剖析平台我的项目」荣获「2022 IDC 中国金融行业技术利用场景 FinTech 冲破奖」。 「2022 IDC 中国金融行业技术利用场景 FinTech 冲破奖」评比是该论坛峰会的压轴大戏，评比对象会集了年度国内顶级金融机构。IDC 中国根据科技翻新、我的项目效益、业务价值、行业影响等规范，对提名的金融科技案例进行了初选、公众网络评比、IDC 专家和行业专家评比，所评奖项具备极高的权威性和含金量，是国内金融机构科技硬实力的重要认证，本次获奖标记着重庆银行的科技创新能力取得国内权威机构认可。 重庆银行是第一家在港交所定向增发的边疆上市城商行，间断五年跻身《银行家》寰球前 300 强，在 2022 年寰球银行品牌 500 强榜单中位列 212 位，在国内城商行中处于领先水平。在智慧银行的改革过程中，重庆银行保持以打造数字化、智慧化银行为外围，将人工智能为首的新兴科技与本身业务深度交融并疾速落地，成为了城商行中数字化转型的榜样。 近年来，随着行内业务的一直扩大和数字化过程的继续推动，重庆银行的数据量呈爆炸式增长，数据复杂度也呈指数级回升。基于此，重庆银行构建了大数据平台，实现了大量简单数据的汇总。但因为历史数据量较大，业务关联数据表较多，业务人员查问数据时零碎反应时间较长。因而，这消耗了大量的治理资源，工作反复且低效，其实时性、准确性、全面性都存在局限，不能充沛地体现企业整体经营的现实状况。 同时，数据安全也是一个日益重要的问题，依据平安治理的要求，业务人员应用数据分析必须在办公网虚构桌面里拜访。原有的申请及审批流程比较复杂，业务人员在应用数据分析前，须要开明虚构桌面等多个网络账号，申请数据账号后，在波及到新增数据表权限时，须要再次申请及审批，导致数据分析的应用及推广过程中被业务人员所诟病。 总的来说，如何可能更好地让业务部门应用数据，让数据驱动驱动业务经营治理，成为了重庆银行在实现数字化的路线上必须面对的问题。 一、重庆银行和 Smartbi 开展单干，建设全新智能数据分析平台为解决上述问题，重庆银行抉择与思迈特软件开展单干，建设全新的智能数据分析平台。 依靠于 Smartbi 一站式大数据分析平台，思迈特软件为重庆银行提供了一套残缺的解决方案，在深度了解重庆银行业务流程及架构的根底上，帮忙银行实现「数尽其用，人尽其才」的经营指标。 首先，思迈特软件为重庆银行智能数据分析平台提供了元数据管理工具，便于数据分析人员查看与管理系统内的元数据信息，包含已接入的数据表、字段、参数、多维模型、查问、报表、仪表盘等信息，为后续数据分析奠定了松软的根底。 其次，重庆银行在智能数据分析平台上减少了剖析工具集，包含根本的固定格局报表、Office 剖析报告等描述性剖析工具，即席查问、透视剖析、自助仪表盘、EXCEL 交融剖析等诊断性剖析工具，以及数据挖掘等预测性剖析工具。在各类工具中，自助仪表盘、EXCEL 交融剖析和数据挖掘最具代表性。 针对数据安全问题，思迈特软件帮忙重庆银行实现了权限管制体系的搭建和数据脱敏性能的欠缺。一方面，搭建了权限管控体系，该体系反对按用户、用户组、角色进行治理，反对多级用户管理体系，同时可能对权限申请流程进行记录留痕，管理人员可在平台上管制不同部门或不同地区（IP）的用户性能权限、数据拜访权限、资源拜访权限，实现数据操作可追溯。 另一方面，重庆银行还通过欠缺脱敏规定配置、脱敏预览等数据脱敏性能，保证数据可提供可控的预览及下放。 二、通过智能数据分析平台建设，重庆银行实现多重成果及业务价值重庆银行基于原有大数据平台，借助 Smartbi 构建了智能数据分析平台，并推广至行内数字银行部、个金部、危险管理部、分支行等多个部门。通过大数据智能剖析平台的建设后，既能进步业务人员获取数据的能力，又缩短均匀数据拜访时长，进步工作效率；不仅为科技部节俭大量对其提供根本数据服务的工夫，同时在增强数据管控的根底上晋升数据服务能力，实现数据分析的全面利用和推广。 以前科技部门每个月解决的数据申请单大概在 600 张左右，当初降落到 350 张左右，能让大部分技术人员转身投入到更简单的需要解决中；以前一张申请单从提出到实现须要 7 天的工夫，现在业务人员可自行处理，即便从提需要到实现实现，也仅需 2 天工夫。 通过界面化、流程化的权限管控，实现多级在线受权性能，通过对数据权限的流程治理，简化数据受权流程，晋升数据权限申请的效率。通过加密、脱敏等形式晋升数据应用的安全性，切实保障数据分析安全性、易用性的要求。 客户心声：我的项目负责人谈到，“大部分银行积极探索数字化转型的最佳策略，咱们心愿能够借助产品实现数据全生命周期的管控，还能满足咱们对于多元化数据可视化展现的需要。在这时，咱们看到 Smartbi 产品在业内曾经积淀了大量在不同业务场景下银行数据化经营的实践经验，其产品的稳定性在业内具备的良好口碑。通过多方评估后，咱们认为思迈特软件的产品更加合乎咱们的要求。” 近年来，重庆银行大力开展科技翻新钻研，用心打磨金融科技的核心技术，踊跃寻求技术升级，以推动全行业务高质量倒退。将来，重庆银行将与 Smartbi 进行更深刻、更全面的单干，独特摸索金融科技翻新与金融数字化转型之道，为寰球的金融数字化转型做出翻新示范。 ...

2022 年8月18日，由IDC主办的“2022 IDC中国数字金融论坛”圆满闭幕，论坛揭晓了“2022 IDC中国FinTech 50榜单”。并为“中国金融行业技术利用场景翻新案例奖”获奖企业进行颁奖。 IDC(International Data Corporation)是国内上极具公信力和影响力的第三方钻研机构，其始终亲密关注寰球金融行业倒退态势，聚焦于金融行业的前沿技术利用翻新和业务场景翻新，为110多个国家的技术和行业倒退基于提供全球化、区域化和本地化的业余剖析视角与服务。其发动的“2022 IDC 中国 FinTech 50”榜单是业内最具权威和参考价值的国际性评比之一。 思迈特软件凭借雄厚的技术实力以及多年来在金融行业的亮眼体现，再次登榜“IDC 中国FinTech 50”，成为两度蝉联此殊荣的企业。与此同时，思迈特软件还凭借大数据智能剖析平台我的项目，助力重庆银行摘得“2022 IDC中国金融行业技术利用场景FinTech冲破奖”。 科技倒退，引领着人类社会的每一次重大改革和提高。在金融业倒退历程中，信息技术始终是推动金融翻新甚至改革的重要力量。而金融业继续的信息化过程也在驱动信息技术的提高，两者相辅相成、互利共生。 近年来，随着数字化转型的日渐深刻推动。数据作为转型基石和引擎，在金融业利用的场景及施展出越来越重要的价值。通过对数据进行无效的治理和利用，加深金融企业对市场的洞察，推动业务翻新，晋升客户体验，实现疾速而精准的数字化决策。 思迈特软件作为国内当先的一站式大数据分析平台服务商,长期专一于数据中发现价值，数据赋能业务。通过一个平台，连贯数据与业务，实现多业务数据整合，整合数据赋能业务，以此满足客户的数字化转型须要。从数据资产化、数据业务化、数据服务化、数据产品化四个方面实现金融企业数字化转型降级，施展数据因素乘数效应。 同时，思迈特软件始终在加强数据管理、数据挖掘建模和自然语言剖析上加大投入力度，推动AI+BI交融技术在企业获客增收、危险防控、产品翻新、生态共建等场景的利用，让数据成为驱动金融企业数字化转型的能源。 立足于技术创新的倒退内核，目前，Smartbi已取得4000+家头部企业客户认可，其中700+家为金融行业客户。凭借在银行、证券、基金、期货、保险等金融细分畛域的市场劣势，思迈特软件未然成为中国金融BI的领跑者。 以银行业为例，世界财产500强的国内银行，思迈特软件笼罩80%，6大行笼罩4家，并深度服务中国银行、交通银行、民生银行、重庆银行、招商银行等多家客户，打造行业标杆效应。 回溯过来几年，思迈特软件先后取得荣登“中国电子银行网-数据翻新智能奖”、“数字生态-金融科技领军企业奖”和“2021 IDC中国FinTech 50强”等诸多金融行业榜单，在综合实力、产品品牌等方面均取得了市场的宽泛认可。 往年，Smartbi再度入围IDC Fintech50强榜单，也验证了其雄厚的技术实力以及卓越的金融畛域的服务教训。将来，思迈特软件将继续深耕金融科技领域，在产品和技术上一直精进，助力金融机构盘活数据资产，进一步晋升危险管控能力。

某银行是某市属国有重点企业，成立以来保持服务中央经济、服务小微企业、服务城乡居民，全力推动高质量倒退，营业网点笼罩该市所有区县。近年来，该行保持以金融数字化转型，不断创新产品及服务模式、拓展服务渠道来更好的服务客户，助力银行晋升服务质量与覆盖度。 01 服务撑持有余，某银行急需寻求展业新门路 随着全行数字化的逐渐深刻，加之监管收紧与疫情影响，在进行客户服务的过程中，该行在服务半径、经营效率以及合规风控三方面均产生了新的需要。 一是服务半径亟待扩充。随着该行批发策略进入减速发展期，批发贷款规模占比逐渐增大，依附原有的纯物理网点，服务触角难以无死角延展至各地区，用户需要难以疾速失去满足。而依附电话客服提供金融服务，银行无奈满足用户所有需要，服务半径仍受限制。因而，该行踊跃寻求伎俩，实现线下业务向线上的转移，从而延长服务触角、扩充服务半径。 二是服务效率须要晋升。传统线下业务办理模式下，用户需亲自返回柜台，“见面”老本高。同时，受制于网点坐席数量、坐席工作工夫、所处环境等，客户在业务高峰期等非凡状况下等待时间长，整体业务解决效率较低。而通过APP、小程序、H5等线上渠道办理业务，因为线上各渠道的后盾撑持仍以人工为主，依旧会呈现服务效率低、人力老本高的状况，制约了银行业务规模化倒退。因而，该行急需以数字化智能化工具，晋升服务与展业效率、升高经营老本。 三是数智化合规、风控成为刚需。近年来，银保监会对客户服务过程中监督逐渐收紧，要求银行标准销售行为、实现业务留痕与可回溯，这对该行的合规风控提出了新的要求。因而，借助数字化工具、对展业流程节点进行质检和留痕，以保障全流程平安合规，是该行的重要需要。 02 音视频技术叠加AI能力，构筑视频展业新模式 为满足上述线上线下服务与展业需要，该银行决定构建一套笼罩多场景的AI视频银行，并于2020年开展了全面的评估与筛选。最终，北京中关村科金技术有限公司（以下简称“中关村科金”）凭借本身残缺的音视频服务产品体系、大量金融场景中的智能音视频利用实践经验以及过硬的AI自研技术能力，成为了该行的单干对象，助力该行构建线上线下交融的数字化视频经营新模式。 中关村科金立于2014年，是国内当先的人工智能科金公司，总部位于北京，在上海、重庆、深圳、成都等地设有分支机构。中关村科金通过自主研发的人工智能、大数据、实时音视频三大核心技术，助力企业疾速晋升数字化能力，已服务超过500家行业头部企业，领有泛行业数字化教训。目前已累计申请受理228项自然语言解析、机器视觉、语音辨认专利，取得223项软著及CMMI5国内认证，研发实力弱小。其中人脸识别、声纹识别等人工智能前沿技术当先行业，屡获国内大奖。截至目前，中关村科金已取得IDG资本、光大控股、中金资本、方源资本等出名投资机构共计约35亿元策略投资。 图1：得助·AI视频银行服务全景图 基于对该行业务特点和倒退需要的深度把握，依靠该行对业务流程与话术的梳理，中关村科金粗浅剖析了业务复杂度、重要度及扩展性等因素，向该行输入了一套残缺的定制化解决方案。基于中关村科金弱小的技术积攒和丰盛的行业教训，该银行面向多场景搭建了一套互动视频展业平台，并在底层部署了一套音视频业务中台，以撑持该行多渠道、多终端应用需要；同时，构建了“数字云柜员”，以晋升服务效率；另外，银行在全流程中接入AI音视频质检，保障合规质效、进步危险防控程度。 音视频技术撑持视频展业，拓展服务半径 针对服务半径有余的问题， 该行搭建了一套笼罩多场景的互动视频展业平台。该平台将高可用、高平安的底层音视频能力嵌入其中，帮忙银行实现了客户信息保护等根本业务，对公开户、近程尽调等对公业务，理财危险测评、视频面签等批发业务，贷款初审、贷款面签、贷后治理等信贷业务场景的线上化智能化。 此外，为撑持银行其余线上线下视频业务需要，该行搭建了音视频业务中台。首先，该行实现了包含银行柜台PC设施、APP、小程序、H5等在内的全渠道、全终端接入。其次，该行在剖析本身数字化现状的根底上，将RTC实时音视频、OCR、人脸识别、声纹识别、活体检测等前沿科技交融并规范化、标准化、系统化，构建了音视频业务中台，并将音视频业务中台与银行业务订单关联起来，买通了后盾数据链路，造成了流程治理、话术治理、智能排队、订单治理、权限治理等规范模块。将业务流程与渠道解耦，该银行可能疾速满足视频银行的个性化需要，提供强力撑持。 依靠数字人构建“数字云柜员”，晋升服务效率 图2：该行视频银行服务体系 针对服务效率不高的问题，该行在构建视频银行的根底上，通过数字人技术，构建了“数字云柜员”。该“数字云柜员”可能为客户提供7*24小时自助式的银行服务，如自助理财、自助面签等，可能加强服务与展业的灵活性、在缩短服务工夫的同时，晋升服务效率，加强经营能力。同时，该“数字云柜员”被赋予“看、说、听、了解、判断”能力，可能全面模仿人工客服，为客户提供智能查看、智能解说、智能凝听、智能判断服务，从而驱动业务办理，实现大业务量反对。 AI算法驱动下实现全时实时质检，保障平安合规 针对合规风控的需要，中关村科金为该行构建了多模态身份核验能力、AI音视频质检能力。多模态生物核检反对动作、读数等多种活体检测形式，基于服务端弱小的AI算法能力，可能为该行提供更为精准的辨认、更深度的防伪与反欺诈能力。AI音视频质检能力则由OCR、人脸识别、人脸比对、人脸在框检测、表情辨认、活体检测、签字动作辨认、防翻拍、语音合成、背景反欺诈等AI算法驱动，可能在该行展业全流程各节点进行实时音视频质检，更高效地保障服务全流程平安合规。此外，该行还构建了双录能力，并将其落地于理财、投保等业务中，以满足可回溯的监管要求。 03 晋升服务半径、服务效率，银行实现服务质效跃升 通过近程视频银行的建设，该银行逐渐实现了线下业务向线上的转移，拓展了多种业务场景下服务半径，在保障平安合规的同时，极大地晋升了服务及展业效率，助力全行降本增效，并减速推动了全行数字化转型。 实现全时服务，拓展服务半径。视频银行的建设，冲破了地区限度，通过高效笼罩各地市/县（区）/乡镇客户，使得任何客户都可通过智能柜台、手机银行、微信等任意渠道发动视频申请，在任何工夫、任何地点享受便捷自主的银行服务，真正延长了服务与展业触角、拓展了服务半径。 晋升服务效率，优化服务体验。一是借助视频银行，该行可能升高业务办理等待时间“见面”老本，线上业务办理率晋升了约150%-200%，服务及展业效率显著晋升，如对公开户流程仅需半小时即可实现，极大地升高了经营老本，加强了客户体验，客户满意度晋升了90%。二是通过视频银行+数字人的模式，该行既可能7*24小时全时段服务与展业，又能无效节约人工，升高人力老本，而在某些场景下，如在需借贷人、担保人等多角色参加的信贷业务场景中，通过人机合作，该行能将流程标准化，展业效率失去了晋升。 借助实时质检，保障平安合规。首先，借助视频银行，该行齐全满足了银保监会要求。其次，基于多模态生物核检技术、ASR语音辨认、NLP用意判断等AI能力以及电子签名技术，该行实现了视频服务全时段实时质检，既高效缩小了违规操作危险、晋升了反欺诈能力，又升高了人工质检压力，升高了银行人力老本约60%。另外，全流程同步录音录像，实现了展业交易过程的主动留痕与可回溯，缩小了合规隐患，投诉率升高了70%。

一、数据是银行的重要资产咱们晓得BI普及率与其业务收益正相干，遍及度越高，其业务收益越高，尤其是银行行业更加须要数据化经营。银行业金融机构各种用户数据、业务数据十分宏大，是数据驱动的典型类型，与其余行业相比天生就具备数字化转型的劣势。而通过进步数据分析治理利用能力、开掘数据潜在价值，盘活数据资产变现能力，放慢转型步调，助力深入银行改革，实现数字化转型，从而加强市场竞争力。 二、银行数据利用现状和愿景银行目前都构建了ODS，数据仓库，大数据平台，较好的银行实现了数据生态圈。有的银行还针对业务具体需要，构建专门业务集市。在良好的数据平台根底为什么资产转换能力弱？次要是因为数据分析工具弱，数据查问及剖析老本高，智能利用欠缺、我的项目化定制低等起因。  因而金融银行行业须要一套疾速数据分析平台，让业务能便捷的查问剖析数据，进步数据分析效率，开掘数据价值，实现数据到资产转化。 三、思迈特软件助力解决银行窘境为了解决以上银行数据资产利用的窘境，思迈特软件为银行提供对立数据展示剖析平台。1、对立数据展示平台工具化水平高，适配性强，数据展示快，节约开发工夫 集成性高，通用性强，适应业务面广的交融性展示剖析平台；系统集成快，反对多系统集成，实现数据门户，为多元化我的项目提供良好的配制性能。利用性能点多。数据采集补录、图表展示、自助剖析、交互仪表盘、数据挖掘、挪动展示、数据脱敏、利用分享、指标治理等；2、晋升数据利用，疾速帮助银行数字化转型 疾速的数据展示与剖析，能晋升银行数据利用效力，晋升数据资产利用价值，帮助银行数字化转型；提供数据模型实现各业务部门自助化剖析，加重银行开发技术难度，晋升业务自助化剖析强力，这种形式失去十分多的同业借鉴，失去宽泛的推广。3、自助化性能强，业务适应性好 反对传统固定报表、各类图形展示、数据上钻下钻、EXCEL透视性能、全数据线上剖析等，适应业务性能多。反对Office业务报告性能，自助化造成业务报告，疾速实现业务报汇。提供自助剖析平台，实现数据自在摸索、交互剖析，自助化高，多维展示及剖析灵活性高。4、利用门槛低，易学易用 在EXCEL上即可实现业务报表、摸索剖析，不必花什么学习老本。 反对多数据源联结查问与剖析，反对离线规定在线应用，适应银行业务场景多。通过指标治理平台，让数据更加清晰化，业务口径明确化，数据利用更便捷化。用流式形式，实现数据挖掘，升高数据挖掘门槛，使数据资产价值最大化。

近年来，金融行业仿佛掀起了BI热，三五好友团聚总是能听到“金融BI”这词，大家探讨起来也是滔滔不绝，那到底什么是金融BI？金融BI为什么这么好呢？ 家喻户晓，继续变动的监管改革、日趋成熟的新兴技术、悄悄转变的客户行为、不断涌现的新竞争者，正在冲击着金融银行业，如何降低成本与提高效率，如何利用数据晋升竞争力，未然是金融行业重复纠结的痛点问题。BI商业智能作为进步企业智能化的伎俩和工具，既能够满足金融企业倒退的须要，而且也可进步金融企业的竞争力。 以前约敌人（某银行的李经理）吃饭，总是囿于报表之间，没空寒暄。也总是听其余金融敌人埋怨，做个报表切实是太麻烦了！每份报表都得先告知IT部门，由IT负责创立。简简单单的报表都要期待少则一周，多则一个月！各大竞争对手新陈代谢，他们这边的决策还在等报表作根据。咱们也了解金融部门海量的数据分析和报表申请，即便是具备娴熟技能的人员忙很久……更重要的是，IT部门的工作可不只是给业务部门创立报表，还有各种活都等着解决，慢，有啥方法？ 大家面临的问题，其实都是金融行业的通病，各类业务零碎的陆续上线，产生了源源不断的数据。想要用好这些数据，BI是一种无效的解决方案。因而争先恐后利用BI工具做数据分析晋升效率，让数据内容出现更加疾速和更为直观展示。 同时，金融BI能够从「IT主导的报表模式」向「业务主导的自助剖析模式」转变，业务人员能够疾速、独立实现剖析工作。有了金融BI，海量数据能够直观地进行交互式剖析和可视化展示，一般业务用户不再须要求助IT人员，即可通过BI工具简略直观的操作从任何数据中取得见解，通过数据分析和开掘重新认识业务世界的实质，继续取得竞争劣势，为业务决策提供根据，顺利完成数字化转型指标。 就像咱们公司最近就上线了Smartbi一站式大数据分析平台，用户界面简略易用，也宽泛能反对各种数据源，能够直观地进行交互式剖析和可视化展示，咱们公司的基层员工根本都能够操作，更重要的是，他们真正了解了咱们要做数据分析背地蕴含的商业起因！

近日，云南南天电子信息产业股份有限公司（以下简称“南天信息”）签订了CLA（Contributor License Agreement，贡献者许可协定），正式退出龙蜥社区（OpenAnolis）。 南天信息是国内出名的金融行业数字化综合解决方案和服务供应商之一，也是国内多数同时集软件、硬件、集成服务的开发、生产、服务于一体的 IT 业余厂商，其深耕行业信息化建设三十余年，以“金融科技”和“数字化服务”为业务主线，积攒了丰盛的技术教训和我的项目最佳实际，加大外在翻新和研发投入，将 5G、云计算、大数据、人工智能、区块链等技术充沛利用于业务解决、渠道建设、人机交互、剖析决策等要害畛域实现科技赋能，为客户提供贯通其 IT 建设全生命周期的“一站式”数字化服务。 南天信息生态合作伙伴部副总经理华晓梅示意：“龙蜥社区打造了一个开源操作系统翻新与凋敝倒退的平台。将来，南天信息将与龙蜥社区生态合作伙伴携手，在产品零碎兼容性适配、解决方案交融、服务能力晋升、市场推广等方面开展多维度的单干，凝聚多方力量，推动开源技术成为金融科技倒退的强劲引擎。” 龙蜥社区理事龚文示意："欢送南天信息退出，在数字经济时代，南天信息保持凋谢、单干、共赢的倒退理念与龙蜥社区高度一致！将来，借助南天信息丰盛的解决方案以及技术和我的项目施行教训，置信龙蜥社区的倒退会方兴未艾。" 截至目前，已有 200+ 家企业签订 CLA 协定退出龙蜥社区，包含平安厂商格尔软件、海泰方圆，数据库厂商南大通用、巨杉数据库，中间件厂商西方通、中创中间件、宝兰德等，欢送更多企业退出。 龙腾打算可参看：“龙腾打算”启动！邀请 500 家企业退出，与龙蜥社区一起拥抱有限生态。—— 完 ——

FXSWAPC(人民币):FOREIGN EXCHANGE SWAP CHINA/外汇掉期 概念:CFETS:交易单方约定一前一后两个不同的交割日、方向相同的两次本外币替换，在前一次货币替换中，一方用外汇依照约定汇率从另一方换入人民币，在后一次货币替换中，该方再用人民币依照另一约定汇率从另一方换回币种雷同的等额外汇；反之亦可。其中交割日在前的交易称为交易近端，交割日在后的交易称为交易远端工行:工行与客户签订人民币与外币掉期合约，同时约定两笔金额统一、交易方向相同，交割日期不同、交割汇率不同的人民币对同一外币的交易交易，并在两笔交易的交割日依照掉期合约约定的币种、金额、汇率办理的结汇或售汇业务，包含即期对远期和远期对远期的掉期交易。 案例:1.工行某客户为进口加工型企业，在2017年6月需领取5000万美元购买机器设备，同时预计其在2019年1月有一笔约5000万美元的进口支出。该企业过后人民币资金较富余而美元资金紧张，为解决本身美元支出、收入的工夫匹配问题，该客户于2017年6月与工行叙做了一笔人民币外汇掉期交易。交易方向为客户在近端换入5000万美元，同时在到期日2017年12月换出5000万美元。合约规定，依据即期汇率6.78，客户在近端为换入美元需领取人民币33900万元；另外，依据过后12个月掉期报价1100BP，客户可在到期日换回人民币（6.7800+0.1100）×50,000,000＝34450万元。假如客户未与工行叙做此掉期交易，而采纳交易日即期购汇、到期日即期结汇的形式实现其治理美元头寸的需要，若到期日当天的美元兑人民币汇率为6.51，客户5000万美元结汇失去人民币325,500,000元。因而，该笔掉期交易在满足了客户本身本外币头寸调剂需要的根底上，为其发明了34450－32550＝1900万元的汇兑收益。 指数: 剖析: FXSWAPF(外币) :FOREIGN EXCHANGE SWAP FOREIGN 与人民币外汇掉期一样，只是两币替换中不蕴含人民币 FXFWD:FOREIGN EXCHANGE FORWARD/外汇远期 概念:CFETS：人民币外汇远期交易（以下简称“远期交易”）指交易单方以约定的外汇币种、金额、汇率，在约定的将来某一日期交割的外汇对人民币的交易。 案例:已知某离岸客户次要进口对象是在美国，结算货币为美元，鉴于美元稳定幅度较大，这对客户经营状况造成影响较大。假如客户3个月后有一笔1亿美元收款，为了固定该笔汇率老本，客户能够通过叙做3个月的远期外汇交易，依照3个月远期汇率6.8，这样就把汇率老本锁定了。 指数:远期汇率由远期外汇交易合约中规定 剖析: FXOPTION:FOREIGN EXCHANGE OPTION/外汇期权 概念:CFETS：在将来某一交易日以约定汇率交易肯定数量外汇资产的权力。期权买方以领取期权费的形式领有权力；期权卖方收取期权费， 并在买方抉择行权时履行义务（一般欧式期权）。工行：外汇期权，是指客户在期初向工行领取肯定费用后取得的一项权力，即客户有权在将来约定的日期依照客户与工行当时约定的交割汇率和金额从工行买进或卖出指定的外币，同时客户也有权不执行上述交易合约 期权品种（按期权模式形式分）:欧式期权：是指期权买入方必须在期权到期日当天能力行使选择权的期权。美式期权：是指期权买入方能够在成交后有效期内任何一天行使选择权的期权。百慕大期权：是指能够在期权到期日前所规定的某些日期行使选择权的期权。 案例:案例1：看涨期权业务背景：某企业客户持有100万美元，须要在一个月后用日元领取进口货款。客户需要：客户心愿躲避日元贬值危险，锁定财务老本。且客户违心为汇率的锁定而抉择在起初领取肯定费用。解决方案：该客户向工行购买一个美元兑日元、期限为一个月、本金为100万美元的欧式期权。假如约定的汇率为1美元兑换94日元，该公司有权在未来期权到期时，以1美元兑换94日元向工行购买约定数额的日元，如果在期权到期时，市场即期汇率为1美元兑换100日元，该公司可不执行期权，因为此时按市场上即期汇率购买日元更为无利。相同，如果在期权到期时，即期汇率为1美元兑换90日元，该公司则可决定行使期权，要求工行以1美元兑换94日元的汇率将日元卖给他们，客户每1美元可多取得4日元，升高购汇老本。案例2：看跌期权业务背景：某企业客户持有100万欧元，须要在一个月后用美元领取进口货款。客户需要：客户心愿躲避欧元升值危险，锁定财务老本。且客户违心为汇率的锁定而抉择在起初领取肯定费用。解决方案：该客户向工行购买一个欧元兑美元、期限为一个月，本金为100万欧元的欧式期权。假如约定的汇率为1欧元兑换1.3400美元，那么该公司则有权在未来期权到期时，以1欧元兑换1.3400美元向工行发售约定数额的欧元。如果在期权到期时，市场即期汇率为1欧元兑换1.3450美元，该公司可不执行期权，因为此时按市场上即期汇率发售欧元更为无利。相同，如果在期权到期时，即期汇率为1欧元兑换1.3350美元，那么该公司则可决定行使期权，要求工行以1欧元兑换1.3400美元的汇率收买100万欧元，这样，客户每1欧元可多取得0.0050美元，取得更高收益。 指数:期权费 剖析: 作者：点墨版权：本文版权归作者所有转载：欢送转载，但未经作者批准，必须保留此段申明；必须在文章中给出原文连贯；否则必究法律责任

随着数字化减速落地，银行越来越频繁的在线上开展业务，批发信贷已成为银行数字化转型的重要抓手。然而数字化带来效率晋升的同时，也对银行的平安防护能力提出了更高要求。5月26日、28日，由腾讯平安、金科翻新社、腾梭科技联结举办的2021银行智慧批发研讨会，在上海和北京两座我国金融业最为密集的城市间断召开。研讨会上海专场汇聚了浦东改革与倒退研究院金融研究室主任刘斌、中国金融学会金融科技业余委员会秘书长兼副主任委员杨竑、腾讯平安副总裁黎巍、腾梭科技CEO胡亮、腾讯平安金融风控研发总监李超等行业首领和技术专家。北京专场邀请到中国人民银行金融信息化研究所副所长习辉、国家金融与倒退实验室副主任/上海金融与倒退实验室主任曾刚、腾讯平安业务平安总监王翔、腾梭科技CEO胡亮、腾讯平安金融风控研发总监李超等嘉宾参加。在研讨会上，泛滥主管部门领导、银行业大咖和来自腾讯的金融风控专家等独特围绕商业银行数字化转型趋势、批发信贷风控难题等行业热点话题开展深刻探讨。研讨会还以济宁银行、吉林农信银行基于腾讯云天御-星云批发信贷中台开辟线上信贷业务的实际案例为样本，分析了批发信贷数字化转型的破局之道，给行业以启迪和方向指引。针对银行批发信贷的风控需要，腾讯云天御基于20余年的平安攻防实战经验联结腾梭科技打造了腾讯云天御-星云批发信贷中台。星云批发信贷中台能够无效撑持银行等金融机构线上线下的信贷业务发展，通过分布式、集群部署架构，支持系统并发能力伸缩。此外，星云平台能够灵便反对多类资产、产品和渠道的接入，具备齐备的批发信贷业务经营治理、剖析能力。迄今为止，星云平台曾经服务了数十家银行机构、500万用户，守护信贷资金过千亿。 杨竑 | 银行批发信贷数字化转型平安是压舱石中国金融学会金融科技业余委员会秘书长兼副主任委员杨竑示意，金融行业的一大特点在于对数据安全和信息爱护有着严格的监管要求，数据安全应该成为银行数字化转型过程中分外关注的侧重点。在国家相干政策和法律的指引下，数据资源确权、凋谢、流通、存储等的相干制度不断完善，银行也须要建设相应的平安屏障来晋升要害数据资源的爱护能力。 目前行业次要以平台的形式来实现金融数据的互通共享，构建行业生态。在这种倒退模式下，光靠金融机构来做数据安全爱护是远远不够的，必须平台上的所有参与者都做好平安防护。平台的劣势是能够输入替换数据，但如何定义平安边界，划分所有参与者的平安责任，是十分大的挑战。 黎巍 | 金融行业是平安的“刚需行业”，平安服务商要深刻到客户理论业务中对于金融行业平安的重要性，腾讯副总裁黎巍谈到，金融行业是国家经济的命根子，撑持着我国经济持重行驶。随着数字化转型深刻、科技高速迭代、产业数字化升维，金融行业作为平安刚需行业，其业务稳固是经济社会安稳运行的最重要保障。后疫情时代寰球简单的经济局势，进一步放大了银行数字化转型面临的平安危险。为应答挑战，平安服务商的解决方案须要比以往更加重视行业个性和区域个性，服务也要更加深刻到客户的理论业务中去。他强调，平安的外围是预判，是否精确把握平安态势并及时作出调整和防备，是全行业面临的独特挑战。 胡亮 | 银行数字化进入高稳定性和疾速变动矛盾期，需强化中台的连接能力针对银行数字化转型过程中的平安挑战，腾梭科技CEO胡亮提出了构建强中台的解决思路。他指出，银行数字化转型面临的最大矛盾点在于：一方面银行零碎须要有很高的稳定性，以确保尽可能平安；一方面客户的需要又在疾速变动，心愿服务每一天都是新的。强中台既能连接客户需要的变动，又能屏蔽变动对后端基础设施的冲击。银行构建强中台须要把握三个大的准则：一是要联合本身的客群属性和业务重点，建设贴合本行理论的强中台；二是要遵循互联网技术经营的思路，先做减法再做加法，不谋求大而全；三是继续迭代优化，不谋求毕其功于一役。 李超 | 获客、风控一体化，腾讯平安星云为银行数字化转型平安护航腾讯平安金融风控研发总监李超介绍，星云平台不仅能够为客户提供一套欠缺的风控软件和丰盛的AI能力，还领有大量行业专家帮忙银行布局顶层业务，设计全套的风控体系。他谈到，腾讯平安在与银行的单干中察看到三重共性挑战：一是新兴互联网业务数字驱动经营文化与传统信贷业务决策机制的交融；二是数据安全治理与老本治理间的均衡，三是技术治理与交融能力的挑战。而这三重挑战的本源都能够归为内部市场疾速变动和银行外在持重经营间的矛盾。 曾刚 | 银行业务向线上迁徙，将带来风控模式的变革国家金融与倒退实验室副主任、上海金融与倒退实验室主任曾刚分析，银行数字化转型有五大重点：一是企业文化的变革，由传统银行自上而下式的文化，转向以客户为核心疾速迭代的数字经济文化；二是技术架构的降级，银行既须要面对疾速变动的竞争，又要适应旧有客户的需要，亟需摸索出新的倒退策略和治理模式；三是数字化能力的建设，尤其是最底层的数据利用和剖析能力；四是数字化风控，随着银行业务越来越多向线上迁徙，风控模式将产生巨大变化；五是对公的数字化场景建设。 王翔 | 平安是银行数字化的“底盘”，是其安稳行驶的前提腾讯平安业务平安总监王翔用路和汽车比喻新基建和产业互联网之间的关系。他说，如果把新基建比作“路”，把产业互联网比作“汽车”，那么平安就是这辆汽车的底盘，是保障“汽车”平安、安稳行驶的前提。对于金融行业，平安的重要价值更是无可替代，“六稳六保”等金融监管政策均体现了这一点。腾讯平安基于二十余年的平安攻防实践经验，继续为金融机构提供稳固、牢靠的平安服务能力，迄今曾经服务了数千家金融机构、几百家银行，金融风控产品线已笼罩大多数头部和腰部金融机构。

三分钟放款，是种什么体验？从ATM、网上银行自助式服务到挪动领取、互联网金融，金融科技的深入利用与遍及，使得越来越多的金融机构减速拥抱信贷数字化转型。随着实物抵押向“动动手指”就能贷到款的转变，一个兼具广域获客和高效风控的数字化信贷计划成为各金融机构独特的诉求。自2018年以来，腾讯平安不断深入金融业务场景，推出打造了一套卓有成效的批发信贷数字化解决方案——腾讯平安星云批发信贷中台，为银行批发信贷获客、风控、经营、治理等全流程业务场景提供了高效、平安的数字化助力。当获客与风控成为信贷数字化的两大关键词，腾讯平安是如何依靠腾讯“星云”助力金融行业补齐技术短板？包含中国银行、华夏银行等在内的信贷数字化领跑者，又是基于什么抉择了腾讯“星云”？在助力构筑高效、平安的数字化信贷新体系过程中，腾讯“星云”又获得了哪些成绩？

现在的金融行业市场正产生着天翻地覆的变动。银行之间的竞争也日益强烈，利率市场化曾经成为了趋势。面对着“金融脱媒”的压力，同时也为了可能在市场中持续立足，商业银行也只有利用强化营销、管制日增的危险，才可保障利润的增长和可继续倒退。通过施行数据仓库零碎，商业银行能够实现账户、客户和交易数据的集中和对立、实现以客户为核心的市场化营销、改善营销伎俩和效率、降低成本，同时又能够巩固并晋升客户的忠诚度和满意度。 商业智能是商业银行应答市场竞争的抉择，银行BI利用它贴近行业的非凡抉择，同时满足了商业银行倒退的须要。商业智能的利用越来越宽泛，它既能够满足个别企业的客户关系治理、人力资源管理、绩效治理等，在其余行业也能失去初步的利用，特地是金融行业。 当初金融行业的业务和大数据技术的相结合，不仅推动了行业的降级，还让金融行业会实体的服务大大增强，促成了金融行业的倒退，然而在这之中，大数据应用的最为的频繁也是最为成熟的。 与其余一些惯例的业务剖析比照的话，大数据的开发能够让业务在进行决策的时候有着更佳的可控性，能够让咱们在定制一些打算的时候更佳的正当，在一些金融业务中，咱们能够通过数据的信息，和一些客户的行为等在互联网下来进行交互，晋升用户的体验升高咱们的老本。 当初，咱们来具体看看国内BI工具思迈特软件Smartbi在金融业当中的具体利用案例吧——Smartbi银行BI利用。 一、银行BI利用我的项目建设背景 在该银行中，各个剖析零碎独立扩散，是典型的“烟囱式”架构。次要的问题体现在以下几个方面： 乱：曾经有多个不同的剖析零碎，这些零碎间并不互通，剖析成绩不能互相跳转。 杂：不同剖析零碎之间格调不对立，难以集成，须要进行屡次登录操作。 慢：剖析周期慢，从需要到实现，广泛须要一周甚至更多的工夫。 废：数据整体的利用率不高，也没有和内部数据造成关联剖析。 为了解决以上问题，该银行决定启动“数据利用门户”我的项目建设，心愿实现数据的对立解决、用户的对立治理和登录界面的对立格调，打造一个笼罩多用户层级的、灵便自在的、可扩大的、撑持全行各畛域的数据查问、数据分析、数据共享的一站式数据工作平台。此外，还心愿推动全行各层级用户参加数据分析和使用，在全行范畴内营造自主的数据利用气氛和文化，流传数据利用价值。 二、金融我的项目BI建设过程 Smartbi在该金融我的项目的BI建设中，采纳了三步走的施行步骤，即搭框架、深利用、促转型。 搭框架 搭框架指构建对立的数据门户，整合行内现有的剖析零碎，实现门户与行内的数据、用户的集成，用户能初步进入门户进行数据查看。 深利用 深利用指在数据门户上整合更多高级剖析性能，如自助剖析、数据挖掘、常识图谱、人工智能等，晋升行内对于数据的利用程度，间接带来剖析价值。 促转型 促转型则是一个长期的过程，它指在整个门户的经营过程中，配合一些激励的措施，充分调动全行人员的积极性，造成数据分析的气氛与文化，最终达至数字化转型。 三、总体性能架构 总体性能架构包含四局部： 门户首页：作为全行数据利用的流量入口，通过首页可拜访所有数据相干的子利用。 零碎撑持：对立子利用零碎与门户的深度交融，所有引入零碎的数据，均须要验证数据符合规范前方可导入零碎，防止造成平台已有数据的凌乱。 系统管理：要求依据权限的设置状况，对系统用户屏蔽不具备操作权限的菜单、功能键。 利用零碎：蕴含自助剖析、治理驾驶舱、报表平台、数据管控零碎等利用。 四、技术实现亮点 该银行的数据利用门户基于Smartbi一站式数据分析平台进行建设，在技术实现上有以下亮点： 异构数据轻松集成 将行内扩散、异构的信息资源进行集成，对立信息入口，用户依据角色权限按需进行拜访、传递、以及合作化等操作，给用户带来了全新的交互式体验。 疾速响应海量数据 分布式计算架构，单节点状况下反对多线程，规模可达PB级，高性能的数据处理能力,轻松应答银行海量数据。 对立数据利用门户 通过对立的门户首页，快速访问各个数据利用零碎，为银行领导和业务人员的决策提供数据反对。对用户权限进行对立管控，实现总行、分行、业务条线级别的数据权限隔离，保障银行级别的数据安全性。 业务人员自助剖析 采纳自助ETL和自助剖析工具，业务人员能够自主实现数据分析，突破以往业务部门投入大量人力进行手工统计的低效动作，也不必破费大量工夫期待技术部门提供反对，切实进步数据分析效率。 五、我的项目BI建设功效 我的项目上线后，日均在线应用人数600左右。我的项目以门户首页作为全行数据相干利用的流量入口，扮演着“想到数据，就想到门户”的重要角色，“关上门户首页看一眼数据”成为用户每天的日常。 辅助领导经营决策 该我的项目将银行外部各个数据利用零碎进行无效整合，提供治理驾驶舱、自助剖析、报表、内部数据查问等数据服务，辅助银行领导经营决策。 开释技术人员压力 业务人员不再须要技术部门反对，就可能轻松应答各类数据分析，开释了技术人员的工作压力，让技术人员能够转型成为数据分析专家。 助力银行数字化转型 无效实现了全行范畴内数字化剖析、数字化营销和数字化危险管制，激发了各层级人员对于数据的认知、剖析和利用，晋升了行内数据资产价值，促成业务倒退、危险管制和外部治理，无效推动全行数字化转型。 通过以上案例咱们能够看到，尽管银行BI利用中存在各样各样的痛点，然而只有突破“烟囱式”架构，建设对立的数据利用平台，这些痛点都能够迎刃而解。同时，通过改善用户利用数据体验，通过简略易用的自助剖析工具，加上相应的激励措施，还能够进步全行员工进行数据分析的积极性，做到治本又治标，使BI利用在银行外部失去进一步的遍及和倒退。

麦肯锡报告指出，数字化时代用户消费行为和业务状态一直变迁，如果银行不踊跃应答的话，到 2025 年，五大批发业务（生产金融、按揭贷款、中小企业贷款、批发领取、财产治理）中 10%-40%的支出将面临威逼，20%-60%的利润将隐没。 01 银行数字化转型演变在数字化转型之前，银行先后经验了电子化与信息化两个阶段。上个世纪70年代，我国才开始将IT技术利用于银行建设，而在这个阶段，基本上都绕不开两个标志性事件： 1.1 引进IBM System 3601978年，我国迎来改革开放的历史新期间。在央行的推动下，IBM System/360零碎开始引进国内。作为寰球第一款指令集可兼容的计算机系列，被宽泛的利用于商业以及迷信畛域。它为银⾏的信息化提供了强⼤⽽稳固的零碎⽀撑，被视为银行信息化基石。 1.2 数据大集中1999年9月，工商银行「9991 数据大集中工程」正式立项。随后，农、中、建、交等国有银行也放慢推动全国性数据集中的我的项目建设。至此，中国银行业数据迎来真正意义上的大集中，突破半个世纪以来，银行之间信息数据传递须要逐级上传报数的困境。并为中国银行业起初在信息化上的实际与翻新，以及流量经济的腾飞，奠定了良好的根底。 02 网上银行崛起当银行实现业务的集中处理，利用互联网技术与环境，踊跃翻新金融产品，开辟网上金融服务的时候，也预示着一个新的时代的到来。 随着电子商务的倒退，流量开始向线上汇集，银行线上领取业务成为电商业务的外围环节。国内银行纷纷推出网上支付零碎，网上银行逐渐衰亡： 1996年，中国银行在互联网上建设和公布了官方主页，成为我国第一家在互联网上公布信息的银行；1997年，招商银行在国内首开网上银行先河，并推出了企业银行、集体银行、网上证券、网上实时领取等性能；1999年，工商银行、建设银行、交通银行、光大银行以及农业银行等也陆续推出网上银行业务；2001年，中国银行建设了独立的CA认证核心, 成为了国内第一家对海内提供数字电子认证服务的机构；2002年，建设银行总行成立电子银行部，对立网上银行「e路通」品牌后，进一步扩充网上银行业务性能；2003年，支付宝上线，为其提供网上支付接口的，正是工商银行。 截止至2008年，网上银行业务的交易规模TOP3： 建设银行，77.64万亿元工商银行，68.07万亿元招商银行，11.43亿万元网上银行阶段的流量之争，出现三足鼎立之势，其中招商银行的「一网通」、工商银行的「金融@家」以及建设银行的「e路通」积攒了大量高质量客户群，为行将到来的手机银行APP流量争夺战，抢占先机。 03 卡片经营转向APP经营网上银行极大地晋升了金融服务的体验，代替了大量的柜台服务，然而对电脑终端的依赖依然存在。而随着挪动互联网时代的到来，这种依赖面临挑战，一场围绕手机银行APP的流量争夺战行将退场。 3.1 手机银行作为网上银行的延长，中国手机银行的倒退历史能够追溯到20年前。其中，在性能机期间，手机银行根本连续了网上银行的业务模式，线上流量也并未呈现较大的迁徙稳定： 2000年，中国银行与中国移动签订协定，在全国试点推广手机银行业务，成为里程碑事件；2004年，建设银行牵手联通，基于中国联通CDMA1X网络及BREW技术推出手机银行业务;2005年，交通银行推出了国内首款基于WAP的手机银行;2009年，工商银行推出全国范畴内首个3G版的手机银行。 2011年，中国迎来智能手机元年。过后，我国手机用户已冲破9亿大关，其中超过3亿的用户应用手机上网业务，开明手机银行的用户超7000万。进入智能机时代，银行APP也被赋予了更多的性能，流量争夺战正式开启： 2010年10月，招商银行推出收费的招商银行iPhone客户端，新增「CMB STORE」开放性场景，并尝试通过「99元秒杀iPad」、「千元油卡1元秒杀」等营销流动，拉新促活； 2012年4月，工商银行正式推出了苹果电脑版集体网上银行，成为国内首家实现了对苹果全系列产品的零碎和服务反对的银行；2015年，建设银行推出手机「快贷」产品，在同业独创从申请到支用的全流程线上贷款服务；2017年， 安全银行整合原有数个APP推出「口袋银行4.0」，手机 APP用户数量猛增了一倍以上；2018年，招商银行首次提出以MAU作为「北极星」指标，并在年底实现了「全面无卡化革新」，由「卡时代」向「APP时代」转型。截至到 2018年6月末，大型国有银行在智能机期间已积攒起数量宏大的手机银行用户。其中，工商银行、建设银行均已冲破两亿，别离为 2.97、2.87亿户。 同期，全国性股份制银行旗下的手机银行业务，同样放弃着强劲的增长势头。其中，招商银行、 光大银行、浦发银行、兴业银行、民生银行、中信银行和安全银行的手机银行用户数量别离达到了，6528 万户、4078 万户、3049 万户、2189 万户、3079 万户、3056 万户和 5154 万户，同比增速均在 30% 以上。 3.2 流量和平通过长达十余年的打磨，我国手机银行在2014年后，进入高速发展期，此时各大银行的手机银行APP已成为批发银行竞争的主战场。 2014年10月，蚂蚁金服上线，2015年央视春晚，微信领取凭借微信红包逆袭，科技巨头纷纷退出战场。与此同时，第三方领取公司、电信运营商以及P2P平台也先后退出战局，以网络购物、便当领取、供应链金融等为切入点，一直向银行畛域浸透，挑战银行金融中介的位置，流量和平正式走向白热化。 于是咱们看到，各大银行纷纷加大投入，减速市场扩张。其中，四大行对金融科技投入力度最大，建行、工行投入信息科技研发的金额别离为176亿元、163亿元，别离占该团体或该行营业支出的2.50%、2.20%。而从投入金额占总收入的比重看，招商银行对金融科技的投入力度最大，是惟一投入信息科技金额占比超过3%（达3.72%）的银行。 而就金融科技及人员投入来看，次要是各家正在搭建外围零碎以及APP等智慧批发外围，每月沉闷用户数（MAU）是银行转向线上化经营的外围。综合各家银行科技投入状况，手机银行APP是金融科技投入的重要「进口」。 3.3 烧钱下的思考依据零壹智库2020年Q3手机银行APP沉闷用户TOP 30榜单来看，工行与建行超过150亿的投入，让其在手机银行APP处于第一梯队。行业流量集中于6家国有大行与招商银行、安全银行这2家全国性股份制银行手中。 作为银行数字化转型的主战场，手机银行APP可能很好的将金融产品和服务融入到生存场景中，并以线下网点服务作为补充，实现获客、活客、留客、变现、反馈的生态闭环，也是各家银行必争之地。 但以后，更多的状况则是，各家纷纷减速布局手机银行APP，但大多偏差于网上银行的迁徙，甚至不少中小银行仅将其作为网点、智能柜员机等渠道的补充。在投入大量人力、财力以及资源的状况下，接连呈现投入产出比重大不对等的经营现状。 对此，银行业内人士示意真实情况更为残暴。以利用市场银行APP下载量为例，国内某些银行花重金打造的银行手机APP，最初却遭逢下载量仅有几千的难堪场面。究其原因，问题次要还是出在三个层面上： 流量，重大的两极分化国有大行占据超过半数的流量，而大部分中小银行则要面对上千个银行数万个APP的竞争；存量，啃网点老本大多数银行流量起源，依然是动员网点的地推、客户经理，举荐用户下载。而这种形式，只是将存量用户迁徙至线上，并没有新增；增量，投入产出重大失衡绝对于互联网企业，银行曾经习惯传统线下模式，在线上流量抢夺中，方法不多。而获客和经营上，照搬互联网企业模式，投入大量人力、财力以及资源后，成果往往个别，如果遭逢歹意机器流量攻打，只有赔本赚吆喝的份。 ...

对加密货币盘口与逐笔交易数据的回放展现，可帮忙量化钻研人员测验量化策略，也有助于交易员复盘，加深对市场的洞察。DolphinDB可实现盘口和逐笔交易数据的高速回放，以及对回放后果逐点查问。 DolphinDB database反对将多个分布式表同步回放并公布到流数据表，例如对盘口和交易这两个表进行同步回放。前端JavaScript应用DolphinDB Web API来轮询回放输入的流数据表，实现盘口和交易数据的可视化回放。DolphinDB自带Web服务器，整个流程可在DolphinDB内实现，无内部依赖。 加密货币盘口与逐笔交易数据回放可通过以下4个步骤来实现。用户亦可应用docker疾速体验回放性能，具体请参考文末介绍。 部署DolphinDB节点到官网下载DolphinDB最新版本，并部署集群。部署教程请参考单服务器集群部署教程。 下载盘口和逐笔交易数据本文应用的是火币研究院提供的加密货币交易数据，能够通过火币数据API获取。获取数据的示例代码能够参考python示例代码或java示例代码。 导入数据到DolphinDB本文将获取的orderBook的tick级数据保留为csv文件，通过loadTextEx函数疾速地将文件导入到数据库。用户也能够通过Python API或Java API将数据导入到DolphinDB中。以下代码在DolphinDB GUI中执行。 （1）数据预处理 如果保留的csv文件中第一行是无关信息，能够采纳上面脚本进行数据预处理，解决好的文件保留到某个目录，本案例将两个文件别离保留到/hdd/data/orderBook-processed和/hdd/data/tick-processes目录。如果csv文件第一行没有无关信息，可疏忽这一步骤。 //删除数据文件第一行无关信息def dataPreProcess(DIR){ if(!exists(DIR+ "-processed/")) mkdir(DIR+ "-processed/") fileList = exec filename from files(DIR) where isDir = false, filename like "%.csv" for(filename in fileList){ f = file(DIR + "/" + filename) y = f.readLines(1000000).removeHead!(1) saveText(y, DIR+ "-processed/" + filename) }}dataPreProcess("/hdd/data/orderBook")dataPreProcess("/hdd/data/tick")（2）创立DolphinDB数据库 依据数据量以及查问字段，数据库可依照交易标的代码和业务工夫进行组合分区。本案例中，数据库的名称为dfs://huobiDB。如果须要批改，必须同时批改replay.html中数据库的名称。 def createDB(){ if(existsDatabase("dfs://huobiDB")) dropDatabase("dfs://huobiDB") //依照数据集的时间跨度，请自行调整VALUE分区日期范畴 db1 = database(, VALUE, 2018.09.01..2018.09.30) db2 = database(, HASH, [SYMBOL,20]) db = database("dfs://huobiDB", COMPO, [db1,db2])}def createTick(){ tick = table(100:0, `aggregate_ID`server_time`price`amount`buy_or_sell`first_trade_ID`last_trade_ID`product , [INT,TIMESTAMP,DOUBLE,DOUBLE,CHAR,INT,INT,SYMBOL]) db = database("dfs://huobiDB") return db.createPartitionedTable(tick, `tick, `server_time`product)}def createOrderBook(){ orderData = table(100:0, `lastUpdateId`server_time`buy_1_price`buy_2_price`buy_3_price`buy_4_price`buy_5_price`buy_6_price`buy_7_price`buy_8_price`buy_9_price`buy_10_price`buy_11_price`buy_12_price`buy_13_price`buy_14_price`buy_15_price`buy_16_price`buy_17_price`buy_18_price`buy_19_price`buy_20_price`sell_1_price`sell_2_price`sell_3_price`sell_4_price`sell_5_price`sell_6_price`sell_7_price`sell_8_price`sell_9_price`sell_10_price`sell_11_price`sell_12_price`sell_13_price`sell_14_price`sell_15_price`sell_16_price`sell_17_price`sell_18_price`sell_19_price`sell_20_price`buy_1_amount`buy_2_amount`buy_3_amount`buy_4_amount`buy_5_amount`buy_6_amount`buy_7_amount`buy_8_amount`buy_9_amount`buy_10_amount`buy_11_amount`buy_12_amount`buy_13_amount`buy_14_amount`buy_15_amount`buy_16_amount`buy_17_amount`buy_18_amount`buy_19_amount`buy_20_amount`sell_1_amount`sell_2_amount`sell_3_amount`sell_4_amount`sell_5_amount`sell_6_amount`sell_7_amount`sell_8_amount`sell_9_amount`sell_10_amount`sell_11_amount`sell_12_amount`sell_13_amount`sell_14_amount`sell_15_amount`sell_16_amount`sell_17_amount`sell_18_amount`sell_19_amount`sell_20_amount`product,[INT,TIMESTAMP,DOUBLE,DOUBLE,DOUBLE,DOUBLE,DOUBLE,DOUBLE,DOUBLE,DOUBLE,DOUBLE,DOUBLE,DOUBLE,DOUBLE,DOUBLE,DOUBLE,DOUBLE,DOUBLE,DOUBLE,DOUBLE,DOUBLE,DOUBLE,DOUBLE,DOUBLE,DOUBLE,DOUBLE,DOUBLE,DOUBLE,DOUBLE,DOUBLE,DOUBLE,DOUBLE,DOUBLE,DOUBLE,DOUBLE,DOUBLE,DOUBLE,DOUBLE,DOUBLE,DOUBLE,DOUBLE,DOUBLE,DOUBLE,DOUBLE,DOUBLE,DOUBLE,DOUBLE,DOUBLE,DOUBLE,DOUBLE,DOUBLE,DOUBLE,DOUBLE,DOUBLE,DOUBLE,DOUBLE,DOUBLE,DOUBLE,DOUBLE,DOUBLE,DOUBLE,DOUBLE,DOUBLE,DOUBLE,DOUBLE,DOUBLE,DOUBLE,DOUBLE,DOUBLE,DOUBLE,DOUBLE,DOUBLE,DOUBLE,DOUBLE,DOUBLE,DOUBLE,DOUBLE,DOUBLE,DOUBLE,DOUBLE,DOUBLE,DOUBLE,SYMBOL]) db = database("dfs://huobiDB") return db.createPartitionedTable(orderData, `orderBook, `server_time`product)} （3）将文本数据导入数据库 ...

行列转换（pivot）是一个常见的整顿数据的需要，又称为转置或者透视。 高频数据通常以下图的格局保留：每一行为一个股票在某个时刻的信息。 咱们进行数据处理时，思考到后续的向量化操作，有时会心愿数据或者两头后果将原始数据转置，即每行代表不同的时刻，而每列代表一只股票。在DolphinDB中可通过pivot by语句对原始数据或分组聚合后果进行行列转置。若与向量化操作搭配应用，在高频数据处理和计算中，行列转换不仅可简化策略代码，还能进步代码效率。具体请看上面的两个例子。 计算股票收益的两两相关性在配对交易(pair trading)及危险对冲(hedging)时，常常须要计算给定一篮子股票之间的两两相关性。这种简单的计算在传统的数据库中无奈执行，而应用个别的统计软件不仅须要数据迁徙，还须要繁琐的代码。上面咱们应用DolphinDB来计算股票收益的两两相关性。 首先，载入美股股票高频交易数据库： quotes = loadTable("dfs://TAQ", "quotes")接下来，抉择2009年8月4日中500只报价变动最频繁的股票： dateValue=2009.08.04num=500syms = (exec count(*) from quotes where date = dateValue, time between 09:30:00 : 15:59:59, 0<bid, bid<ofr, ofr<bid*1.1 group by Symbol order by count desc).Symbol[0:num]上面咱们利用pivot by将高频数据降维成为分钟级数据，并且扭转原始数据的构造，生成一个分钟级股票价格矩阵：每一列是一只股票；每一行是一分钟。 priceMatrix = exec avg(bid + ofr)/2.0 as price from quotes where date = dateValue, Symbol in syms, 0<bid, bid<ofr, ofr<bid*1.1, time between 09:30:00 : 15:59:59 pivot by time.minute() as minute, SymbolDolphinDB的语言非常灵活。在这里，pivot by不仅将数据转换为透视表，同时也能够搭配聚合函数应用，具备"group by"的性能。 ...

高频工夫序列的解决中，常常会用到滑动，偏移，聚合，转置，关联等操作。譬如说我想对一个某指标列用过来一个小时的数据的均值来做平滑解决，又或者想找到每一个时刻，该指标一个小时前的相应的指标值。如果序列中每个指标的距离是相等的而且两头没有缺失数据，譬如说0.5s，3s，那么咱们能够把工夫窗口转化成固定记录条数的窗口，基本上罕用的数据分析软件语言都能够实现滑动窗口函数性能。如果条件不能满足，就变成了比较复杂的非等距离的工夫序列解决问题。 假如有一组这样的数据： time val------ ---12:31m 1 12:33m 2 12:34m 3 12:35m 4 12:37m 5 12:40m 6 12:41m 7 12:42m 8 12:43m 9 12:45m 10 咱们在每一个工夫点上，须要计算过来5分钟内val的均值。因为每条数据的工夫距离不相等，咱们不能确定工夫窗口的数据条数。因而，咱们须要将数据逐条与工夫窗口的边界比照，找到工夫窗口中的数据，再计算avg(val)。 这一类问题，DolphinDB和kdb均提供了window join，能够不便地实现这一工作。DolphinDB的实现脚本如下： t=table(12:31m 12:33m 12:34m 12:35m 12:37m 12:40m 12:41m 12:42m 12:43m 12:45m as time,1..10 as val)wj(t,t,-5:-1,<avg(val)>,`time)time val avg_val------ --- -------12:31m 1 12:33m 2 1 12:34m 3 1.5 12:35m 4 2 12:37m 5 3 12:40m 6 4.5 12:41m 7 5.5 12:42m 8 6 12:43m 9 7 12:45m 10 7.5 window join须要提供左右表、工夫窗口、聚合函数和连贯列。左表用于指定产生计算的工夫点，右表是原始数据。-5:-1是工夫窗口，示意以后时刻的前5分钟。如果工夫窗口的高低边界都为负数，如1:5，示意以后时刻的后5分钟。如果工夫窗口的边界为0，如-5:0或0:5，示意以后时刻也蕴含在工夫窗口内。如果工夫窗口的高低边界是一正一负，如-5:5，示意过来5分钟到将来5分钟，以后时刻也蕴含在窗口中。 ...

高频工夫序列的解决中，常常会用到滑动，偏移，聚合，转置，关联等操作。譬如说我想对一个某指标列用过来一个小时的数据的均值来做平滑解决，又或者想找到每一个时刻，该指标一个小时前的相应的指标值。如果序列中每个指标的距离是相等的而且两头没有缺失数据，譬如说0.5s，3s，那么咱们能够把工夫窗口转化成固定记录条数的窗口，基本上罕用的数据分析软件语言都能够实现滑动窗口函数性能。如果条件不能满足，就变成了比较复杂的非等距离的工夫序列解决问题。 假如有一组这样的数据： time val------ ---12:31m 1 12:33m 2 12:34m 3 12:35m 4 12:37m 5 12:40m 6 12:41m 7 12:42m 8 12:43m 9 12:45m 10 咱们在每一个工夫点上，须要计算过来5分钟内val的均值。因为每条数据的工夫距离不相等，咱们不能确定工夫窗口的数据条数。因而，咱们须要将数据逐条与工夫窗口的边界比照，找到工夫窗口中的数据，再计算avg(val)。 这一类问题，DolphinDB和kdb均提供了window join，能够不便地实现这一工作。DolphinDB的实现脚本如下： t=table(12:31m 12:33m 12:34m 12:35m 12:37m 12:40m 12:41m 12:42m 12:43m 12:45m as time,1..10 as val)wj(t,t,-5:-1,<avg(val)>,`time)time val avg_val------ --- -------12:31m 1 12:33m 2 1 12:34m 3 1.5 12:35m 4 2 12:37m 5 3 12:40m 6 4.5 12:41m 7 5.5 12:42m 8 6 12:43m 9 7 12:45m 10 7.5 window join须要提供左右表、工夫窗口、聚合函数和连贯列。左表用于指定产生计算的工夫点，右表是原始数据。-5:-1是工夫窗口，示意以后时刻的前5分钟。如果工夫窗口的高低边界都为负数，如1:5，示意以后时刻的后5分钟。如果工夫窗口的边界为0，如-5:0或0:5，示意以后时刻也蕴含在工夫窗口内。如果工夫窗口的高低边界是一正一负，如-5:5，示意过来5分钟到将来5分钟，以后时刻也蕴含在窗口中。 ...

高频交易中，咱们通常首先基于tick级的报价信息和交易信息来生成信号量，而后将这些信号量转化成离散的交易信号，譬如说 1 （买入）， 0 （不变）， -1（卖出），接着依据资金和已有头寸以及其余优化规定来生成订单发送到交易系统。本文要探讨第二个步骤，即如何将信号量转化成离散的交易信号，也就是把一个浮点数类型的数组signal转化成一个取值为1，0或-1的整型数组direction。 如果转化规定简略，譬如超过某一个阈值t1为+1 （买入信号），低于某一个阈值t2为-1（卖出信号），其余状况为0，那么实现起来也很简略。譬如在DolphinDB中用上面这个表达式就能够实现。 iif(signal > t1, 1, iif(signal <t2, -1, 0))实际中，为了让零碎更加的强壮，不要频繁的切换交易方向，通常不会这么解决。一个罕用的做法是这样：当信号量超过某一个阈值t1时，开始转化为买入信号，后续的信号量在衰减到低于t10之前，始终放弃买入信号（+1）；同理当信号量低于某一个阈值t2时，开始转化为卖出信号，后续的信号量在加强到大于t20之前，始终放弃卖出信号（-1）；其余状况为0。这儿t1, t10, t2, t20满足上面的规定： t1 > t10 > t20 > t2当零碎依照下面的规定运行时，决定交易方向的除了以后的信号量值，还有前一个交易信号的状态，这是典型的门路依赖问题。通常咱们认为门路依赖问题不适宜向量化的办法来解决，或者说须要十分高的技巧。而咱们用来回测高频数据的语言通常都是脚本语言（譬如DolphinDB和kdb+），脚本语言在解决量化问题时效率很高，然而如果须要逐行解决门路依赖问题，解析老本会很高，效率低下。明天咱们会介绍一些技巧，如何化解这个矛盾？ 咱们先找出买入信号。在一个向量中找到大于t1的点很容易（买入信号的临界点），找到不可能是买入信号的点也很简略（小于t10)。这样咱们把一个向量上的点分成了三种状态，买入信号临界点（+1），不可能是买入信号的点(0），其余状态未知的点(NULL)。依据后面的规定，如果状态未知的点，后面呈现了买入临界点，那么该点也应该置为买入信号点；如果后面呈现了非买入信号点（0），那么该点也应该置为非买入信号点。因而咱们能够应用front fill来实现。咱们用同样的办法能够找出卖出信号（卖出信号为+1，其余信号为0）。两者相减能够失去最终的信号。可能还存在一些为null的信号，把这部分信号替换为0。DolphinDB的全副代码如下： buy = iif(signal >t1, 1h, iif(signal < t10, 0h, 00h)).ffill()sell = iif(signal <t2, 1h, iif(signal > t20, 0h, 00h)).ffill()direction = (buy - sell).nullFill(0h)下面的代码能够合并成单个表达式： direction = (iif(signal >t1, 1h, iif(signal < t10, 0h, 00h)) - iif(signal <t2, 1h, iif(signal > t20, 0h, 00h))).ffill().nullFill(0h)一个简略的测试如下： ...

在新一轮的科技反动中，以大数据、人工智能、云计算等为代表的新一代信息技术迅速倒退，为社会经济实现高质量倒退提供了新动能。11月13日，佛山市顺德区政府与腾讯公司签订策略单干协定，单方将就采纳数字化伎俩、新兴技术优化顺德营商环境、金融普惠等事项上开展深刻单干。佛山市委副书记、顺德区委书记郭文海，顺德区委副书记、代区长王勇，顺德区委常委周旭，腾讯政务云副总裁王景田，腾讯平安副总裁李旭阳，微众银行企业直通银行部总经理公立，腾讯云华南区政府业务总经理张春湃等缺席了策略签约典礼。典礼现场，由顺德区政府和腾讯平安联结打造的“惠企平台”也正式上线。 政企联结，打造中国第一个普惠金融网格单元样板点惠企平台创始了多个全国“第一”：这是全国第一个以区为单位构建的政务普惠金融网格单元样板点，也是中国首个通过政策数字化实现贴息以及其余政策落地搀扶小微企业的业务模式，为普惠金融打造全流程的危险管控能力提供了一个胜利样板。在创新性上，惠企平台利用了最前沿的联邦学习技术。在腾讯平安的技术支持下，惠企平台交融了顺德区政府主管部门、金融服务机构、企业多方数据，在参加主体数据不来到本地、爱护隐衷的前提下实现联结建模，得出对小微企业资质的精准画像。在非法合规、爱护隐衷和数据安全的前提下，充沛激活各方数据的生产力，通过优化业务流程、实现精准普惠服务。目前惠企平台曾经实现26万+顺德小微企业金融画像并提供一站式金融服务和欠缺的企业服务成果评估体系，为金融机构和银行提供授信决策依据，实现资金的精准滴灌，让每一笔资金精准中转真正须要的小微企业。腾讯平安副总裁李旭阳示意：“腾讯领有二十多年打击黑灰产的技术攻防教训和黑产库的积攒，在联邦学习等新技术的帮忙下，咱们能够把这些能力利用到金融普惠上，和政府、金融机构和银行一起买通普惠金融触达小微企业的‘最初一公里’，通过持重高效的金融服务反对实体经济倒退。”微众银行是顺德惠企平台第一批单干的银行。微众银行企业直通银行部总经理公立示意：“微众银行始终以‘让金融普惠公众’为使命，顺德惠企平台为金融普惠提供了一个粗放、高效的对接窗口，咱们心愿在这个平台上能够为小微企业提供更为优质、便捷的金融服务。” 业内人士指出，小微企业作为实体经济的重要组成部分，是实体经济衰弱无效运行和社会经济持重倒退的根底。往年是《推动普惠金融倒退布局(2016-2020年)》的收官之年，亦是“十三五”的收官之年。在过来的几年中，中国政府通过大力推广普惠金融，让小微企业的融资服务环境失去了显著的改善。 新技术助力顺德营商环境优化行将到来的“十四五”必将是翻新推动倒退的五年，产业倒退无望实现垂直化、数据化、金融化、智能化为一体的产业互联网。其中，如何搭建产业金融服务平台，为产业链上下游提供产业基金、供应链融资等普惠金融产品和服务，并继续优化营商环境，则是各中央政府和金融机构亟需解决的重要课题。今年以来，顺德作为闻名全国的制造业大区，以新倒退理念为引领，对村级工业园进行革新降级，打造出了一个集研发、生产、销售于一体的产业新城，为政府的招商引资、为企业的增资扩产提供了“瘠田”，实现了产业结构继续优化的指标，让当地经济倒退品质一直晋升。除了惠企平台的上线，在营商环境优化方面，依靠大数据、人工智能以及终端利用劣势，推动腾讯与政务、金融等关键环节数据交融，腾讯平安旗下的“灵鲲监管大脑”也在致力于帮忙顺德区打造一个高效、快速反应、一体化的现代化营商监管体系，帮忙监管部门在金融、知识产权爱护、食药、网络市场、信用等畛域构建全链条的治理体系，晋升服务效力。腾讯平安灵鲲监管大脑通过人工智能及大数据分析能力，构建了 100 多种算法模型，在爱护隐衷的前提下，用联邦学习技术突破了不同市场主体之间的数据孤岛，助力政府部门打造事先发现、事中检测、预先处理跟踪的全链条治理体系。目前腾讯灵鲲监管大脑在金融、知识产权爱护、食药、网络市场、信用等畛域，在全国多个中央政府都有规模化利用，曾入选世界互联网大会寰球当先科技成果大奖、 2019 年度中国互联网优良翻新解决方案。

近年来，金融机构踊跃拥抱金融科技，大规模的信息化、网络化建设逐步发展，依靠网络和信息系统的技术撑持，被更加宽泛地使用于金融机构的外部经营治理之中。 然而，随同技术的提高和业务的翻新，金融机构在推出更合乎客户需要业务的同时，也将面临更多的操作危险。适应技术发展趋势，网络欺骗伎俩变得更加专业化、公司化、链条化，立功伎俩也更加智能，这就为金融机构的危险管控带来了微小挑战。 近日，腾讯平安副总裁李旭阳在承受第一财经专访时示意：“联邦学习将在隐衷爱护和数据合规的状况下进行内外部的大数据单干，在增强金融机构管控危险能力的同时，无效解决数据利用困局。” 起源：第一财经 记者：易柏伶 做好贷前、贷中、贷后风险管理，是银行和金融机构关怀的外围命题。随着许多业务由线下转移至线上，如何从海量线上用户中筛选出适合的客户进行放贷让银行倍感压力。 在承受第一财经记者专访时，腾讯平安副总裁李旭阳示意，联邦学习的呈现成为了解决该难题的“利器”，以数据可用不可见的形式，在数据不出本地的状况下，让不同利益方数据实现串联，突破数据孤岛，为银行和金融机构提供更迷信的风险管理形式。 “联邦学习”最早由谷歌科学家H.Brendan McMahan于2016年提出，又名“联邦机器学习”，能无效帮忙多个机构在满足用户隐衷爱护、数据安全和政府法规的要求下进行数据应用和机器学习建模，升高了传统中心化机器学习带来的隐衷泄露危险和因数据泄露带来的相应老本。 据理解，联邦学习是基于数据隐衷爱护的平安计算框架，是一系列技术实现的统称，为机器学习、深度学习、迁徙学习算法提供平安计算反对。平安底层反对同态加密、机密共享、哈希散列等多方平安计算机制，算法层反对多方平安计算模式下的逻辑回归、Boosting、联邦迁徙学习等。 假如有两个不同的企业各自领有不同数据，依照欧洲GDPR用户隐衷准则，不能粗犷地将单方数据加以合并。联邦学习能够做到各个企业的自有数据不出本地，而后通过联邦零碎进行加密机制下的参数替换，即在不违反数据隐衷法规状况下，建设一个虚构的共有模型，这个虚构模型就如同能达到数据聚合在一起建设的最优模型一样。然而在建设虚构模型的时候，数据自身不挪动，也不泄露隐衷和影响数据合规。这样，建好的模型在各自的区域仅为本地的指标服务。 李旭阳称，在海量线上用户中，要想低成本地筛选客户，须要利用大数据和AI算法。腾讯平安利用其多年的互联网反欺骗技术的积攒，为银行风控体系做多因子，使得银行在其原有风控体系上进一步晋升风控程度。 腾讯反欺骗技术积攒的冲破可追溯到2015年，腾讯平安反欺骗实验室和中国联通达成单干并在深圳发展试点。通过网址云、号码云、APK云检测等技术，实验室将其在号码云上多年的教训移植到打击电信欺骗上，智能反电话欺骗盒子“鹰眼”就在那时诞生。 李旭阳介绍，欺骗行为有一些固定的行为模式，反映到数据上来，就能提炼出特色模型。如在欺骗侧，犯罪分子通常汇集在一个窝点、打电话呈批量个性，利用这些地理位置、通话频率等数据上的特色，依据话单序列，通过概率事件的计算方法，腾讯反欺骗实验室能够对欺骗团伙进行辨认。 据理解，单干期间，深圳联通信息欺骗中涉案金额由最后的26%降落到6%，最为重大的假冒公检法诈骗案中，欺骗案件金额升高了80%。 反欺骗技术利用于金融畛域，并不是简略的平移，思考的因素更多，面临场景复杂度也更高。李旭阳坦言，“今后利用常识图谱、大量的机器学习、AI办法来辨认金融欺骗的频率会越来越高。以前偏统计学的小概率事件尚且能通过简略的平移来做，但当初数据量太大，数据动辄上千维，有用的几十维，齐全利用传统的办法曾经不可行，所以当初根本都用AI的形式解决大数据，帮忙银行进行风控。” 在反欺骗畛域，通过网络社交平台、电话、短信等渠道获取信息的过程称为信息流。假如欺骗胜利，后续银行转帐等还波及资金流、人员流和设施流。“而腾讯、其余互联网企业，三大运营商，银行等，每一家的数据因为受政策法律的限度，都不能共享。如果这几家数据都买通，相对来说做反诈会更容易。” 联邦学习是一项公开的底层技术，许多互联网企业都有所布局。李旭阳示意，将来联邦学习还将利用到普惠金融的推广中。 8月6日，央行颁布了北京金融科技翻新监管第二批11个试点名单，腾讯平安灵鲲与浦发银行、北京金控独特单干的“多方数据学习‘政融通’在线融资我的项目”胜利入选，成为全国首个基于联邦学习的普惠金融试点利用。（详情点击☞腾讯灵鲲胜利入选北京金融科技翻新监管第二批试点名单） 李旭阳走漏，在政府普惠金融畛域，腾讯平安后续或将与顺德、宜昌、湖州等地单干。在反诈畛域，利用其原有黑灰产常识图谱，将来也会与其余企业达成单干。“比方珍视网、快手等，通过联邦学习去发现并抵挡欺骗。”

Atlassian Team Tour 收费在线研讨会大中华地区企业专场终于来了！ 对于此次在 9 月 23 日晚 7 点整举办的企业专场流动，咱们重磅加码，大咖星散，您岂但能够听到 Atlassian 首席营收官 Cameron Deatsch 对于企业改革的深度洞察（中文同传），Forrester Research 副总裁，钻研总监 Michael Barnes 对于将来发展趋势的业余剖析（中文字幕）。 咱们还邀请到了中国金融行业大咖—— 汇丰科技基金服务软件负责人刘华，中国进口信用保险公司 DevOps 高级项目经理黄金泽，华泰证券麻利转型负责人和麻利教练孙健与大家一起分享如何通过应用 Atlassian 实现企业麻利转型。点击【这里】立刻报名点击【这里】理解更多详情~

安全可靠，是金融行业抉择通信解决方案时首要思考的因素；也是SI及ISV抉择底层通信技术能力必须考查的基本要素之一。 融云作为即时通讯畛域多年市场占有率第一的厂商，最新的“IM+音视频+推送”整体解决方案,不仅可能满足金融业通信中的底层平安需要，更“以一套SDK笼罩所有金融通信场景”，让平台零碎疾速上线IM音讯及实时音视频通话能力，帮忙客户节俭开发成本和利用老本。 笼罩金融通信全场景 融云的金融行业通信解决方案涵盖了银行、证券、保险三大细分畛域，并针对不同畛域的利用场景提供安全可靠的场景化计划。 对银行业而言，为实现“从物理网点走向无处不在的挪动网点”的转变，需构建手机银行这种7*24小时挪动营业厅，通过近程视频交互⽅式，冲破空间和工夫限度。这种交互性通信，从实质上看，采纳的是融云实时音视频通话和IM的文本、语音、图片等音讯的解决能力。 动账告诉的业务场景，利用的便是融云IM的零碎告诉服务。该服务依靠现有银行计算账务解决零碎架构，一旦客户账户资金变动，可疾速对接音讯通道，通过App和手机短信向该用户发送零碎告诉，让客户能够及时理解账户变动信息并与银行进行核查。 此外，融云的音视频通话反对一对一及多人音视频通话，可实现银行近程面签中的身份核验、面谈、审查审批、合同签订等流程，常见业务场景包含贷款线上视频面签、网点视频理财室、对公开户法人视频面审等多种复合场景。 图1：近程面签办理银行业务 对证券畛域而言，互动股评是典型的利用场景之一，融云实时音视频反对低延时直播，可为股评人提供视频直播、股市行情实时分享，以及聊天室互动的残缺通信能力，并可灵便管制直播间内的参与者，精准服务指标股民。同时，内容审核服务反对开发者灵便设置聊天会话中的音讯审核策略，通过融云平台的实时过滤能力，对文字、图片、语音及音视频音讯进行精准的合规剖析，确保信息安全。 此外，基于音视频白板等多种辅助的沟通形式，还可利用于股票举荐，投资教育，理财培训，实现投顾近程视频等不同征询场景，便于客户经理与用户之间的线上沟通、信息推送、 精准经营等，最终为用户带来更好的证券服务体验。 图2：基于音视频白板实现投顾近程视频征询 对保险业而言，签约、投保、续保、出险、取证、审核认证、放款等各个环节的业务场景，都能够依赖融云的通信云能力近程实现。针对投资/保险参谋服务的全流程，融云可提供残缺的一对一实时音视频通话、服务端双录、通话加密计划，充沛保障安全性和用户体验，尤其是云端双录服务，融云可提供多种音视频录制模式以满足行业监管需要。此外，融云的历史音讯反对云端存储，不便用户随时查看残缺的历史聊天记录，追溯投保记录、理赔记录等。 安全可靠、疾速集成两大劣势凸显 融云金融行业解决方案最突出的两大性能特点：一是安全可靠；二是疾速集成。 安全可靠，体现在客户可公有部署、数据齐全私有化、信息可加密传输上。融云的公有云服务，可将全副通信服务集群部署在客户提供的公有基础设施或指定云主机上，客户资源规模可自主调配，数据实现齐全私有化，也更平安。同时，计划反对笼罩全平台，包含 Windows、macOS、Web、iOS、Android等多端同时在线，音讯实时同步。 值得一提的是，融云始终积极支持国产化产品。目前，已全面反对支流国产服务器和桌面操作系统，包含河汉麒麟、统信UOS，同时还反对人大金仓、达梦、神州通用、南大通用数据库，以及兆芯、海光等多家国产CPU。 在信息安全上，融云在公有部署的根底上，除了提供传输信息的通道，还反对开启链路加密能力。客户的数据在接入融云通信网之前即进行数据加密，且密钥服务器在客户本地，通过端到端加密形式，来确保音讯安全可靠。同时，反对客户进行二次开发，引入更高级别的加密计划。 疾速集成，体现在一套SDK一体化解决方案1天内即可上线。SDK疾速集成首先得益于融云提供残缺的“IM+音视频”通信能力及UI组件，音视频能力复用IM底层信令通道，不仅升高集成复杂度、晋升开发效率，还保障了前期利用上线的稳定性。其次，融云领有多年实战开发教训，在我的项目开发初期即可帮忙客户匹配最优实际计划，并提供了大量的场景化Demo和开发文档，便于研发人员随时调用，使其少走或不走弯路，确保我的项目可疾速开发、疾速上线。 这套整体解决方案具备稳固强壮的底层架构，可稳固反对高并发需要。服务架构可扩展性强，反对疾速扩容，可平滑操作晋升业务弹性。 融云IM是业内惟一承诺音讯100%达到的厂商，且不丢、不重、不乱序；通过海量客户业务验证，融云实时音视频业务在稳定性、连通性、并发/负载等方面服务可用性达到99.9%。 落地实际多家标杆案例 目前，金融行业有多家合作伙伴抉择应用融云的通信云服务，比方中国工商银行、中国农业银行、招商银行、交通银行、渤海银行、广州农商行、陆金所、国泰君安、华泰证券、海通证券等。 以陆金所为例，其作为百亿美元估值的独角兽企业，在通信安全保障工作上亦走在行业前列，因为对数据安全极为器重，他们在抉择云通信供应商方面的要求也十分严苛。在策划上市阶段，为保障上市工作顺利进行，陆金所最终抉择融云作为安全可靠的通信平台来提供服务，从而实现其在C端App内被动经营治理的需要。 总体来说，融云金融解决方案让金融机构具备了实时音视频和IM的通信能力，平安稳固有保障，疾速集成有效率。这不仅解决了金融客户全场景的通信需要，还合乎金融业的监管须要，是融云多年来耕耘通信云市场的综合实力体现，也是泛滥SI及ISV更好的单干抉择之一。